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.
", "aboutText": "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.\n\nAgentenplanung und langer Kontext\n\nDie 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.\n\nDie 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.\n\nKennzeichne 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.\n\nComputernutzung und Coding\n\nDer 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.\n\nFür 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.\n\nGib 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.\n\nMultimodale Eingaben\n\nDie 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.\n\nDie 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.\n\nReasoning, Werkzeuge und strukturierte Ausgaben\n\nDer 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.\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 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.\n\nDer 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.\n\nGrenzen der Ausgabe und der Fortsetzung\n\nMuse 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.\n\nDie 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.", "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, 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.
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.
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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.0003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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, 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.
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.
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 · Cache schreiben — / 1K Tokens Eingabe · 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 $0.0003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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.