Muse Spark 1.3 Contributor er en særskilt navngiven udgave i Metas Muse Spark-familie til prototyper og eksperimenter. Familien er designet til agent- og kodearbejde: værktøjsløkker med flere trin, softwareassistenter og ræsonnement over omfattende kildemateriale. Bevar Contributor-navnet, når udgaven vælges, frem for at behandle den som Standard 1.3-posten med alle indstillinger overført uændret.
Input og kontekst
Den officielle modeltabel angiver tekst, billeder, video og PDF-filer som input og tekst som output med et kontekstvindue på 1.048.576 tokens. En opgave kan kombinere et skriftligt krav, et skærmbillede, et relevant klip eller dokumentsider og bede om en skriftlig forklaring, strukturerede fund eller foreslået kode. Modellens tekstresultat kan blive et artefakt i den omgivende applikation; at rendere en side eller køre kode kræver dette applikationsmiljø.
Identificér hver kilde og dens rolle, før du beder om et resultat. En grænsefladeprototype kan kombinere et skærmbillede med den ønskede adfærd og det eksisterende kodefragment. Bed om de synlige forskelle, den foreslåede implementeringsændring og de antagelser, der stadig skal afklares. En dokumentopgave kan definere de felter, der skal udtrækkes, og bede om den understøttende side eller passage ved siden af hvert fund.
Producenten bemærker, at lydforståelse i version 1.3 ikke er fuldt understøttet og kan give forringede svar. Behandl det som en versionsspecifik begrænsning frem for at overføre lydfunktionerne fra Muse Spark 1.2 eller en særskilt navngiven transskriptionsmodel til denne beskrivelse.
Ræsonnementsniveauer og svarbudget
Muse Spark genererer internt ræsonnement før sit synlige svar. De dokumenterede niveauer, der gælder her, er minimal, low, medium, high og xhigh. Niveauet max tilhører specifikt Standard Muse Spark 1.3 og er ikke tilgængeligt for Contributor-modeller. Deaktivering af ræsonnement med none understøttes ikke; udelades indstillingen, ræsonnerer modellen stadig på et niveau, den selv bestemmer.
Outputtokenbudgettet dækker både internt ræsonnement og synlig tekst. En anmodning om et langt skriftligt resultat kræver derfor plads til begge dele, især ved et højere ræsonnementsniveau. Det rå interne ræsonnement forbliver privat, og logsandsynligheder understøttes ikke som konfidensmål. Bed om den forklaring, de felter eller den endelige kode, opgaven kræver, frem for at antage, at det underliggende ræsonnementsspor returneres som læselig tekst.
Ved et afgrænset udtræknings- eller formateringseksperiment skal du definere den præcise post og kildematerialet. Ved et visuelt problem eller et kodeproblem med flere trin skal du definere de mellemliggende beslutninger og slutresultatet. Et højere ræsonnementsniveau ændrer tildelingen til ræsonnement; det definerer ikke i sig selv, hvad der udgør et fuldført, nyttigt resultat.
Værktøjer og strukturerede fund
Producentens Muse Spark-dokumentation beskriver udviklerdefinerede værktøjskald og struktureret output. Applikationen stiller værktøjsdefinitionerne til rådighed, modellen afgør, hvilken operation der kræves, og forbereder argumenterne, og applikationen udfører hvert kald og returnerer det tilsvarende resultat. Næste svar kan bruge resultaterne til at afgøre, hvad der skal ske derefter. Et foreslået kald er noget andet end en udført operation.
Samme dokumentation skelner mellem tilsluttede indbyggede søgeværktøjer og udviklerdefinerede funktioner. Søgning eller kodekørsel er en del af værktøjsmiljøet og ikke en yderligere indholdsmodalitet i tekstsvaret. I en prototype skal du kun stille de operationer til rådighed, der er relevante for spørgsmålet, og beskrive, hvad hver returnerer, så det efterfølgende svar fortsat er knyttet til faktisk hentet eller beregnet information.
Ved struktureret udtrækning skal du angive feltnavne, krævede oplysninger og repræsentation af manglende værdier. En praktisk post kan indeholde kildeidentifikatoren, den observerede oplysning, fortolkningen og det spørgsmål, der stadig skal afklares. Hold posten adskilt fra valgfri prosa, når en applikation skal behandle felterne pålideligt. Producentens skemagrænseflade afviser rekursive skemaer og begrænser indlejring til ti niveauer. Dens strikte tilstand kræver et almindeligt objekt som rod, at alle angivne egenskaber er påkrævede, og at ekstra egenskaber er forbudt. En matchende struktur fastslår ikke faktuel korrekthed.
En nyttig prototypeopgave
Vælg én arbejdsgang, der kan producere et artefakt, som kan undersøges. Vedlæg kravet, et visuelt eksempel og den kode, der bestemmer den aktuelle adfærd. Bed om en kort sammenligning, et foreslået revideret fragment og eksempler, der adskiller den forventede adfærd fra den aktuelle. Medtag eventuelle opslags- eller udførelsesresultater fra applikationen, før du beder om den endelige forklaring.
Ved en dokumentorienteret prototype skal du vedlægge PDF-filen og det spørgsmål, der skal besvares, og derefter bede om et kildeforbundet resumé eller en sammenligningstabel. Ved video skal du identificere den hændelse eller visuelle relation, der skal undersøges, og bede om en ordnet beskrivelse med de understøttende observationer. Definér det endelige svars længde og afsnit, så modellens store kontekst tjener det faktiske spørgsmål.
Grænser for udgave og kontinuitet
Contributor forbliver sin egen navngivne 1.3-udgave med den dokumenterede kontekst og de dokumenterede inputtyper. Metas ræsonnementsvejledning skelner mellem almindelig samtalehistorik og bevarelse af privat ræsonnement på tværs af samtaleture: producentens chatgrænseflade returnerer ikke dette private spor til eksterne kaldere. Bevar de synlige beskeder, kilder og værktøjsudfald, der kræves til en opfølgning, frem for at antage, at alle grænseflader viderefører internt ræsonnement.
De læste kilder angiver ikke en særskilt hård maksimal input- eller outputtokenkapacitet ud over kontekstvinduet. Bevar udgaven, inputforberedelsen og det ønskede artefakt, og hold værktøjsudførelse og endelig tekstlevering knyttet til de resultater, der faktisk er opnået i prototypeforløbet.
", "aboutText": "Muse Spark 1.3 Contributor er en særskilt navngiven udgave i Metas Muse Spark-familie til prototyper og eksperimenter. Familien er designet til agent- og kodearbejde: værktøjsløkker med flere trin, softwareassistenter og ræsonnement over omfattende kildemateriale. Bevar Contributor-navnet, når udgaven vælges, frem for at behandle den som Standard 1.3-posten med alle indstillinger overført uændret.\n\nInput og kontekst\n\nDen officielle modeltabel angiver tekst, billeder, video og PDF-filer som input og tekst som output med et kontekstvindue på 1.048.576 tokens. En opgave kan kombinere et skriftligt krav, et skærmbillede, et relevant klip eller dokumentsider og bede om en skriftlig forklaring, strukturerede fund eller foreslået kode. Modellens tekstresultat kan blive et artefakt i den omgivende applikation; at rendere en side eller køre kode kræver dette applikationsmiljø.\n\nIdentificér hver kilde og dens rolle, før du beder om et resultat. En grænsefladeprototype kan kombinere et skærmbillede med den ønskede adfærd og det eksisterende kodefragment. Bed om de synlige forskelle, den foreslåede implementeringsændring og de antagelser, der stadig skal afklares. En dokumentopgave kan definere de felter, der skal udtrækkes, og bede om den understøttende side eller passage ved siden af hvert fund.\n\nProducenten bemærker, at lydforståelse i version 1.3 ikke er fuldt understøttet og kan give forringede svar. Behandl det som en versionsspecifik begrænsning frem for at overføre lydfunktionerne fra Muse Spark 1.2 eller en særskilt navngiven transskriptionsmodel til denne beskrivelse.\n\nRæsonnementsniveauer og svarbudget\n\nMuse Spark genererer internt ræsonnement før sit synlige svar. De dokumenterede niveauer, der gælder her, er minimal, low, medium, high og xhigh. Niveauet max tilhører specifikt Standard Muse Spark 1.3 og er ikke tilgængeligt for Contributor-modeller. Deaktivering af ræsonnement med none understøttes ikke; udelades indstillingen, ræsonnerer modellen stadig på et niveau, den selv bestemmer.\n\nOutputtokenbudgettet dækker både internt ræsonnement og synlig tekst. En anmodning om et langt skriftligt resultat kræver derfor plads til begge dele, især ved et højere ræsonnementsniveau. Det rå interne ræsonnement forbliver privat, og logsandsynligheder understøttes ikke som konfidensmål. Bed om den forklaring, de felter eller den endelige kode, opgaven kræver, frem for at antage, at det underliggende ræsonnementsspor returneres som læselig tekst.\n\nVed et afgrænset udtræknings- eller formateringseksperiment skal du definere den præcise post og kildematerialet. Ved et visuelt problem eller et kodeproblem med flere trin skal du definere de mellemliggende beslutninger og slutresultatet. Et højere ræsonnementsniveau ændrer tildelingen til ræsonnement; det definerer ikke i sig selv, hvad der udgør et fuldført, nyttigt resultat.\n\nVærktøjer og strukturerede fund\n\nProducentens Muse Spark-dokumentation beskriver udviklerdefinerede værktøjskald og struktureret output. Applikationen stiller værktøjsdefinitionerne til rådighed, modellen afgør, hvilken operation der kræves, og forbereder argumenterne, og applikationen udfører hvert kald og returnerer det tilsvarende resultat. Næste svar kan bruge resultaterne til at afgøre, hvad der skal ske derefter. Et foreslået kald er noget andet end en udført operation.\n\nSamme dokumentation skelner mellem tilsluttede indbyggede søgeværktøjer og udviklerdefinerede funktioner. Søgning eller kodekørsel er en del af værktøjsmiljøet og ikke en yderligere indholdsmodalitet i tekstsvaret. I en prototype skal du kun stille de operationer til rådighed, der er relevante for spørgsmålet, og beskrive, hvad hver returnerer, så det efterfølgende svar fortsat er knyttet til faktisk hentet eller beregnet information.\n\nVed struktureret udtrækning skal du angive feltnavne, krævede oplysninger og repræsentation af manglende værdier. En praktisk post kan indeholde kildeidentifikatoren, den observerede oplysning, fortolkningen og det spørgsmål, der stadig skal afklares. Hold posten adskilt fra valgfri prosa, når en applikation skal behandle felterne pålideligt. Producentens skemagrænseflade afviser rekursive skemaer og begrænser indlejring til ti niveauer. Dens strikte tilstand kræver et almindeligt objekt som rod, at alle angivne egenskaber er påkrævede, og at ekstra egenskaber er forbudt. En matchende struktur fastslår ikke faktuel korrekthed.\n\nEn nyttig prototypeopgave\n\nVælg én arbejdsgang, der kan producere et artefakt, som kan undersøges. Vedlæg kravet, et visuelt eksempel og den kode, der bestemmer den aktuelle adfærd. Bed om en kort sammenligning, et foreslået revideret fragment og eksempler, der adskiller den forventede adfærd fra den aktuelle. Medtag eventuelle opslags- eller udførelsesresultater fra applikationen, før du beder om den endelige forklaring.\n\nVed en dokumentorienteret prototype skal du vedlægge PDF-filen og det spørgsmål, der skal besvares, og derefter bede om et kildeforbundet resumé eller en sammenligningstabel. Ved video skal du identificere den hændelse eller visuelle relation, der skal undersøges, og bede om en ordnet beskrivelse med de understøttende observationer. Definér det endelige svars længde og afsnit, så modellens store kontekst tjener det faktiske spørgsmål.\n\nGrænser for udgave og kontinuitet\n\nContributor forbliver sin egen navngivne 1.3-udgave med den dokumenterede kontekst og de dokumenterede inputtyper. Metas ræsonnementsvejledning skelner mellem almindelig samtalehistorik og bevarelse af privat ræsonnement på tværs af samtaleture: producentens chatgrænseflade returnerer ikke dette private spor til eksterne kaldere. Bevar de synlige beskeder, kilder og værktøjsudfald, der kræves til en opfølgning, frem for at antage, at alle grænseflader viderefører internt ræsonnement.\n\nDe læste kilder angiver ikke en særskilt hård maksimal input- eller outputtokenkapacitet ud over kontekstvinduet. Bevar udgaven, inputforberedelsen og det ønskede artefakt, og hold værktøjsudførelse og endelig tekstlevering knyttet til de resultater, der faktisk er opnået i prototypeforløbet.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor er en ræsonnementsudgave i Metas agent- og kodefamilie til prototypeforløb. Producenten angiver tekst-, billed-, video- og PDF-input, tekstoutput og en kontekst på 1.048.576 tokens med ræsonnementsniveauer op til xhigh frem for Standard 1.3s max.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Spark 1.3 Contributor er en særskilt navngiven udgave i Metas Muse Spark-familie til prototyper og eksperimenter. Familien er designet til agent- og kodearbejde: værktøjsløkker med flere trin, softwareassistenter og ræsonnement over omfattende kildemateriale. Bevar Contributor-navnet, når udgaven vælges, frem for at behandle den som Standard 1.3-posten med alle indstillinger overført uændret.
Input og kontekst
Den officielle modeltabel angiver tekst, billeder, video og PDF-filer som input og tekst som output med et kontekstvindue på 1.048.576 tokens. En opgave kan kombinere et skriftligt krav, et skærmbillede, et relevant klip eller dokumentsider og bede om en skriftlig forklaring, strukturerede fund eller foreslået kode. Modellens tekstresultat kan blive et artefakt i den omgivende applikation; at rendere en side eller køre kode kræver dette applikationsmiljø.
Identificér hver kilde og dens rolle, før du beder om et resultat. En grænsefladeprototype kan kombinere et skærmbillede med den ønskede adfærd og det eksisterende kodefragment. Bed om de synlige forskelle, den foreslåede implementeringsændring og de antagelser, der stadig skal afklares. En dokumentopgave kan definere de felter, der skal udtrækkes, og bede om den understøttende side eller passage ved siden af hvert fund.
Producenten bemærker, at lydforståelse i version 1.3 ikke er fuldt understøttet og kan give forringede svar. Behandl det som en versionsspecifik begrænsning frem for at overføre lydfunktionerne fra Muse Spark 1.2 eller en særskilt navngiven transskriptionsmodel til denne beskrivelse.
Ræsonnementsniveauer og svarbudget
Muse Spark genererer internt ræsonnement før sit synlige svar. De dokumenterede niveauer, der gælder her, er minimal, low, medium, high og xhigh. Niveauet max tilhører specifikt Standard Muse Spark 1.3 og er ikke tilgængeligt for Contributor-modeller. Deaktivering af ræsonnement med none understøttes ikke; udelades indstillingen, ræsonnerer modellen stadig på et niveau, den selv bestemmer.
Outputtokenbudgettet dækker både internt ræsonnement og synlig tekst. En anmodning om et langt skriftligt resultat kræver derfor plads til begge dele, især ved et højere ræsonnementsniveau. Det rå interne ræsonnement forbliver privat, og logsandsynligheder understøttes ikke som konfidensmål. Bed om den forklaring, de felter eller den endelige kode, opgaven kræver, frem for at antage, at det underliggende ræsonnementsspor returneres som læselig tekst.
Ved et afgrænset udtræknings- eller formateringseksperiment skal du definere den præcise post og kildematerialet. Ved et visuelt problem eller et kodeproblem med flere trin skal du definere de mellemliggende beslutninger og slutresultatet. Et højere ræsonnementsniveau ændrer tildelingen til ræsonnement; det definerer ikke i sig selv, hvad der udgør et fuldført, nyttigt resultat.
Værktøjer og strukturerede fund
Producentens Muse Spark-dokumentation beskriver udviklerdefinerede værktøjskald og struktureret output. Applikationen stiller værktøjsdefinitionerne til rådighed, modellen afgør, hvilken operation der kræves, og forbereder argumenterne, og applikationen udfører hvert kald og returnerer det tilsvarende resultat. Næste svar kan bruge resultaterne til at afgøre, hvad der skal ske derefter. Et foreslået kald er noget andet end en udført operation.
Samme dokumentation skelner mellem tilsluttede indbyggede søgeværktøjer og udviklerdefinerede funktioner. Søgning eller kodekørsel er en del af værktøjsmiljøet og ikke en yderligere indholdsmodalitet i tekstsvaret. I en prototype skal du kun stille de operationer til rådighed, der er relevante for spørgsmålet, og beskrive, hvad hver returnerer, så det efterfølgende svar fortsat er knyttet til faktisk hentet eller beregnet information.
Ved struktureret udtrækning skal du angive feltnavne, krævede oplysninger og repræsentation af manglende værdier. En praktisk post kan indeholde kildeidentifikatoren, den observerede oplysning, fortolkningen og det spørgsmål, der stadig skal afklares. Hold posten adskilt fra valgfri prosa, når en applikation skal behandle felterne pålideligt. Producentens skemagrænseflade afviser rekursive skemaer og begrænser indlejring til ti niveauer. Dens strikte tilstand kræver et almindeligt objekt som rod, at alle angivne egenskaber er påkrævede, og at ekstra egenskaber er forbudt. En matchende struktur fastslår ikke faktuel korrekthed.
En nyttig prototypeopgave
Vælg én arbejdsgang, der kan producere et artefakt, som kan undersøges. Vedlæg kravet, et visuelt eksempel og den kode, der bestemmer den aktuelle adfærd. Bed om en kort sammenligning, et foreslået revideret fragment og eksempler, der adskiller den forventede adfærd fra den aktuelle. Medtag eventuelle opslags- eller udførelsesresultater fra applikationen, før du beder om den endelige forklaring.
Ved en dokumentorienteret prototype skal du vedlægge PDF-filen og det spørgsmål, der skal besvares, og derefter bede om et kildeforbundet resumé eller en sammenligningstabel. Ved video skal du identificere den hændelse eller visuelle relation, der skal undersøges, og bede om en ordnet beskrivelse med de understøttende observationer. Definér det endelige svars længde og afsnit, så modellens store kontekst tjener det faktiske spørgsmål.
Grænser for udgave og kontinuitet
Contributor forbliver sin egen navngivne 1.3-udgave med den dokumenterede kontekst og de dokumenterede inputtyper. Metas ræsonnementsvejledning skelner mellem almindelig samtalehistorik og bevarelse af privat ræsonnement på tværs af samtaleture: producentens chatgrænseflade returnerer ikke dette private spor til eksterne kaldere. Bevar de synlige beskeder, kilder og værktøjsudfald, der kræves til en opfølgning, frem for at antage, at alle grænseflader viderefører internt ræsonnement.
De læste kilder angiver ikke en særskilt hård maksimal input- eller outputtokenkapacitet ud over kontekstvinduet. Bevar udgaven, inputforberedelsen og det ønskede artefakt, og hold værktøjsudførelse og endelig tekstlevering knyttet til de resultater, der faktisk er opnået i prototypeforløbet.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-spark-1.3-contributor | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta/muse-spark-1.3-contributor", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra meta/muse-spark-1.3-contributor
Brug metodestierne vist ovenfor.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor er en ræsonnementsudgave i Metas agent- og kodefamilie til prototypeforløb. Producenten angiver tekst-, billed-, video- og PDF-input, tekstoutput og en kontekst på 1.048.576 tokens med ræsonnementsniveauer op til xhigh frem for Standard 1.3s max.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Spark 1.3 Contributor er en særskilt navngiven udgave i Metas Muse Spark-familie til prototyper og eksperimenter. Familien er designet til agent- og kodearbejde: værktøjsløkker med flere trin, softwareassistenter og ræsonnement over omfattende kildemateriale. Bevar Contributor-navnet, når udgaven vælges, frem for at behandle den som Standard 1.3-posten med alle indstillinger overført uændret.
Input og kontekst
Den officielle modeltabel angiver tekst, billeder, video og PDF-filer som input og tekst som output med et kontekstvindue på 1.048.576 tokens. En opgave kan kombinere et skriftligt krav, et skærmbillede, et relevant klip eller dokumentsider og bede om en skriftlig forklaring, strukturerede fund eller foreslået kode. Modellens tekstresultat kan blive et artefakt i den omgivende applikation; at rendere en side eller køre kode kræver dette applikationsmiljø.
Identificér hver kilde og dens rolle, før du beder om et resultat. En grænsefladeprototype kan kombinere et skærmbillede med den ønskede adfærd og det eksisterende kodefragment. Bed om de synlige forskelle, den foreslåede implementeringsændring og de antagelser, der stadig skal afklares. En dokumentopgave kan definere de felter, der skal udtrækkes, og bede om den understøttende side eller passage ved siden af hvert fund.
Producenten bemærker, at lydforståelse i version 1.3 ikke er fuldt understøttet og kan give forringede svar. Behandl det som en versionsspecifik begrænsning frem for at overføre lydfunktionerne fra Muse Spark 1.2 eller en særskilt navngiven transskriptionsmodel til denne beskrivelse.
Ræsonnementsniveauer og svarbudget
Muse Spark genererer internt ræsonnement før sit synlige svar. De dokumenterede niveauer, der gælder her, er minimal, low, medium, high og xhigh. Niveauet max tilhører specifikt Standard Muse Spark 1.3 og er ikke tilgængeligt for Contributor-modeller. Deaktivering af ræsonnement med none understøttes ikke; udelades indstillingen, ræsonnerer modellen stadig på et niveau, den selv bestemmer.
Outputtokenbudgettet dækker både internt ræsonnement og synlig tekst. En anmodning om et langt skriftligt resultat kræver derfor plads til begge dele, især ved et højere ræsonnementsniveau. Det rå interne ræsonnement forbliver privat, og logsandsynligheder understøttes ikke som konfidensmål. Bed om den forklaring, de felter eller den endelige kode, opgaven kræver, frem for at antage, at det underliggende ræsonnementsspor returneres som læselig tekst.
Ved et afgrænset udtræknings- eller formateringseksperiment skal du definere den præcise post og kildematerialet. Ved et visuelt problem eller et kodeproblem med flere trin skal du definere de mellemliggende beslutninger og slutresultatet. Et højere ræsonnementsniveau ændrer tildelingen til ræsonnement; det definerer ikke i sig selv, hvad der udgør et fuldført, nyttigt resultat.
Værktøjer og strukturerede fund
Producentens Muse Spark-dokumentation beskriver udviklerdefinerede værktøjskald og struktureret output. Applikationen stiller værktøjsdefinitionerne til rådighed, modellen afgør, hvilken operation der kræves, og forbereder argumenterne, og applikationen udfører hvert kald og returnerer det tilsvarende resultat. Næste svar kan bruge resultaterne til at afgøre, hvad der skal ske derefter. Et foreslået kald er noget andet end en udført operation.
Samme dokumentation skelner mellem tilsluttede indbyggede søgeværktøjer og udviklerdefinerede funktioner. Søgning eller kodekørsel er en del af værktøjsmiljøet og ikke en yderligere indholdsmodalitet i tekstsvaret. I en prototype skal du kun stille de operationer til rådighed, der er relevante for spørgsmålet, og beskrive, hvad hver returnerer, så det efterfølgende svar fortsat er knyttet til faktisk hentet eller beregnet information.
Ved struktureret udtrækning skal du angive feltnavne, krævede oplysninger og repræsentation af manglende værdier. En praktisk post kan indeholde kildeidentifikatoren, den observerede oplysning, fortolkningen og det spørgsmål, der stadig skal afklares. Hold posten adskilt fra valgfri prosa, når en applikation skal behandle felterne pålideligt. Producentens skemagrænseflade afviser rekursive skemaer og begrænser indlejring til ti niveauer. Dens strikte tilstand kræver et almindeligt objekt som rod, at alle angivne egenskaber er påkrævede, og at ekstra egenskaber er forbudt. En matchende struktur fastslår ikke faktuel korrekthed.
En nyttig prototypeopgave
Vælg én arbejdsgang, der kan producere et artefakt, som kan undersøges. Vedlæg kravet, et visuelt eksempel og den kode, der bestemmer den aktuelle adfærd. Bed om en kort sammenligning, et foreslået revideret fragment og eksempler, der adskiller den forventede adfærd fra den aktuelle. Medtag eventuelle opslags- eller udførelsesresultater fra applikationen, før du beder om den endelige forklaring.
Ved en dokumentorienteret prototype skal du vedlægge PDF-filen og det spørgsmål, der skal besvares, og derefter bede om et kildeforbundet resumé eller en sammenligningstabel. Ved video skal du identificere den hændelse eller visuelle relation, der skal undersøges, og bede om en ordnet beskrivelse med de understøttende observationer. Definér det endelige svars længde og afsnit, så modellens store kontekst tjener det faktiske spørgsmål.
Grænser for udgave og kontinuitet
Contributor forbliver sin egen navngivne 1.3-udgave med den dokumenterede kontekst og de dokumenterede inputtyper. Metas ræsonnementsvejledning skelner mellem almindelig samtalehistorik og bevarelse af privat ræsonnement på tværs af samtaleture: producentens chatgrænseflade returnerer ikke dette private spor til eksterne kaldere. Bevar de synlige beskeder, kilder og værktøjsudfald, der kræves til en opfølgning, frem for at antage, at alle grænseflader viderefører internt ræsonnement.
De læste kilder angiver ikke en særskilt hård maksimal input- eller outputtokenkapacitet ud over kontekstvinduet. Bevar udgaven, inputforberedelsen og det ønskede artefakt, og hold værktøjsudførelse og endelig tekstlevering knyttet til de resultater, der faktisk er opnået i prototypeforløbet.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-spark-1.3-contributor | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.0004 / 1K tokens Input · Cachelæsning $0.000004 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra meta/muse-spark-1.3-contributor
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.