Contexte et découverte

Lors d’une session de test du produit Muse, l’auteur a relevé dans les journaux un modèle identifié sous le nom azure/muse-special. Tous les autres agents utilisaient le modèle interne de Meta, baptisé Avocado. Cette anomalie a conduit à une analyse approfondie du système de fichiers et des logs afin de déterminer l’origine du sous‑agent.

Analyse du modèle muse‑special

Le journal montre un identifiant de type call_ suivi de 24 caractères alphanumériques mixtes, typique des appels OpenAI, alors que les sessions Avocado affichent des identifiants hexadécimaux de 32 caractères. De plus, la signature gpt_responses_v1 accompagne un payload chiffré commençant par gAAAAA, séquence reconnue comme utilisée par le service de chiffrement d’OpenAI. Ces deux éléments suggèrent que azure/muse-special est une passerelle vers un modèle OpenAI hébergé sur Azure, bien que le modèle exact (GPT‑5.5, GPT‑5.6, etc.) ne soit pas précisé dans les logs.

call_AbC123xYz9QwErTyUiOp
signature: gpt_responses_v1
encrypted_payload: gAAAAAB...

Le catalogue de modèles fourni avec le daemon de Muse répertorie environ quinze variantes d’Avocado, ainsi que des modèles externes : Claude Opus 4.6‑4.8, Sonnet 4.6, Haiku 4.5, GPT‑5.5/5.6 via OpenAI, Azure et Codex, et Kimi K3 via Fireworks. La présence de azure/muse-special parmi ces entrées confirme que le runtime peut adresser des modèles tiers, même si le routage effectif dépend d’une logique serveur.

Architecture multi‑fournisseur

Le code source révèle des clients dédiés pour Anthropic (Claude) et OpenAI. Les modules anthropic/request_flow.rs, anthropic/convert_prompt.rs et anthropic/parse_sse_stream.rs implémentent la conversion de prompts et le parsing de flux SSE, indiquant une prise en charge native d’Anthropic. Des fichiers de clés API pour OpenAI et Anthropic sont stockés dans le répertoire inference‑proxy, avec un commutateur d’environnement JARVIS_ANTHROPIC_BASE_URL_REVPROXY_OVERRIDE=0 qui agit comme un kill‑switch en temps réel. Cette configuration montre que Meta a intégré une couche d’abstraction capable de basculer dynamiquement entre fournisseurs sans intervention utilisateur.

Implications pour la confidentialité et le RL

Pour les modèles Avocado, le texte de raisonnement est écrit en clair dans le transcript, sans signature, et peut être exploité par les systèmes de renforcement d’apprentissage (RL) de Meta, sous réserve d’un consentement explicite. En revanche, les réponses générées via azure/muse-special sont chiffrées ; le daemon indique explicitement que le raisonnement brut ne peut pas être utilisé par le serveur RL, limitant ainsi la collecte de données sensibles. Cette distinction montre que Meta sépare les flux de données internes et externes afin de respecter les notes de confidentialité tout en conservant la flexibilité de tester des modèles tiers.