Muse Spark 1.1 — мультимодальная модель от Meta теперь в Vercel AI Gateway
Новая модель Muse Spark 1.1 с 1 млн‑токенным контекстом, поддержкой текста, изображений, видео, PDF и аудио, а также параллельным вызовом инструментов, доступна через AI Gateway от Vercel.
Что появилось?
Vercel объявила о добавлении Muse Spark 1.1 от Meta в свой AI Gateway — сервис, позволяющий подключать крупные модели к пользовательским приложениям без инфраструктурных хлопот. Muse Spark 1.1 — это мультимодальная модель с контекстным окном в 1 млн токенов, способная принимать текст, изображения, видео, PDF и аудио.
Ключевые возможности
- Агентные сценарии: модель умеет планировать и оркестрировать работу как главный агент или субагент, распределяя задачи между инструментами и сервисами.
- Поддержка новых инструментов: интеграция с MCP‑серверами, кастомными навыками и другими инструментами без необходимости предоставлять примеры.
- Параллельный вызов инструментов: позволяет одновременно обращаться к нескольким API, ускоряя выполнение сложных цепочек.
- Структурированный вывод и поиск с цитатами: модель возвращает ответы в заданных схемах (JSON, XML) и автоматически добавляет ссылки на источники.
Как начать использовать?
- Зарегистрируйтесь в Vercel AI Gateway.
- Выберите модель Muse Spark 1.1 в каталоге.
- Настройте необходимые инструменты (например, базы данных, внешние API) через UI или конфигурационный файл.
- Отправляйте запросы, используя любой из поддерживаемых форматов входных данных.
Почему это важно?
Модель с таким объёмом контекста и мультимодальными входами открывает путь к самостоятельным агентным системам, которые могут анализировать документы, генерировать визуальный контент и выполнять действия в реальном времени без промежуточного кода. Для разработчиков это значит меньше времени на интеграцию и больше возможностей для построения сложных workflow.
Подробнее о релизе читайте в официальном блоге Vercel: https://vercel.com/changelog/muse-spark-1-1-is-now-available-on-ai-gateway
Для AI‑разработчиков Muse Spark 1.1 — шанс быстро собрать сложные агентные цепочки, используя единый контекст в 1 млн токенов. Структурированный вывод и встроенный поиск упрощают построение надёжных систем, но требуют внимательного контроля за расходом токенов и качеством входных данных. Студенты курсов смогут экспериментировать с мультимодальными задачами без собственного серверного кода.
