models

Meta: Muse Spark 1.1

Markdown · JSON

Meta: Muse Spark 1.1

Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computernutzung und Coding. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und hat einen vom Hersteller genannten Kontext von 1,048,576 Tokens mit Reasoning-Stufen bis xhigh.

Über das Modell

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 agentengestützte Arbeit, Coding und Abläufe zur Computernutzung. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit werkzeuggestützten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum stellt die tatsächliche Ausführung und gerenderte Ergebnisse bereit.

Agentenplanung und langer Kontext

Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, benutzerdefinierte Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan entwickeln und definierte Arbeit delegieren; in einer delegierten Rolle folgt es dem zugewiesenen Auftrag und kann ein Hindernis eskalieren. Das sind Fähigkeiten, die von einer Agentenumgebung genutzt werden, und keine Sammlung von Unteragenten, die automatisch durch eine einzige Textantwort entsteht.

Die Modelltabelle des Herstellers nennt einen Kontext von 1,048,576 Tokens. Seine 1.1-Veröffentlichung beschreibt das Erinnern früherer Arbeit und das Verdichten der für spätere Schritte nötigen Informationen. Eine nützliche Aufgabe sollte Ziel, Quellmaterial und Endergebnis benennen und wichtige Entscheidungen sowie Werkzeugergebnisse ausdrücklich bewahren. Ein grosser Kontext hilft, zusammengehörige Informationen beisammenzuhalten, definiert aber nicht, welche Anforderung das Ergebnis erfüllen muss.

Kennzeichne bei einer langen Projektfrage die Quelldokumente und verlange die relevante Anforderung, ihre Position und die ungeklärte Bedingung. Verlange für einen Plan Aktionen in einer Reihenfolge, die an die vorgegebenen Einschränkungen gebunden ist, und lege fest, welches Ergebnis jeden Schritt abschliessen würde. Bewahre bei Folgefragen die sichtbaren Erkenntnisse und Ergebnisse, statt anzunehmen, dass ein nicht näher bestimmtes Gedächtnis jede frühere Tatsache enthält.

Computernutzung und Coding

Der Hersteller beschreibt Computerabläufe über wechselnde Anwendungen hinweg, wobei das Modell in einer angebundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern und eine Textanweisung das Nutzerziel definieren. Verlange das relevante Bedienelement, die vorgeschlagene Operation und die stützenden Belege und gib danach den tatsächlichen neuen Zustand zurück, wenn die Umgebung diese Operation ausführt.

Für Coding beschreibt die Veröffentlichung Fehlerdiagnose, Funktionsimplementierung und Codemigrationen. Die Debugging-Demonstration kombiniert Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann das fehlerhafte Verhalten, den betroffenen Quellcode und das erwartete Ergebnis vorgeben und danach die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle verlangen. Codeausführung und Dateiänderungen bleiben Operationen, die die Anwendungswerkzeuge bereitstellen.

Gib dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Liefere für eine Erklärung eine nachzuverfolgende Eingabe; lege für eine Änderung Ergebnis und Einschränkungen fest; füge für eine visuelle Implementierung den Screenshot und die im Bild nicht gezeigten Interaktionen hinzu. Verlange das Ergebnis getrennt von seinen Annahmen und der zu seiner Prüfung nötigen Rückmeldung.

Multimodale Eingaben

Die Modelltabelle dokumentiert Text-, Bild-, Video-, Audio- und PDF-Eingaben für 1.1 mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftung, Generierung von Code aus visuellen Vorlagen und die Nutzung von Wahrnehmungsdetails über einen längeren Ablauf hinweg. Eine Dokumentfrage kann quellenbezogene Felder oder einen Vergleich verlangen; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.

Die Ausgabe des Modells bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder vorgeschlagener Code. Ein generiertes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine separat bereitgestellte Komponente. Bewahre Quellenbezeichner, Labels, Einheiten und relevante Segmente, damit sich das Textergebnis mit dem Originalmaterial vergleichen lässt.

Reasoning, Werkzeuge und strukturierte Ausgaben

Der Muse-Spark-Reasoning-Leitfaden 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, und das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Konfidenz- 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 nutzt dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er belegt für sich genommen nicht, dass die Operation abgeschlossen wurde. Halte ursprünglichen Aufruf und Ergebnis im Gesprächsverlauf miteinander verknüpft.

Der Hersteller dokumentiert auch strukturierten Text, der durch ein vorgegebenes JSON-Schema eingeschränkt wird. Definiere die von der Anwendung benötigten Felder und ihre Typen und halte Quelleninformationen von Interpretationen getrennt, wenn sie unterschiedlichen Zwecken dienen. Eine strukturierte Form belegt keine sachliche Korrektheit; Originalquellen und tatsächliche Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.

Grenzen der Ausgabe und der Fortsetzung

Muse Spark 1.1 bleibt seine eigene Version. Die spezifischen Coding-Änderungen von 1.2, die Aktualisierungen des Langzeitverhaltens von 1.3 und die max-Einstellung von Standard 1.3 sollten ihm nicht allein wegen der gemeinsamen Familie zugeschrieben werden. Die Chatschnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zur erneuten Einspeisung zurück; bewahre deshalb den sichtbaren Verlauf und nutze die Fortsetzungsmechanismen der angebundenen Schnittstelle.

Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine separaten harten maximalen Eingabe- oder Ausgabetokenkapazitäten. Definiere das erforderliche Textergebnis und bewahre die Belege, die für jede Aktion oder Schlussfolgerung nötig sind. Halte dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.

Praktische Aufgabe

Praktische Aufgabe

Technisches Beispiel auf Englisch

Plan an approval workflow

Plan 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.

Erwartetes Ergebnis

A numbered workflow with approval evidence, rejection path and unresolved permission questions.

Ergebnis prüfen

Verify every publication path requires a recorded approval ID and rejection cannot skip review.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta/muse-spark-1.1

meta/muse-spark-1.1

Meta /meta/muse-spark-1.1

Einstieg

Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computernutzung und Coding. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und hat einen vom Hersteller genannten Kontext von 1,048,576 Tokens mit Reasoning-Stufen bis xhigh.

Zulässige Eingaben
Text
Ergebnisse
Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Eingabe
text
Ausgabe
text
Ausgabeformat
json oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
meta/muse-spark-1.1
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und Limits
Mindestanzahl Elemente: 1
Standard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte 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[].contentTypstring|content_part[]|nullAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_callsTyptool_call[]AnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_call_idTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden
Standard—
Feldmessages[].nameTypstringAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].reasoning_contentTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet
Standard—
Feldmessages[].reasoning_detailsTypobject|arrayAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldmax_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
Feldmax_completion_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldstream_options.include_usageTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtemperatureTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtop_pTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldstopTypstring|string[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtoolsTypfunction_tool[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtools[].typeTypstringAnforderungOptionalWerte und Limits
function
Modellabhängig
Standard—
Feldtools[].function.nameTypstringAnforderungErforderlichWerte und Limits
Gilt, wenn: Funktionswerkzeug bereitgestellt
Standard—
Feldtools[].function.descriptionTypstringAnforderungOptionalWerte und LimitsStandard—
Feldtools[].function.parametersTypJSON_schemaAnforderungOptionalWerte und LimitsStandard—
Feldtool_choiceTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldparallel_tool_callsTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldresponse_formatTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldreasoning_effortTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldreasoningTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldservice_tierTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldinstructionsTypstringAnforderungOptionalWerte und Limits
Kompatibilitätsfeld
Standard—
FeldfunctionsTypfunction[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldfunction_callTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldprompt_cache_optionsTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldmodalitiesTypstring[]AnforderungOptionalWerte und Limits
text
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt
Standard—
Feldcache_control.ttlTypstringAnforderungOptionalWerte und Limits
Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt
Standard—
Kombinationen von Eingabematerialien

Text · UTF8-Text

messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages
Parametermaterial_typesVertragtext
ParametermessagesVertragNachrichtenarray mit role/content-Struktur
Parameterfile_materialVertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet
Parameteroptional_controlsVertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeVertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen
Parameteroutput_modalitiesVertragtext
Parameterhosted_operationsVertragfalse
Parametermultimodal_input_bindingVertragnull

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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Denkaufwand · hoch
Standardtarif Wenn der Denkaufwand hoch ist
Denkaufwand · niedrig
Standardtarif Wenn der Denkaufwand niedrig ist
Denkaufwand · mittel
Standardtarif Wenn der Denkaufwand mittel ist
Denkaufwand · minimal
Standardtarif Wenn der Denkaufwand minimal ist
Denkaufwand · xhigh
Standardtarif Wenn der Denkaufwand xhigh ist

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschliesslichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschliesslichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0025 / 1K Tokens
Ausgabe · Ausgabetoken $0.0085 / 1K Tokens
Eingabe · Cache lesen $0.0003 / 1K Tokens
Eingabe · Cache schreiben — / 1K Tokens
Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschliesslichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0025 / 1K Tokens
Ausgabe · Ausgabetoken $0.0085 / 1K Tokens
Eingabe · Cache lesen $0.0003 / 1K Tokens
Eingabe · Cache schreiben — / 1K Tokens
Eingabe · 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 →

Beispielanfragen

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-Stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Ergebnisse abrufen und speichern

Ailoot Ultra · OpenAI Chat

json oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
Feldchoices[].indexTypinteger
Feldchoices[].message.contentTypstring|null
Feldchoices[].message.tool_callsTyptool_call[]
Feldchoices[].message.reasoning_contentTypstring
Feldchoices[].message.reasoning_detailsTypobject|array
Feldchoices[].finish_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra meta/muse-spark-1.1

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

meta/muse-spark-1.1

Ailoot Ultra · Anthropic Messages POST /v1/messages meta/muse-spark-1.1

meta/muse-spark-1.1

Meta /meta/muse-spark-1.1

Einstieg

Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computernutzung und Coding. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und hat einen vom Hersteller genannten Kontext von 1,048,576 Tokens mit Reasoning-Stufen bis xhigh.

Zulässige Eingaben
Text
Ergebnisse
json · sse

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Anthropic Messages POST /v1/messages
Eingabe
text
Ausgabe
json, sse
Ausgabeformat
JSON oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
meta/muse-spark-1.1
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und LimitsStandard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
user, assistant
Standard—
Feldmessages[].contentTypstringAnforderungErforderlichWerte und LimitsStandard—
Feldmax_tokensTypintegerAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF-8-Text

Zeichenfolge messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages, max_tokens
Parameteroptional_controlsVertragstream
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen.

Lebenszyklus: synchronous_or_streamed

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Denkaufwand · hoch
Standardtarif Wenn der Denkaufwand hoch ist
Denkaufwand · niedrig
Standardtarif Wenn der Denkaufwand niedrig ist
Denkaufwand · mittel
Standardtarif Wenn der Denkaufwand mittel ist
Denkaufwand · minimal
Standardtarif Wenn der Denkaufwand minimal ist
Denkaufwand · xhigh
Standardtarif Wenn der Denkaufwand xhigh ist

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschliesslichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschliesslichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0025 / 1K Tokens
Ausgabe · Ausgabetoken $0.0085 / 1K Tokens
Eingabe · Cache lesen $0.0003 / 1K Tokens
Eingabe · Cache schreiben — / 1K Tokens
Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens
KonfigurationAnfragelängenstufe 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschliesslichKeine ObergrenzeGebühr
Eingabe · Eingabetoken $0.0025 / 1K Tokens
Ausgabe · Ausgabetoken $0.0085 / 1K Tokens
Eingabe · Cache lesen $0.0003 / 1K Tokens
Eingabe · Cache schreiben — / 1K Tokens
Eingabe · 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 →

Beispielanfragen

Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "meta/muse-spark-1.1",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ergebnisse abrufen und speichern

Ailoot Ultra · Anthropic Messages

JSON oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
FeldidTypstring
FeldmodelTypstring
Feldcontent[]Typtext|thinking|tool_use|other content block
Feldstop_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra meta/muse-spark-1.1

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

meta/muse-spark-1.1

FAQ · Meta: Muse Spark 1.1
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/chat/completions · meta/muse-spark-1.1: text → text

POST /v1/messages · meta/muse-spark-1.1: text → json, sse

Welche Felder verwendet die Anfrage?

POST /v1/chat/completions · meta/muse-spark-1.1: model, messages, stream, modalities, provider

POST /v1/messages · meta/muse-spark-1.1: model, messages, max_tokens, stream

Welche Grenzen gelten?

POST /v1/chat/completions · meta/muse-spark-1.1: messages.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag