¿Qué es Muse Spark?

Ciudad de México.- Muse Spark y el cual afirmaron es un modelo de razonamiento multimodal nativo que admite el uso de herramientas, la visualización de la cadena de pensamiento y la orquestación de múltiples agentes.

De acuerdo con Meta, Muse Spark es el primer paso en su estrategia de escalabilidad y el primer producto de una renovación integral de sus esfuerzos en IA.

"Estamos realizando inversiones estratégicas en toda la plataforma, desde la investigación y el entrenamiento de modelos hasta la infraestructura, incluido el centro de datos Hyperion", explicó.

La compañía dirigida por Mark Zuckerberg indicó que Muse Spark ofrece un rendimiento competitivo en tareas de percepción multimodal, razonamiento, salud y agentes. Asimismo lanzó el modo Contemplación, que coordina a varios agentes que razonan en paralelo. Esto permite que Muse Spark compita con los modos de razonamiento avanzados de modelos de vanguardia como Gemini Deep Think y GPT Pro.

Aplicaciones

Muse Spark, detalló Meta, cuenta con capacidades de razonamiento avanzadas que permiten casos de uso potentes y altamente personalizados.

Multimodal. Ofrece un rendimiento excelente en preguntas visuales de ciencia, tecnología, ingeniería y matemáticas (STEM), reconocimiento de entidades y localización.

Salud. Para optimizar las capacidades de razonamiento de Muse Spark en materia de salud, Meta colaboró con más de 1,000 médicos para recopilar datos de entrenamiento que permiten respuestas más precisas y completas, de esta manera Muse Spark genera pantallas interactivas que desglosan y explican información sobre salud.

Ejes de escala

Meta explicó que para desarrollar una superinteligencia personal estudiaron y monitorizaron las propiedades de escalado en tres ejes: preentrenamiento, aprendizaje por refuerzo y razonamiento en tiempo de prueba.

Preentrenamiento . La fase de preentrenamiento es donde Muse Spark adquiere sus capacidades básicas de comprensión multimodal, razonamiento y codificación, la base sobre la que se construyen el aprendizaje por refuerzo y el cálculo en tiempo de prueba.

Aprendizaje por refuerzo. Tras el preentrenamiento, el aprendizaje por refuerzo (RL) aprovecha la capacidad de cómputo para ampliar de forma escalable las capacidades del modelo. Si bien el RL a gran escala es conocido por su inestabilidad, la plataforma asegura ofrecer mejoras fluidas y predecibles.