Muse Spark 1.3 er Metas ræsonnementsmodel til vedvarende agent- og kodearbejde. Producenten fremhæver bevarelse af kontekst og tidligere resultater gennem længere opgaver, arbejde med modstridende kilder og produktion af et færdigt slutprodukt. Denne post er Standard 1.3-udgaven, hvis dokumenterede ræsonnementsindstillinger omfatter max; den særskilt navngivne Contributor-udgave har sine egne indstillingsgrænser.
Langsigtet agentarbejde
Udgivelsen beskriver en model trænet på tværs af forskellige agentmiljøer til at indsamle information, revidere en plan, når dokumentationen ændrer sig, og bevare detaljerede krav gennem en opgave med flere trin. Den beskriver også forbedret håndtering af flere arbejdsgange i én samtale, hvor indgående anmodninger knyttes til den relevante opgave. En nyttig anmodning bør definere målet, kilderne, kravene og det artefakt, der tæller som fuldførelse.
Ved en faglig dokumentopgave skal du vedlægge kilderapporterne, identificere de fakta, der skal bevares, og bede om et struktureret oplæg med kildeplaceringer. Hvis kilderne er uenige, skal du bede om de modstridende udsagn særskilt og de oplysninger, der kræves for at afklare dem. Ved en kodeopgave skal du medtage den tilsigtede adfærd, berørte moduler og relevant kode; bed om den foreslåede implementering og den dokumentation, der kan kendetegne det tilsigtede resultat.
Producenten siger, at 1.3 beder om præcisering, når en anmodning er tvetydig, og søger brugerens hjælp, når den er blokeret. Den beskriver også bedre dømmekraft ved handlinger med væsentlige konsekvenser. Dette er forbedringer af modeladfærden frem for en erstatning for applikationens udførelseskontroller. Giv agenten de oplysninger, der kræves for at træffe beslutninger, og gør det krævede resultat eksplicit.
Kodning og multimodal dokumentation
Udgivelsen fokuserer på længere kodeopgaver, renere output og færre unødvendige samtaleture sammenlignet med 1.2. Et kodeagentforløb kan undersøge et skærmbillede, finde den relevante kode, foreslå en rettelse og bruge udførelses- eller renderingsfeedback fra værktøjerne. Angiv den grænseflade, der fortsat skal være kompatibel, og bed om det ændrede artefakt adskilt fra dets antagelser og forklaring.
Den officielle modeltabel angiver tekst-, billed-, video- og PDF-input med tekstoutput og en kontekst på 1.048.576 tokens. Billeder eller klip kan give synlig dokumentation sammen med den skriftlige opgave. Et diagramspørgsmål bør bevare akser, signaturforklaringer og enheder; et skærmbilledspørgsmål bør identificere den adfærd, der skal genskabes eller undersøges. Et PDF-spørgsmål kan bede om et kildeforbundet udtræk eller en sammenligning frem for et generelt resumé af alle sider.
Producenten bemærker udtrykkeligt, at lydforståelse i 1.3 ikke er fuldt understøttet, og at svar på input, der indeholder lyd, kan blive forringet. Det adskiller sig fra 1.2s dokumenterede audiovisuelle evner. Modellens tekstresultat genererer heller ikke i sig selv et billede, en taleoptagelse eller en færdig fil uden den omgivende applikations værktøjer.
Ræsonnementsniveau og kontinuitet
De dokumenterede niveauer er minimal, low, medium, high, xhigh og max. Max er specifikt for Standard 1.3. Muse Spark understøtter ikke deaktivering af ræsonnement med none; udelades indstillingen, bestemmer modellen ræsonnementsniveauet. Vælg niveauet til det faktiske problem, og giv plads til både det interne ræsonnement og det krævede skriftlige resultat.
Ræsonnementstokens og synlige tokens deler outputbudgettet. Råt internt ræsonnement forbliver privat og returneres ikke som almindelig læselig tekst. Producenten skelner mellem synlig samtalehistorik og privat ræsonnementskontinuitet: chatgrænsefladen udstiller ikke et spor, som eksterne kaldere kan genafspille, mens den anden dokumenterede samtalearbejdsgang understøtter administreret eller krypteret fortsættelse af ræsonnement. Bevar de kilder, synlige beskeder og faktiske værktøjsresultater, en opfølgning kræver, frem for at antage, at alle grænseflader bevarer privat ræsonnement ens.
Værktøjer og strukturerede slutprodukter
Applikationen stiller udviklerdefinerede funktionsbeskrivelser til rådighed, modellen opretter de krævede kaldargumenter, og applikationen udfører hvert kald og returnerer det tilhørende resultat. Modellen kan anmode om flere funktioner i én samtaletur. Returnér resultatet for hver oprindelig operation, før du beder om næste konklusion, så svaret bruger faktisk hentet eller beregnet information.
Producenten dokumenterer særskilt indbyggede søgeværktøjer, der kører i den tilsluttede tjeneste. Udviklerfunktioner og disse indbyggede værktøjer har forskellige udførelsesordninger. Modellen kan ræsonnere over, hvilke oplysninger den har brug for, men valget af modellen alene giver ikke adgang til et repositorium, en browser eller en privat informationskilde.
Struktureret output kan begrænse resultatet til et angivet JSON-skema. Definér de felter og typer, næste trin kræver, og behandlingen af manglende kildeoplysninger. I producentens strikte skematilstand er roden et almindeligt objekt, alle egenskaber er påkrævede, og ekstra egenskaber er forbudt; rekursive skemaer afvises. Dette er begrænsninger i producentens strukturerede grænseflade og ikke bevis for, at fakta i en korrekt formet post er sande.
Ved et nyttigt slutresultat skal du bede om de kildeunderbyggede fund, den foreslåede ændring eller det foreslåede dokument og de uafklarede forhold særskilt. De læste kilder angiver ikke en uafhængig hård maksimal input- eller outputtokenkapacitet ud over den dokumenterede kontekst. Hold Standard 1.3-identiteten, ræsonnementsvalget og de tilknyttede udførelsesresultater eksplicitte gennem hele opgaven.
", "aboutText": "Muse Spark 1.3 er Metas ræsonnementsmodel til vedvarende agent- og kodearbejde. Producenten fremhæver bevarelse af kontekst og tidligere resultater gennem længere opgaver, arbejde med modstridende kilder og produktion af et færdigt slutprodukt. Denne post er Standard 1.3-udgaven, hvis dokumenterede ræsonnementsindstillinger omfatter max; den særskilt navngivne Contributor-udgave har sine egne indstillingsgrænser.\n\nLangsigtet agentarbejde\n\nUdgivelsen beskriver en model trænet på tværs af forskellige agentmiljøer til at indsamle information, revidere en plan, når dokumentationen ændrer sig, og bevare detaljerede krav gennem en opgave med flere trin. Den beskriver også forbedret håndtering af flere arbejdsgange i én samtale, hvor indgående anmodninger knyttes til den relevante opgave. En nyttig anmodning bør definere målet, kilderne, kravene og det artefakt, der tæller som fuldførelse.\n\nVed en faglig dokumentopgave skal du vedlægge kilderapporterne, identificere de fakta, der skal bevares, og bede om et struktureret oplæg med kildeplaceringer. Hvis kilderne er uenige, skal du bede om de modstridende udsagn særskilt og de oplysninger, der kræves for at afklare dem. Ved en kodeopgave skal du medtage den tilsigtede adfærd, berørte moduler og relevant kode; bed om den foreslåede implementering og den dokumentation, der kan kendetegne det tilsigtede resultat.\n\nProducenten siger, at 1.3 beder om præcisering, når en anmodning er tvetydig, og søger brugerens hjælp, når den er blokeret. Den beskriver også bedre dømmekraft ved handlinger med væsentlige konsekvenser. Dette er forbedringer af modeladfærden frem for en erstatning for applikationens udførelseskontroller. Giv agenten de oplysninger, der kræves for at træffe beslutninger, og gør det krævede resultat eksplicit.\n\nKodning og multimodal dokumentation\n\nUdgivelsen fokuserer på længere kodeopgaver, renere output og færre unødvendige samtaleture sammenlignet med 1.2. Et kodeagentforløb kan undersøge et skærmbillede, finde den relevante kode, foreslå en rettelse og bruge udførelses- eller renderingsfeedback fra værktøjerne. Angiv den grænseflade, der fortsat skal være kompatibel, og bed om det ændrede artefakt adskilt fra dets antagelser og forklaring.\n\nDen officielle modeltabel angiver tekst-, billed-, video- og PDF-input med tekstoutput og en kontekst på 1.048.576 tokens. Billeder eller klip kan give synlig dokumentation sammen med den skriftlige opgave. Et diagramspørgsmål bør bevare akser, signaturforklaringer og enheder; et skærmbilledspørgsmål bør identificere den adfærd, der skal genskabes eller undersøges. Et PDF-spørgsmål kan bede om et kildeforbundet udtræk eller en sammenligning frem for et generelt resumé af alle sider.\n\nProducenten bemærker udtrykkeligt, at lydforståelse i 1.3 ikke er fuldt understøttet, og at svar på input, der indeholder lyd, kan blive forringet. Det adskiller sig fra 1.2s dokumenterede audiovisuelle evner. Modellens tekstresultat genererer heller ikke i sig selv et billede, en taleoptagelse eller en færdig fil uden den omgivende applikations værktøjer.\n\nRæsonnementsniveau og kontinuitet\n\nDe dokumenterede niveauer er minimal, low, medium, high, xhigh og max. Max er specifikt for Standard 1.3. Muse Spark understøtter ikke deaktivering af ræsonnement med none; udelades indstillingen, bestemmer modellen ræsonnementsniveauet. Vælg niveauet til det faktiske problem, og giv plads til både det interne ræsonnement og det krævede skriftlige resultat.\n\nRæsonnementstokens og synlige tokens deler outputbudgettet. Råt internt ræsonnement forbliver privat og returneres ikke som almindelig læselig tekst. Producenten skelner mellem synlig samtalehistorik og privat ræsonnementskontinuitet: chatgrænsefladen udstiller ikke et spor, som eksterne kaldere kan genafspille, mens den anden dokumenterede samtalearbejdsgang understøtter administreret eller krypteret fortsættelse af ræsonnement. Bevar de kilder, synlige beskeder og faktiske værktøjsresultater, en opfølgning kræver, frem for at antage, at alle grænseflader bevarer privat ræsonnement ens.\n\nVærktøjer og strukturerede slutprodukter\n\nApplikationen stiller udviklerdefinerede funktionsbeskrivelser til rådighed, modellen opretter de krævede kaldargumenter, og applikationen udfører hvert kald og returnerer det tilhørende resultat. Modellen kan anmode om flere funktioner i én samtaletur. Returnér resultatet for hver oprindelig operation, før du beder om næste konklusion, så svaret bruger faktisk hentet eller beregnet information.\n\nProducenten dokumenterer særskilt indbyggede søgeværktøjer, der kører i den tilsluttede tjeneste. Udviklerfunktioner og disse indbyggede værktøjer har forskellige udførelsesordninger. Modellen kan ræsonnere over, hvilke oplysninger den har brug for, men valget af modellen alene giver ikke adgang til et repositorium, en browser eller en privat informationskilde.\n\nStruktureret output kan begrænse resultatet til et angivet JSON-skema. Definér de felter og typer, næste trin kræver, og behandlingen af manglende kildeoplysninger. I producentens strikte skematilstand er roden et almindeligt objekt, alle egenskaber er påkrævede, og ekstra egenskaber er forbudt; rekursive skemaer afvises. Dette er begrænsninger i producentens strukturerede grænseflade og ikke bevis for, at fakta i en korrekt formet post er sande.\n\nVed et nyttigt slutresultat skal du bede om de kildeunderbyggede fund, den foreslåede ændring eller det foreslåede dokument og de uafklarede forhold særskilt. De læste kilder angiver ikke en uafhængig hård maksimal input- eller outputtokenkapacitet ud over den dokumenterede kontekst. Hold Standard 1.3-identiteten, ræsonnementsvalget og de tilknyttede udførelsesresultater eksplicitte gennem hele opgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 er Metas multimodale ræsonnementsmodel til langvarige agenter og kodeforløb. Den holder styr på kilder og tidligere resultater, understøtter en producentangivet kontekst på 1.048.576 tokens og ræsonnementsniveauer op til max i denne Standard-udgave og returnerer tekst og foreslåede værktøjshandlinger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Spark 1.3 er Metas ræsonnementsmodel til vedvarende agent- og kodearbejde. Producenten fremhæver bevarelse af kontekst og tidligere resultater gennem længere opgaver, arbejde med modstridende kilder og produktion af et færdigt slutprodukt. Denne post er Standard 1.3-udgaven, hvis dokumenterede ræsonnementsindstillinger omfatter max; den særskilt navngivne Contributor-udgave har sine egne indstillingsgrænser.
Langsigtet agentarbejde
Udgivelsen beskriver en model trænet på tværs af forskellige agentmiljøer til at indsamle information, revidere en plan, når dokumentationen ændrer sig, og bevare detaljerede krav gennem en opgave med flere trin. Den beskriver også forbedret håndtering af flere arbejdsgange i én samtale, hvor indgående anmodninger knyttes til den relevante opgave. En nyttig anmodning bør definere målet, kilderne, kravene og det artefakt, der tæller som fuldførelse.
Ved en faglig dokumentopgave skal du vedlægge kilderapporterne, identificere de fakta, der skal bevares, og bede om et struktureret oplæg med kildeplaceringer. Hvis kilderne er uenige, skal du bede om de modstridende udsagn særskilt og de oplysninger, der kræves for at afklare dem. Ved en kodeopgave skal du medtage den tilsigtede adfærd, berørte moduler og relevant kode; bed om den foreslåede implementering og den dokumentation, der kan kendetegne det tilsigtede resultat.
Producenten siger, at 1.3 beder om præcisering, når en anmodning er tvetydig, og søger brugerens hjælp, når den er blokeret. Den beskriver også bedre dømmekraft ved handlinger med væsentlige konsekvenser. Dette er forbedringer af modeladfærden frem for en erstatning for applikationens udførelseskontroller. Giv agenten de oplysninger, der kræves for at træffe beslutninger, og gør det krævede resultat eksplicit.
Kodning og multimodal dokumentation
Udgivelsen fokuserer på længere kodeopgaver, renere output og færre unødvendige samtaleture sammenlignet med 1.2. Et kodeagentforløb kan undersøge et skærmbillede, finde den relevante kode, foreslå en rettelse og bruge udførelses- eller renderingsfeedback fra værktøjerne. Angiv den grænseflade, der fortsat skal være kompatibel, og bed om det ændrede artefakt adskilt fra dets antagelser og forklaring.
Den officielle modeltabel angiver tekst-, billed-, video- og PDF-input med tekstoutput og en kontekst på 1.048.576 tokens. Billeder eller klip kan give synlig dokumentation sammen med den skriftlige opgave. Et diagramspørgsmål bør bevare akser, signaturforklaringer og enheder; et skærmbilledspørgsmål bør identificere den adfærd, der skal genskabes eller undersøges. Et PDF-spørgsmål kan bede om et kildeforbundet udtræk eller en sammenligning frem for et generelt resumé af alle sider.
Producenten bemærker udtrykkeligt, at lydforståelse i 1.3 ikke er fuldt understøttet, og at svar på input, der indeholder lyd, kan blive forringet. Det adskiller sig fra 1.2s dokumenterede audiovisuelle evner. Modellens tekstresultat genererer heller ikke i sig selv et billede, en taleoptagelse eller en færdig fil uden den omgivende applikations værktøjer.
Ræsonnementsniveau og kontinuitet
De dokumenterede niveauer er minimal, low, medium, high, xhigh og max. Max er specifikt for Standard 1.3. Muse Spark understøtter ikke deaktivering af ræsonnement med none; udelades indstillingen, bestemmer modellen ræsonnementsniveauet. Vælg niveauet til det faktiske problem, og giv plads til både det interne ræsonnement og det krævede skriftlige resultat.
Ræsonnementstokens og synlige tokens deler outputbudgettet. Råt internt ræsonnement forbliver privat og returneres ikke som almindelig læselig tekst. Producenten skelner mellem synlig samtalehistorik og privat ræsonnementskontinuitet: chatgrænsefladen udstiller ikke et spor, som eksterne kaldere kan genafspille, mens den anden dokumenterede samtalearbejdsgang understøtter administreret eller krypteret fortsættelse af ræsonnement. Bevar de kilder, synlige beskeder og faktiske værktøjsresultater, en opfølgning kræver, frem for at antage, at alle grænseflader bevarer privat ræsonnement ens.
Værktøjer og strukturerede slutprodukter
Applikationen stiller udviklerdefinerede funktionsbeskrivelser til rådighed, modellen opretter de krævede kaldargumenter, og applikationen udfører hvert kald og returnerer det tilhørende resultat. Modellen kan anmode om flere funktioner i én samtaletur. Returnér resultatet for hver oprindelig operation, før du beder om næste konklusion, så svaret bruger faktisk hentet eller beregnet information.
Producenten dokumenterer særskilt indbyggede søgeværktøjer, der kører i den tilsluttede tjeneste. Udviklerfunktioner og disse indbyggede værktøjer har forskellige udførelsesordninger. Modellen kan ræsonnere over, hvilke oplysninger den har brug for, men valget af modellen alene giver ikke adgang til et repositorium, en browser eller en privat informationskilde.
Struktureret output kan begrænse resultatet til et angivet JSON-skema. Definér de felter og typer, næste trin kræver, og behandlingen af manglende kildeoplysninger. I producentens strikte skematilstand er roden et almindeligt objekt, alle egenskaber er påkrævede, og ekstra egenskaber er forbudt; rekursive skemaer afvises. Dette er begrænsninger i producentens strukturerede grænseflade og ikke bevis for, at fakta i en korrekt formet post er sande.
Ved et nyttigt slutresultat skal du bede om de kildeunderbyggede fund, den foreslåede ændring eller det foreslåede dokument og de uafklarede forhold særskilt. De læste kilder angiver ikke en uafhængig hård maksimal input- eller outputtokenkapacitet ud over den dokumenterede kontekst. Hold Standard 1.3-identiteten, ræsonnementsvalget og de tilknyttede udførelsesresultater eksplicitte gennem hele opgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-spark-1.3 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.0085 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.0085 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${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", "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',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',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
Brug metodestierne vist ovenfor.
meta/muse-spark-1.3Muse Spark 1.3 er Metas multimodale ræsonnementsmodel til langvarige agenter og kodeforløb. Den holder styr på kilder og tidligere resultater, understøtter en producentangivet kontekst på 1.048.576 tokens og ræsonnementsniveauer op til max i denne Standard-udgave og returnerer tekst og foreslåede værktøjshandlinger.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Muse Spark 1.3 er Metas ræsonnementsmodel til vedvarende agent- og kodearbejde. Producenten fremhæver bevarelse af kontekst og tidligere resultater gennem længere opgaver, arbejde med modstridende kilder og produktion af et færdigt slutprodukt. Denne post er Standard 1.3-udgaven, hvis dokumenterede ræsonnementsindstillinger omfatter max; den særskilt navngivne Contributor-udgave har sine egne indstillingsgrænser.
Langsigtet agentarbejde
Udgivelsen beskriver en model trænet på tværs af forskellige agentmiljøer til at indsamle information, revidere en plan, når dokumentationen ændrer sig, og bevare detaljerede krav gennem en opgave med flere trin. Den beskriver også forbedret håndtering af flere arbejdsgange i én samtale, hvor indgående anmodninger knyttes til den relevante opgave. En nyttig anmodning bør definere målet, kilderne, kravene og det artefakt, der tæller som fuldførelse.
Ved en faglig dokumentopgave skal du vedlægge kilderapporterne, identificere de fakta, der skal bevares, og bede om et struktureret oplæg med kildeplaceringer. Hvis kilderne er uenige, skal du bede om de modstridende udsagn særskilt og de oplysninger, der kræves for at afklare dem. Ved en kodeopgave skal du medtage den tilsigtede adfærd, berørte moduler og relevant kode; bed om den foreslåede implementering og den dokumentation, der kan kendetegne det tilsigtede resultat.
Producenten siger, at 1.3 beder om præcisering, når en anmodning er tvetydig, og søger brugerens hjælp, når den er blokeret. Den beskriver også bedre dømmekraft ved handlinger med væsentlige konsekvenser. Dette er forbedringer af modeladfærden frem for en erstatning for applikationens udførelseskontroller. Giv agenten de oplysninger, der kræves for at træffe beslutninger, og gør det krævede resultat eksplicit.
Kodning og multimodal dokumentation
Udgivelsen fokuserer på længere kodeopgaver, renere output og færre unødvendige samtaleture sammenlignet med 1.2. Et kodeagentforløb kan undersøge et skærmbillede, finde den relevante kode, foreslå en rettelse og bruge udførelses- eller renderingsfeedback fra værktøjerne. Angiv den grænseflade, der fortsat skal være kompatibel, og bed om det ændrede artefakt adskilt fra dets antagelser og forklaring.
Den officielle modeltabel angiver tekst-, billed-, video- og PDF-input med tekstoutput og en kontekst på 1.048.576 tokens. Billeder eller klip kan give synlig dokumentation sammen med den skriftlige opgave. Et diagramspørgsmål bør bevare akser, signaturforklaringer og enheder; et skærmbilledspørgsmål bør identificere den adfærd, der skal genskabes eller undersøges. Et PDF-spørgsmål kan bede om et kildeforbundet udtræk eller en sammenligning frem for et generelt resumé af alle sider.
Producenten bemærker udtrykkeligt, at lydforståelse i 1.3 ikke er fuldt understøttet, og at svar på input, der indeholder lyd, kan blive forringet. Det adskiller sig fra 1.2s dokumenterede audiovisuelle evner. Modellens tekstresultat genererer heller ikke i sig selv et billede, en taleoptagelse eller en færdig fil uden den omgivende applikations værktøjer.
Ræsonnementsniveau og kontinuitet
De dokumenterede niveauer er minimal, low, medium, high, xhigh og max. Max er specifikt for Standard 1.3. Muse Spark understøtter ikke deaktivering af ræsonnement med none; udelades indstillingen, bestemmer modellen ræsonnementsniveauet. Vælg niveauet til det faktiske problem, og giv plads til både det interne ræsonnement og det krævede skriftlige resultat.
Ræsonnementstokens og synlige tokens deler outputbudgettet. Råt internt ræsonnement forbliver privat og returneres ikke som almindelig læselig tekst. Producenten skelner mellem synlig samtalehistorik og privat ræsonnementskontinuitet: chatgrænsefladen udstiller ikke et spor, som eksterne kaldere kan genafspille, mens den anden dokumenterede samtalearbejdsgang understøtter administreret eller krypteret fortsættelse af ræsonnement. Bevar de kilder, synlige beskeder og faktiske værktøjsresultater, en opfølgning kræver, frem for at antage, at alle grænseflader bevarer privat ræsonnement ens.
Værktøjer og strukturerede slutprodukter
Applikationen stiller udviklerdefinerede funktionsbeskrivelser til rådighed, modellen opretter de krævede kaldargumenter, og applikationen udfører hvert kald og returnerer det tilhørende resultat. Modellen kan anmode om flere funktioner i én samtaletur. Returnér resultatet for hver oprindelig operation, før du beder om næste konklusion, så svaret bruger faktisk hentet eller beregnet information.
Producenten dokumenterer særskilt indbyggede søgeværktøjer, der kører i den tilsluttede tjeneste. Udviklerfunktioner og disse indbyggede værktøjer har forskellige udførelsesordninger. Modellen kan ræsonnere over, hvilke oplysninger den har brug for, men valget af modellen alene giver ikke adgang til et repositorium, en browser eller en privat informationskilde.
Struktureret output kan begrænse resultatet til et angivet JSON-skema. Definér de felter og typer, næste trin kræver, og behandlingen af manglende kildeoplysninger. I producentens strikte skematilstand er roden et almindeligt objekt, alle egenskaber er påkrævede, og ekstra egenskaber er forbudt; rekursive skemaer afvises. Dette er begrænsninger i producentens strukturerede grænseflade og ikke bevis for, at fakta i en korrekt formet post er sande.
Ved et nyttigt slutresultat skal du bede om de kildeunderbyggede fund, den foreslåede ændring eller det foreslåede dokument og de uafklarede forhold særskilt. De læste kilder angiver ikke en uafhængig hård maksimal input- eller outputtokenkapacitet ud over den dokumenterede kontekst. Hold Standard 1.3-identiteten, ræsonnementsvalget og de tilknyttede udførelsesresultater eksplicitte gennem hele opgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser meta/muse-spark-1.3 | 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 $0.0025 / 1K tokens Output · Outputtokens $0.0085 / 1K tokens Input · Cachelæsning $0.0003 / 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 $0.0025 / 1K tokens Output · Outputtokens $0.0085 / 1K tokens Input · Cachelæsning $0.0003 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.