Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Computerbedienungsabläufe. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit werkzeugseitig bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, eigene Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Das sind Fähigkeiten, die eine Agentenumgebung nutzt, und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Die 1.1-Veröffentlichung beschreibt das Erinnern an frühere Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine nützliche Aufgabe sollte Ziel, Ausgangsmaterial und fertiges Artefakt benennen und wichtige Entscheidungen und Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen beisammenzuhalten, definiert aber nicht, welche Anforderung das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine umfangreiche Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die ungeklärte Bedingung an. Fordern Sie für einen Plan die Aktionen in einer an den vorgegebenen Einschränkungen ausgerichteten Reihenfolge an und geben Sie an, welches Ergebnis jeden Schritt abschließen würde. Bewahren Sie bei Folgeanfragen die sichtbaren Befunde und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jede frühere Tatsache.
Computerbedienung und Programmierung
Der Hersteller beschreibt Computerabläufe über wechselnde Anwendungen hinweg, bei denen das Modell in einer angebundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern, eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Bedienelement, die vorgeschlagene Operation und ihre Belege an und geben Sie den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Funktionsimplementierung und Codemigrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann fehlschlagendes Verhalten, betroffene Quellen und erwartetes Ergebnis vorgeben und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle anfordern. Codeausführung und Dateiänderungen bleiben Operationen der Anwendungswerkzeuge.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit; legen Sie für eine Änderung Ergebnis und Einschränkungen fest; fügen Sie für eine visuelle Implementierung den Screenshot und die vom Bild nicht gezeigten Interaktionen hinzu. Fordern Sie das Artefakt getrennt von seinen Annahmen und den zu seiner Prüfung benötigten Rückmeldungen an.
Multimodale Eingaben
Die Modelltabelle dokumentiert für 1.1 Text-, Bild-, Video-, Audio- und PDF-Eingaben mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, die Generierung von Code anhand visueller Vorlagen und die Nutzung von Wahrnehmungsdetails in längeren Abläufen. Eine Dokumentfrage kann quellenverknüpfte Felder oder einen Vergleich anfordern; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder vorgeschlagener Code. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine gesondert bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Ausschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Die Muse-Spark-Reasoning-Anleitung dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning findet auch ohne ausdrücklichen Aufwandswert statt; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Vertrauens- oder Erklärungsfelder offengelegt.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung stellt Operationen bereit, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort verwendet dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er ist selbst kein Beleg für deren Abschluss. Halten Sie ursprünglichen Aufruf und Ergebnis im Gespräch miteinander verbunden.
Der Hersteller dokumentiert auch strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen und Interpretation getrennt, wenn sie unterschiedlichen Zwecken dienen. Strukturierte Form belegt keine sachliche Richtigkeit; Originalquellen und tatsächliche Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Ausgabe und Grenzen der Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Programmieränderungen von 1.2, die Aktualisierungen des Langzeitverhaltens von 1.3 und die max-Einstellung von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeschrieben werden. Die Chatschnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen; bewahren Sie daher sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der angebundenen Schnittstelle.
Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine gesonderten harten maximalen Eingabe- oder Ausgabetokenkapazitäten. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege; halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
", "aboutText": "Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Computerbedienungsabläufe. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit werkzeugseitig bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.\n\nAgentenplanung und langer Kontext\n\nDie Veröffentlichung beschreibt die Anpassung an native Werkzeuge, eigene Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Das sind Fähigkeiten, die eine Agentenumgebung nutzt, und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.\n\nDie Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Die 1.1-Veröffentlichung beschreibt das Erinnern an frühere Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine nützliche Aufgabe sollte Ziel, Ausgangsmaterial und fertiges Artefakt benennen und wichtige Entscheidungen und Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen beisammenzuhalten, definiert aber nicht, welche Anforderung das Ergebnis erfüllen muss.\n\nKennzeichnen Sie für eine umfangreiche Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die ungeklärte Bedingung an. Fordern Sie für einen Plan die Aktionen in einer an den vorgegebenen Einschränkungen ausgerichteten Reihenfolge an und geben Sie an, welches Ergebnis jeden Schritt abschließen würde. Bewahren Sie bei Folgeanfragen die sichtbaren Befunde und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jede frühere Tatsache.\n\nComputerbedienung und Programmierung\n\nDer Hersteller beschreibt Computerabläufe über wechselnde Anwendungen hinweg, bei denen das Modell in einer angebundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern, eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Bedienelement, die vorgeschlagene Operation und ihre Belege an und geben Sie den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.\n\nFür Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Funktionsimplementierung und Codemigrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann fehlschlagendes Verhalten, betroffene Quellen und erwartetes Ergebnis vorgeben und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle anfordern. Codeausführung und Dateiänderungen bleiben Operationen der Anwendungswerkzeuge.\n\nGeben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit; legen Sie für eine Änderung Ergebnis und Einschränkungen fest; fügen Sie für eine visuelle Implementierung den Screenshot und die vom Bild nicht gezeigten Interaktionen hinzu. Fordern Sie das Artefakt getrennt von seinen Annahmen und den zu seiner Prüfung benötigten Rückmeldungen an.\n\nMultimodale Eingaben\n\nDie Modelltabelle dokumentiert für 1.1 Text-, Bild-, Video-, Audio- und PDF-Eingaben mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, die Generierung von Code anhand visueller Vorlagen und die Nutzung von Wahrnehmungsdetails in längeren Abläufen. Eine Dokumentfrage kann quellenverknüpfte Felder oder einen Vergleich anfordern; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.\n\nDie Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder vorgeschlagener Code. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine gesondert bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Ausschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.\n\nReasoning, Werkzeuge und strukturierte Ausgabe\n\nDie Muse-Spark-Reasoning-Anleitung dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning findet auch ohne ausdrücklichen Aufwandswert statt; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Vertrauens- oder Erklärungsfelder offengelegt.\n\nEntwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung stellt Operationen bereit, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort verwendet dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er ist selbst kein Beleg für deren Abschluss. Halten Sie ursprünglichen Aufruf und Ergebnis im Gespräch miteinander verbunden.\n\nDer Hersteller dokumentiert auch strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen und Interpretation getrennt, wenn sie unterschiedlichen Zwecken dienen. Strukturierte Form belegt keine sachliche Richtigkeit; Originalquellen und tatsächliche Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.\n\nAusgabe und Grenzen der Fortsetzung\n\nMuse Spark 1.1 bleibt eine eigene Version. Die spezifischen Programmieränderungen von 1.2, die Aktualisierungen des Langzeitverhaltens von 1.3 und die max-Einstellung von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeschrieben werden. Die Chatschnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen; bewahren Sie daher sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der angebundenen Schnittstelle.\n\nDie gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine gesonderten harten maximalen Eingabe- oder Ausgabetokenkapazitäten. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege; halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computerbedienung und Programmierung. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und bietet einen Herstellerkontext von 1.048.576 Token mit Reasoning-Stufen bis xhigh.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Computerbedienungsabläufe. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit werkzeugseitig bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, eigene Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Das sind Fähigkeiten, die eine Agentenumgebung nutzt, und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Die 1.1-Veröffentlichung beschreibt das Erinnern an frühere Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine nützliche Aufgabe sollte Ziel, Ausgangsmaterial und fertiges Artefakt benennen und wichtige Entscheidungen und Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen beisammenzuhalten, definiert aber nicht, welche Anforderung das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine umfangreiche Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die ungeklärte Bedingung an. Fordern Sie für einen Plan die Aktionen in einer an den vorgegebenen Einschränkungen ausgerichteten Reihenfolge an und geben Sie an, welches Ergebnis jeden Schritt abschließen würde. Bewahren Sie bei Folgeanfragen die sichtbaren Befunde und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jede frühere Tatsache.
Computerbedienung und Programmierung
Der Hersteller beschreibt Computerabläufe über wechselnde Anwendungen hinweg, bei denen das Modell in einer angebundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern, eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Bedienelement, die vorgeschlagene Operation und ihre Belege an und geben Sie den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Funktionsimplementierung und Codemigrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann fehlschlagendes Verhalten, betroffene Quellen und erwartetes Ergebnis vorgeben und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle anfordern. Codeausführung und Dateiänderungen bleiben Operationen der Anwendungswerkzeuge.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit; legen Sie für eine Änderung Ergebnis und Einschränkungen fest; fügen Sie für eine visuelle Implementierung den Screenshot und die vom Bild nicht gezeigten Interaktionen hinzu. Fordern Sie das Artefakt getrennt von seinen Annahmen und den zu seiner Prüfung benötigten Rückmeldungen an.
Multimodale Eingaben
Die Modelltabelle dokumentiert für 1.1 Text-, Bild-, Video-, Audio- und PDF-Eingaben mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, die Generierung von Code anhand visueller Vorlagen und die Nutzung von Wahrnehmungsdetails in längeren Abläufen. Eine Dokumentfrage kann quellenverknüpfte Felder oder einen Vergleich anfordern; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder vorgeschlagener Code. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine gesondert bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Ausschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Die Muse-Spark-Reasoning-Anleitung dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning findet auch ohne ausdrücklichen Aufwandswert statt; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Vertrauens- oder Erklärungsfelder offengelegt.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung stellt Operationen bereit, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort verwendet dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er ist selbst kein Beleg für deren Abschluss. Halten Sie ursprünglichen Aufruf und Ergebnis im Gespräch miteinander verbunden.
Der Hersteller dokumentiert auch strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen und Interpretation getrennt, wenn sie unterschiedlichen Zwecken dienen. Strukturierte Form belegt keine sachliche Richtigkeit; Originalquellen und tatsächliche Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Ausgabe und Grenzen der Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Programmieränderungen von 1.2, die Aktualisierungen des Langzeitverhaltens von 1.3 und die max-Einstellung von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeschrieben werden. Die Chatschnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen; bewahren Sie daher sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der angebundenen Schnittstelle.
Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine gesonderten harten maximalen Eingabe- oder Ausgabetokenkapazitäten. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege; halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.0085 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.0085 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-1.1", "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-1.1',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-1.1',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.1
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.1Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computerbedienung und Programmierung. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und bietet einen Herstellerkontext von 1.048.576 Token mit Reasoning-Stufen bis xhigh.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Computerbedienungsabläufe. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit werkzeugseitig bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, eigene Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Das sind Fähigkeiten, die eine Agentenumgebung nutzt, und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Die 1.1-Veröffentlichung beschreibt das Erinnern an frühere Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine nützliche Aufgabe sollte Ziel, Ausgangsmaterial und fertiges Artefakt benennen und wichtige Entscheidungen und Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen beisammenzuhalten, definiert aber nicht, welche Anforderung das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine umfangreiche Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die ungeklärte Bedingung an. Fordern Sie für einen Plan die Aktionen in einer an den vorgegebenen Einschränkungen ausgerichteten Reihenfolge an und geben Sie an, welches Ergebnis jeden Schritt abschließen würde. Bewahren Sie bei Folgeanfragen die sichtbaren Befunde und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jede frühere Tatsache.
Computerbedienung und Programmierung
Der Hersteller beschreibt Computerabläufe über wechselnde Anwendungen hinweg, bei denen das Modell in einer angebundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern, eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Bedienelement, die vorgeschlagene Operation und ihre Belege an und geben Sie den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Funktionsimplementierung und Codemigrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann fehlschlagendes Verhalten, betroffene Quellen und erwartetes Ergebnis vorgeben und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle anfordern. Codeausführung und Dateiänderungen bleiben Operationen der Anwendungswerkzeuge.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit; legen Sie für eine Änderung Ergebnis und Einschränkungen fest; fügen Sie für eine visuelle Implementierung den Screenshot und die vom Bild nicht gezeigten Interaktionen hinzu. Fordern Sie das Artefakt getrennt von seinen Annahmen und den zu seiner Prüfung benötigten Rückmeldungen an.
Multimodale Eingaben
Die Modelltabelle dokumentiert für 1.1 Text-, Bild-, Video-, Audio- und PDF-Eingaben mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, die Generierung von Code anhand visueller Vorlagen und die Nutzung von Wahrnehmungsdetails in längeren Abläufen. Eine Dokumentfrage kann quellenverknüpfte Felder oder einen Vergleich anfordern; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder vorgeschlagener Code. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine gesondert bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Ausschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Die Muse-Spark-Reasoning-Anleitung dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning findet auch ohne ausdrücklichen Aufwandswert statt; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Vertrauens- oder Erklärungsfelder offengelegt.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung stellt Operationen bereit, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort verwendet dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er ist selbst kein Beleg für deren Abschluss. Halten Sie ursprünglichen Aufruf und Ergebnis im Gespräch miteinander verbunden.
Der Hersteller dokumentiert auch strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen und Interpretation getrennt, wenn sie unterschiedlichen Zwecken dienen. Strukturierte Form belegt keine sachliche Richtigkeit; Originalquellen und tatsächliche Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Ausgabe und Grenzen der Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Programmieränderungen von 1.2, die Aktualisierungen des Langzeitverhaltens von 1.3 und die max-Einstellung von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeschrieben werden. Die Chatschnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen; bewahren Sie daher sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der angebundenen Schnittstelle.
Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine gesonderten harten maximalen Eingabe- oder Ausgabetokenkapazitäten. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege; halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.0085 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Tokens Ausgabe · Ausgabetoken $0.0085 / 1K Tokens Eingabe · Cache lesen $0.0003 / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.1', '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-1.1', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.