Muse Spark 1.2 ist ein Coding-orientiertes Update von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Ergebnissen wie Webseiten und Spielen, während seine Modelltabelle einen Kontext von 1,048,576 Tokens und Textausgabe nennt. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelles Coding
Die Veröffentlichung beschreibt das Übertragen visuellen Layouts, von Hierarchie und Stil in funktionierenden Code und die anschliessende Prüfung des Ergebnisses durch Werkzeuge. Liefere für eine nützliche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten. Ein Screenshot kann das Aussehen zeigen, Interaktionen aber offenlassen; benenne daher die Bedienelemente, Zustände und die erwartete Reaktion auf Nutzeraktionen, die das Ergebnis enthalten soll.
Verlange die sichtbare Struktur, die vorgeschlagene Implementierung und die Annahmen separat. Eine Aufgabe zur Seitenrekonstruktion kann zum Beispiel die in der Referenz gezeigten benannten Abschnitte und visuellen Beziehungen verlangen und danach den Code für eine definierte Interaktion anfordern. Das Rendern und Erproben dieses Codes braucht die angebundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt neben Codegenerierung auch Diagrammverständnis und visuelles Reasoning. Bewahre Achsen, Einheiten und Labels in einem Diagramm und verlange die Beobachtung, die jede Schlussfolgerung stützt. Benenne bei einem Schaubild den zu erklärenden Zusammenhang und die zu bewahrenden Quellenlabels. Unterscheide bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Abläufe
Die 1.2-Ankündigung behandelt auch eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Das sind separate experimentelle Komponenten: Ein übergeordnetes Modell beurteilt die Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy Aktionen auf niedriger Ebene ausführt. Das Standardmodell mit Textausgabe sollte nicht als Robotikaktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder der gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benenne das relevante Segment und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Ablauf kann eine Demonstration mit ihrem schriftlichen Verfahren vergleichen, sichtbare Übereinstimmungen und Unterschiede verlangen und danach ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Generierter Fliesstext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Spracherzeugung gehört zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark führt internes Reasoning aus, bevor es sichtbaren Text erzeugt. Die für 1.2 geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist kein unterstützter Weg zum Deaktivieren von Reasoning. Wenn kein Aufwand angegeben wird, verwendet das Modell eine selbst bestimmte Stufe.
Der Kontext von 1,048,576 Tokens kann zusammengehöriges Quellmaterial und Gespräche bewahren; Ziel und Endergebnis müssen dennoch definiert werden. Benenne für eine lange Dokumentaufgabe die Frage, kennzeichne jede Quelle und bewahre ihre Position neben extrahierten Informationen. Reasoning und sichtbare Antworttokens teilen sich das Ausgabebudget, also reserviere genügend Platz für die Erklärung oder den Code, den die Aufgabe tatsächlich braucht.
Rohes internes Reasoning wird nicht als gewöhnlicher Text offengelegt. Auch die Chatschnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg mit; bewahre die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die eine Folgefrage benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell bietet diese Funktion also nicht als Konfidenzmass für seine Schlussfolgerungen an.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt die vorgeschlagenen Aufrufe und Argumente, und die Anwendung führt sie aus und gibt zu jedem Aufruf das Ergebnis zurück. Das Modell kann danach die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und generierter Ergebnisse hängt davon ab, dass diese Werkzeuge zur Umgebung gehören.
Strukturierte Ausgaben können den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz für visuelle Extraktion kann Quellbild, Gegenstand oder Label, beobachteten Wert und Interpretation enthalten. Eine Codeprüfung kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung nennen. Der strikte Modus des Herstellers verlangt als Wurzel ein einfaches Objekt, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden zurückgewiesen.
Definiere die Korrektheit des Ergebnisses praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion funktionieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen über den Modellkontext hinaus keine unabhängigen maximalen Eingabe- oder Ausgabetokenkapazitäten. Bewahre die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textergebnis und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung verwendet wird.
", "aboutText": "Muse Spark 1.2 ist ein Coding-orientiertes Update von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Ergebnissen wie Webseiten und Spielen, während seine Modelltabelle einen Kontext von 1,048,576 Tokens und Textausgabe nennt. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.\n\nVisuelles Coding\n\nDie Veröffentlichung beschreibt das Übertragen visuellen Layouts, von Hierarchie und Stil in funktionierenden Code und die anschliessende Prüfung des Ergebnisses durch Werkzeuge. Liefere für eine nützliche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten. Ein Screenshot kann das Aussehen zeigen, Interaktionen aber offenlassen; benenne daher die Bedienelemente, Zustände und die erwartete Reaktion auf Nutzeraktionen, die das Ergebnis enthalten soll.\n\nVerlange die sichtbare Struktur, die vorgeschlagene Implementierung und die Annahmen separat. Eine Aufgabe zur Seitenrekonstruktion kann zum Beispiel die in der Referenz gezeigten benannten Abschnitte und visuellen Beziehungen verlangen und danach den Code für eine definierte Interaktion anfordern. Das Rendern und Erproben dieses Codes braucht die angebundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.\n\nDer Hersteller nennt neben Codegenerierung auch Diagrammverständnis und visuelles Reasoning. Bewahre Achsen, Einheiten und Labels in einem Diagramm und verlange die Beobachtung, die jede Schlussfolgerung stützt. Benenne bei einem Schaubild den zu erklärenden Zusammenhang und die zu bewahrenden Quellenlabels. Unterscheide bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.\n\nRäumliche und audiovisuelle Abläufe\n\nDie 1.2-Ankündigung behandelt auch eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Das sind separate experimentelle Komponenten: Ein übergeordnetes Modell beurteilt die Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy Aktionen auf niedriger Ebene ausführt. Das Standardmodell mit Textausgabe sollte nicht als Robotikaktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.\n\nFür die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder der gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benenne das relevante Segment und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.\n\nDie Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Ablauf kann eine Demonstration mit ihrem schriftlichen Verfahren vergleichen, sichtbare Übereinstimmungen und Unterschiede verlangen und danach ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Generierter Fliesstext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Spracherzeugung gehört zu separat benannten Komponenten.\n\nReasoning-Einstellungen und Kontext\n\nMuse Spark führt internes Reasoning aus, bevor es sichtbaren Text erzeugt. Die für 1.2 geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist kein unterstützter Weg zum Deaktivieren von Reasoning. Wenn kein Aufwand angegeben wird, verwendet das Modell eine selbst bestimmte Stufe.\n\nDer Kontext von 1,048,576 Tokens kann zusammengehöriges Quellmaterial und Gespräche bewahren; Ziel und Endergebnis müssen dennoch definiert werden. Benenne für eine lange Dokumentaufgabe die Frage, kennzeichne jede Quelle und bewahre ihre Position neben extrahierten Informationen. Reasoning und sichtbare Antworttokens teilen sich das Ausgabebudget, also reserviere genügend Platz für die Erklärung oder den Code, den die Aufgabe tatsächlich braucht.\n\nRohes internes Reasoning wird nicht als gewöhnlicher Text offengelegt. Auch die Chatschnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg mit; bewahre die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die eine Folgefrage benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell bietet diese Funktion also nicht als Konfidenzmass für seine Schlussfolgerungen an.\n\nWerkzeuge und strukturierte Ergebnisse\n\nDie Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt die vorgeschlagenen Aufrufe und Argumente, und die Anwendung führt sie aus und gibt zu jedem Aufruf das Ergebnis zurück. Das Modell kann danach die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und generierter Ergebnisse hängt davon ab, dass diese Werkzeuge zur Umgebung gehören.\n\nStrukturierte Ausgaben können den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz für visuelle Extraktion kann Quellbild, Gegenstand oder Label, beobachteten Wert und Interpretation enthalten. Eine Codeprüfung kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung nennen. Der strikte Modus des Herstellers verlangt als Wurzel ein einfaches Objekt, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden zurückgewiesen.\n\nDefiniere die Korrektheit des Ergebnisses praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion funktionieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen über den Modellkontext hinaus keine unabhängigen maximalen Eingabe- oder Ausgabetokenkapazitäten. Bewahre die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textergebnis und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung verwendet wird.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.meta/muse-spark-1.2Muse Spark 1.2 ist Metas multimodales Reasoning-Modell mit Schwerpunkt auf visuellem Coding, Diagrammen und audiovisuellem Verständnis. Es kann bereitgestellte Bilder oder Videos über angebundene Werkzeuge in vorgeschlagenen Web- und Spielcode umsetzen, mit Textausgabe und einem vom Hersteller genannten Kontext von 1,048,576 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.2 ist ein Coding-orientiertes Update von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Ergebnissen wie Webseiten und Spielen, während seine Modelltabelle einen Kontext von 1,048,576 Tokens und Textausgabe nennt. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelles Coding
Die Veröffentlichung beschreibt das Übertragen visuellen Layouts, von Hierarchie und Stil in funktionierenden Code und die anschliessende Prüfung des Ergebnisses durch Werkzeuge. Liefere für eine nützliche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten. Ein Screenshot kann das Aussehen zeigen, Interaktionen aber offenlassen; benenne daher die Bedienelemente, Zustände und die erwartete Reaktion auf Nutzeraktionen, die das Ergebnis enthalten soll.
Verlange die sichtbare Struktur, die vorgeschlagene Implementierung und die Annahmen separat. Eine Aufgabe zur Seitenrekonstruktion kann zum Beispiel die in der Referenz gezeigten benannten Abschnitte und visuellen Beziehungen verlangen und danach den Code für eine definierte Interaktion anfordern. Das Rendern und Erproben dieses Codes braucht die angebundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt neben Codegenerierung auch Diagrammverständnis und visuelles Reasoning. Bewahre Achsen, Einheiten und Labels in einem Diagramm und verlange die Beobachtung, die jede Schlussfolgerung stützt. Benenne bei einem Schaubild den zu erklärenden Zusammenhang und die zu bewahrenden Quellenlabels. Unterscheide bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Abläufe
Die 1.2-Ankündigung behandelt auch eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Das sind separate experimentelle Komponenten: Ein übergeordnetes Modell beurteilt die Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy Aktionen auf niedriger Ebene ausführt. Das Standardmodell mit Textausgabe sollte nicht als Robotikaktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder der gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benenne das relevante Segment und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Ablauf kann eine Demonstration mit ihrem schriftlichen Verfahren vergleichen, sichtbare Übereinstimmungen und Unterschiede verlangen und danach ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Generierter Fliesstext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Spracherzeugung gehört zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark führt internes Reasoning aus, bevor es sichtbaren Text erzeugt. Die für 1.2 geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist kein unterstützter Weg zum Deaktivieren von Reasoning. Wenn kein Aufwand angegeben wird, verwendet das Modell eine selbst bestimmte Stufe.
Der Kontext von 1,048,576 Tokens kann zusammengehöriges Quellmaterial und Gespräche bewahren; Ziel und Endergebnis müssen dennoch definiert werden. Benenne für eine lange Dokumentaufgabe die Frage, kennzeichne jede Quelle und bewahre ihre Position neben extrahierten Informationen. Reasoning und sichtbare Antworttokens teilen sich das Ausgabebudget, also reserviere genügend Platz für die Erklärung oder den Code, den die Aufgabe tatsächlich braucht.
Rohes internes Reasoning wird nicht als gewöhnlicher Text offengelegt. Auch die Chatschnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg mit; bewahre die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die eine Folgefrage benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell bietet diese Funktion also nicht als Konfidenzmass für seine Schlussfolgerungen an.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt die vorgeschlagenen Aufrufe und Argumente, und die Anwendung führt sie aus und gibt zu jedem Aufruf das Ergebnis zurück. Das Modell kann danach die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und generierter Ergebnisse hängt davon ab, dass diese Werkzeuge zur Umgebung gehören.
Strukturierte Ausgaben können den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz für visuelle Extraktion kann Quellbild, Gegenstand oder Label, beobachteten Wert und Interpretation enthalten. Eine Codeprüfung kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung nennen. Der strikte Modus des Herstellers verlangt als Wurzel ein einfaches Objekt, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden zurückgewiesen.
Definiere die Korrektheit des Ergebnisses praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion funktionieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen über den Modellkontext hinaus keine unabhängigen maximalen Eingabe- oder Ausgabetokenkapazitäten. Bewahre die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textergebnis und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung verwendet wird.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.2 | 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-1.2", "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-1.2',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-1.2',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-1.2
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.2Muse Spark 1.2 ist Metas multimodales Reasoning-Modell mit Schwerpunkt auf visuellem Coding, Diagrammen und audiovisuellem Verständnis. Es kann bereitgestellte Bilder oder Videos über angebundene Werkzeuge in vorgeschlagenen Web- und Spielcode umsetzen, mit Textausgabe und einem vom Hersteller genannten Kontext von 1,048,576 Tokens.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.2 ist ein Coding-orientiertes Update von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Ergebnissen wie Webseiten und Spielen, während seine Modelltabelle einen Kontext von 1,048,576 Tokens und Textausgabe nennt. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelles Coding
Die Veröffentlichung beschreibt das Übertragen visuellen Layouts, von Hierarchie und Stil in funktionierenden Code und die anschliessende Prüfung des Ergebnisses durch Werkzeuge. Liefere für eine nützliche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten. Ein Screenshot kann das Aussehen zeigen, Interaktionen aber offenlassen; benenne daher die Bedienelemente, Zustände und die erwartete Reaktion auf Nutzeraktionen, die das Ergebnis enthalten soll.
Verlange die sichtbare Struktur, die vorgeschlagene Implementierung und die Annahmen separat. Eine Aufgabe zur Seitenrekonstruktion kann zum Beispiel die in der Referenz gezeigten benannten Abschnitte und visuellen Beziehungen verlangen und danach den Code für eine definierte Interaktion anfordern. Das Rendern und Erproben dieses Codes braucht die angebundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt neben Codegenerierung auch Diagrammverständnis und visuelles Reasoning. Bewahre Achsen, Einheiten und Labels in einem Diagramm und verlange die Beobachtung, die jede Schlussfolgerung stützt. Benenne bei einem Schaubild den zu erklärenden Zusammenhang und die zu bewahrenden Quellenlabels. Unterscheide bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Abläufe
Die 1.2-Ankündigung behandelt auch eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Das sind separate experimentelle Komponenten: Ein übergeordnetes Modell beurteilt die Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy Aktionen auf niedriger Ebene ausführt. Das Standardmodell mit Textausgabe sollte nicht als Robotikaktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder der gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benenne das relevante Segment und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Ablauf kann eine Demonstration mit ihrem schriftlichen Verfahren vergleichen, sichtbare Übereinstimmungen und Unterschiede verlangen und danach ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Generierter Fliesstext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Spracherzeugung gehört zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark führt internes Reasoning aus, bevor es sichtbaren Text erzeugt. Die für 1.2 geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist kein unterstützter Weg zum Deaktivieren von Reasoning. Wenn kein Aufwand angegeben wird, verwendet das Modell eine selbst bestimmte Stufe.
Der Kontext von 1,048,576 Tokens kann zusammengehöriges Quellmaterial und Gespräche bewahren; Ziel und Endergebnis müssen dennoch definiert werden. Benenne für eine lange Dokumentaufgabe die Frage, kennzeichne jede Quelle und bewahre ihre Position neben extrahierten Informationen. Reasoning und sichtbare Antworttokens teilen sich das Ausgabebudget, also reserviere genügend Platz für die Erklärung oder den Code, den die Aufgabe tatsächlich braucht.
Rohes internes Reasoning wird nicht als gewöhnlicher Text offengelegt. Auch die Chatschnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg mit; bewahre die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die eine Folgefrage benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell bietet diese Funktion also nicht als Konfidenzmass für seine Schlussfolgerungen an.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt die vorgeschlagenen Aufrufe und Argumente, und die Anwendung führt sie aus und gibt zu jedem Aufruf das Ergebnis zurück. Das Modell kann danach die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und generierter Ergebnisse hängt davon ab, dass diese Werkzeuge zur Umgebung gehören.
Strukturierte Ausgaben können den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz für visuelle Extraktion kann Quellbild, Gegenstand oder Label, beobachteten Wert und Interpretation enthalten. Eine Codeprüfung kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung nennen. Der strikte Modus des Herstellers verlangt als Wurzel ein einfaches Objekt, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden zurückgewiesen.
Definiere die Korrektheit des Ergebnisses praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion funktionieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen über den Modellkontext hinaus keine unabhängigen maximalen Eingabe- oder Ausgabetokenkapazitäten. Bewahre die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textergebnis und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung verwendet wird.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.2 | 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 $0.0003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.2', '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-1.2', '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-1.2
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.