Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototypen und Experimente. Die Familie ist für agentengestützte Arbeit und Coding ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahre bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Eintrag Standard 1.3 zu behandeln und jede Einstellung unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1,048,576 Tokens. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder vorgeschlagenen Code verlangen. Das Textergebnis des Modells kann zu einem Artefakt in der umgebenden Anwendung werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benenne jede Quelle und ihre Rolle, bevor du ein Ergebnis verlangst. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem bestehenden Codefragment kombinieren. Verlange die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Textstelle neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und zu schlechteren Antworten führen kann. Behandle dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt vor seiner sichtbaren Antwort internes Reasoning. Die hier geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und ist für Contributor-Modelle nicht verfügbar. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; auch ohne diese Einstellung führt das Modell Reasoning auf einer selbst bestimmten Stufe aus.
Das Ausgabetokenbudget umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis braucht daher Platz für beides, besonders bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmass unterstützt. Verlange die Erklärung, Felder oder den endgültigen Code, den die Aufgabe braucht, statt anzunehmen, dass die zugrunde liegende Reasoning-Spur als lesbarer Text zurückgegeben wird.
Definiere für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Lege für ein mehrstufiges Coding- oder visuelles Problem die Zwischenentscheidungen und das Endergebnis fest. Höherer Reasoning-Aufwand verändert die Zuteilung für das Reasoning; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet, welche Operation nötig ist, und bereitet ihre Argumente vor; die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt nutzen. Ein vorgeschlagener Aufruf unterscheidet sich von einer abgeschlossenen Operation.
Dieselbe Dokumentation unterscheidet angebundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stelle in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreibe ihre Rückgaben, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Lege für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann den Quellenbezeichner, die beobachtete Tatsache, die Interpretation und eine noch zu klärende Frage enthalten. Halte den Datensatz von optionalem Fliesstext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schemaschnittstelle des Herstellers weist rekursive Schemata zurück und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus verlangt als Wurzel ein einfaches Objekt, jede aufgeführte Eigenschaft als Pflichtfeld und den Ausschluss zusätzlicher Eigenschaften. Eine passende Struktur belegt keine sachliche Korrektheit.
Eine nützliche Prototypenaufgabe
Wähle einen Ablauf, der ein überprüfbares Ergebnis liefern kann. Gib die Anforderung, ein visuelles Beispiel und den Code vor, der das aktuelle Verhalten bestimmt. Verlange einen kurzen Vergleich, ein vorgeschlagenes überarbeitetes Fragment und Beispiele, die das erwartete Verhalten vom aktuellen unterscheiden. Füge jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis hinzu, bevor du die abschliessende Erklärung verlangst.
Gib für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage vor und verlange anschliessend eine quellenbezogene Zusammenfassung oder Vergleichstabelle. Benenne bei Video das zu prüfende Ereignis oder visuelle Verhältnis und verlange eine geordnete Beschreibung mit den stützenden Beobachtungen. Definiere Länge und Abschnitte der abschliessenden Antwort, damit der grosse Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und der Fortsetzung
Contributor bleibt seine eigene benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den Eingabearten. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf von der Bewahrung privaten Reasonings über Gesprächsrunden hinweg: Die Chatschnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahre die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die für eine Folgefrage nötig sind, statt anzunehmen, dass jede Schnittstelle internes Reasoning weiterführt.
Die gelesenen Quellen nennen über das Kontextfenster hinaus keine separate harte maximale Eingabe- oder Ausgabetokenkapazität. Bewahre die Ausgabe, die Eingabevorbereitung und das verlangte Ergebnis und halte Werkzeugausführung und abschliessende Textlieferung mit den tatsächlich im Prototypenablauf erzielten Ergebnissen verbunden.
", "aboutText": "Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototypen und Experimente. Die Familie ist für agentengestützte Arbeit und Coding ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahre bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Eintrag Standard 1.3 zu behandeln und jede Einstellung unverändert zu übernehmen.\n\nEingaben und Kontext\n\nDie offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1,048,576 Tokens. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder vorgeschlagenen Code verlangen. Das Textergebnis des Modells kann zu einem Artefakt in der umgebenden Anwendung werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.\n\nBenenne jede Quelle und ihre Rolle, bevor du ein Ergebnis verlangst. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem bestehenden Codefragment kombinieren. Verlange die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Textstelle neben jeder Erkenntnis verlangen.\n\nDer Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und zu schlechteren Antworten führen kann. Behandle dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.\n\nReasoning-Stufen und Antwortbudget\n\nMuse Spark erzeugt vor seiner sichtbaren Antwort internes Reasoning. Die hier geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und ist für Contributor-Modelle nicht verfügbar. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; auch ohne diese Einstellung führt das Modell Reasoning auf einer selbst bestimmten Stufe aus.\n\nDas Ausgabetokenbudget umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis braucht daher Platz für beides, besonders bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmass unterstützt. Verlange die Erklärung, Felder oder den endgültigen Code, den die Aufgabe braucht, statt anzunehmen, dass die zugrunde liegende Reasoning-Spur als lesbarer Text zurückgegeben wird.\n\nDefiniere für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Lege für ein mehrstufiges Coding- oder visuelles Problem die Zwischenentscheidungen und das Endergebnis fest. Höherer Reasoning-Aufwand verändert die Zuteilung für das Reasoning; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.\n\nWerkzeuge und strukturierte Erkenntnisse\n\nDie Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet, welche Operation nötig ist, und bereitet ihre Argumente vor; die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt nutzen. Ein vorgeschlagener Aufruf unterscheidet sich von einer abgeschlossenen Operation.\n\nDieselbe Dokumentation unterscheidet angebundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stelle in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreibe ihre Rückgaben, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.\n\nLege für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann den Quellenbezeichner, die beobachtete Tatsache, die Interpretation und eine noch zu klärende Frage enthalten. Halte den Datensatz von optionalem Fliesstext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schemaschnittstelle des Herstellers weist rekursive Schemata zurück und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus verlangt als Wurzel ein einfaches Objekt, jede aufgeführte Eigenschaft als Pflichtfeld und den Ausschluss zusätzlicher Eigenschaften. Eine passende Struktur belegt keine sachliche Korrektheit.\n\nEine nützliche Prototypenaufgabe\n\nWähle einen Ablauf, der ein überprüfbares Ergebnis liefern kann. Gib die Anforderung, ein visuelles Beispiel und den Code vor, der das aktuelle Verhalten bestimmt. Verlange einen kurzen Vergleich, ein vorgeschlagenes überarbeitetes Fragment und Beispiele, die das erwartete Verhalten vom aktuellen unterscheiden. Füge jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis hinzu, bevor du die abschliessende Erklärung verlangst.\n\nGib für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage vor und verlange anschliessend eine quellenbezogene Zusammenfassung oder Vergleichstabelle. Benenne bei Video das zu prüfende Ereignis oder visuelle Verhältnis und verlange eine geordnete Beschreibung mit den stützenden Beobachtungen. Definiere Länge und Abschnitte der abschliessenden Antwort, damit der grosse Kontext des Modells der tatsächlichen Frage dient.\n\nGrenzen der Ausgabe und der Fortsetzung\n\nContributor bleibt seine eigene benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den Eingabearten. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf von der Bewahrung privaten Reasonings über Gesprächsrunden hinweg: Die Chatschnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahre die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die für eine Folgefrage nötig sind, statt anzunehmen, dass jede Schnittstelle internes Reasoning weiterführt.\n\nDie gelesenen Quellen nennen über das Kontextfenster hinaus keine separate harte maximale Eingabe- oder Ausgabetokenkapazität. Bewahre die Ausgabe, die Eingabevorbereitung und das verlangte Ergebnis und halte Werkzeugausführung und abschliessende Textlieferung mit den tatsächlich im Prototypenablauf erzielten Ergebnissen verbunden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor ist eine Reasoning-Ausgabe in Metas Familie für agentengestützte Arbeit und Coding, vorgesehen für Prototypenabläufe. Der Hersteller nennt Text-, Bild-, Video- und PDF-Eingaben, Textausgabe und einen Kontext von 1,048,576 Tokens, mit Reasoning-Stufen bis xhigh statt max bei Standard 1.3.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototypen und Experimente. Die Familie ist für agentengestützte Arbeit und Coding ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahre bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Eintrag Standard 1.3 zu behandeln und jede Einstellung unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1,048,576 Tokens. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder vorgeschlagenen Code verlangen. Das Textergebnis des Modells kann zu einem Artefakt in der umgebenden Anwendung werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benenne jede Quelle und ihre Rolle, bevor du ein Ergebnis verlangst. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem bestehenden Codefragment kombinieren. Verlange die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Textstelle neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und zu schlechteren Antworten führen kann. Behandle dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt vor seiner sichtbaren Antwort internes Reasoning. Die hier geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und ist für Contributor-Modelle nicht verfügbar. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; auch ohne diese Einstellung führt das Modell Reasoning auf einer selbst bestimmten Stufe aus.
Das Ausgabetokenbudget umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis braucht daher Platz für beides, besonders bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmass unterstützt. Verlange die Erklärung, Felder oder den endgültigen Code, den die Aufgabe braucht, statt anzunehmen, dass die zugrunde liegende Reasoning-Spur als lesbarer Text zurückgegeben wird.
Definiere für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Lege für ein mehrstufiges Coding- oder visuelles Problem die Zwischenentscheidungen und das Endergebnis fest. Höherer Reasoning-Aufwand verändert die Zuteilung für das Reasoning; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet, welche Operation nötig ist, und bereitet ihre Argumente vor; die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt nutzen. Ein vorgeschlagener Aufruf unterscheidet sich von einer abgeschlossenen Operation.
Dieselbe Dokumentation unterscheidet angebundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stelle in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreibe ihre Rückgaben, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Lege für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann den Quellenbezeichner, die beobachtete Tatsache, die Interpretation und eine noch zu klärende Frage enthalten. Halte den Datensatz von optionalem Fliesstext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schemaschnittstelle des Herstellers weist rekursive Schemata zurück und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus verlangt als Wurzel ein einfaches Objekt, jede aufgeführte Eigenschaft als Pflichtfeld und den Ausschluss zusätzlicher Eigenschaften. Eine passende Struktur belegt keine sachliche Korrektheit.
Eine nützliche Prototypenaufgabe
Wähle einen Ablauf, der ein überprüfbares Ergebnis liefern kann. Gib die Anforderung, ein visuelles Beispiel und den Code vor, der das aktuelle Verhalten bestimmt. Verlange einen kurzen Vergleich, ein vorgeschlagenes überarbeitetes Fragment und Beispiele, die das erwartete Verhalten vom aktuellen unterscheiden. Füge jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis hinzu, bevor du die abschliessende Erklärung verlangst.
Gib für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage vor und verlange anschliessend eine quellenbezogene Zusammenfassung oder Vergleichstabelle. Benenne bei Video das zu prüfende Ereignis oder visuelle Verhältnis und verlange eine geordnete Beschreibung mit den stützenden Beobachtungen. Definiere Länge und Abschnitte der abschliessenden Antwort, damit der grosse Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und der Fortsetzung
Contributor bleibt seine eigene benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den Eingabearten. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf von der Bewahrung privaten Reasonings über Gesprächsrunden hinweg: Die Chatschnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahre die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die für eine Folgefrage nötig sind, statt anzunehmen, dass jede Schnittstelle internes Reasoning weiterführt.
Die gelesenen Quellen nennen über das Kontextfenster hinaus keine separate harte maximale Eingabe- oder Ausgabetokenkapazität. Bewahre die Ausgabe, die Eingabevorbereitung und das verlangte Ergebnis und halte Werkzeugausführung und abschliessende Textlieferung mit den tatsächlich im Prototypenablauf erzielten Ergebnissen verbunden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.000004 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.000004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-1.3-contributor", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3-contributor',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-1.3-contributor
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor ist eine Reasoning-Ausgabe in Metas Familie für agentengestützte Arbeit und Coding, vorgesehen für Prototypenabläufe. Der Hersteller nennt Text-, Bild-, Video- und PDF-Eingaben, Textausgabe und einen Kontext von 1,048,576 Tokens, mit Reasoning-Stufen bis xhigh statt max bei Standard 1.3.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototypen und Experimente. Die Familie ist für agentengestützte Arbeit und Coding ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahre bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Eintrag Standard 1.3 zu behandeln und jede Einstellung unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1,048,576 Tokens. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder vorgeschlagenen Code verlangen. Das Textergebnis des Modells kann zu einem Artefakt in der umgebenden Anwendung werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benenne jede Quelle und ihre Rolle, bevor du ein Ergebnis verlangst. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem bestehenden Codefragment kombinieren. Verlange die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Textstelle neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und zu schlechteren Antworten führen kann. Behandle dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt vor seiner sichtbaren Antwort internes Reasoning. Die hier geltenden dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und ist für Contributor-Modelle nicht verfügbar. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; auch ohne diese Einstellung führt das Modell Reasoning auf einer selbst bestimmten Stufe aus.
Das Ausgabetokenbudget umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis braucht daher Platz für beides, besonders bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmass unterstützt. Verlange die Erklärung, Felder oder den endgültigen Code, den die Aufgabe braucht, statt anzunehmen, dass die zugrunde liegende Reasoning-Spur als lesbarer Text zurückgegeben wird.
Definiere für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Lege für ein mehrstufiges Coding- oder visuelles Problem die Zwischenentscheidungen und das Endergebnis fest. Höherer Reasoning-Aufwand verändert die Zuteilung für das Reasoning; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet, welche Operation nötig ist, und bereitet ihre Argumente vor; die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt nutzen. Ein vorgeschlagener Aufruf unterscheidet sich von einer abgeschlossenen Operation.
Dieselbe Dokumentation unterscheidet angebundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stelle in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreibe ihre Rückgaben, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Lege für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann den Quellenbezeichner, die beobachtete Tatsache, die Interpretation und eine noch zu klärende Frage enthalten. Halte den Datensatz von optionalem Fliesstext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schemaschnittstelle des Herstellers weist rekursive Schemata zurück und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus verlangt als Wurzel ein einfaches Objekt, jede aufgeführte Eigenschaft als Pflichtfeld und den Ausschluss zusätzlicher Eigenschaften. Eine passende Struktur belegt keine sachliche Korrektheit.
Eine nützliche Prototypenaufgabe
Wähle einen Ablauf, der ein überprüfbares Ergebnis liefern kann. Gib die Anforderung, ein visuelles Beispiel und den Code vor, der das aktuelle Verhalten bestimmt. Verlange einen kurzen Vergleich, ein vorgeschlagenes überarbeitetes Fragment und Beispiele, die das erwartete Verhalten vom aktuellen unterscheiden. Füge jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis hinzu, bevor du die abschliessende Erklärung verlangst.
Gib für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage vor und verlange anschliessend eine quellenbezogene Zusammenfassung oder Vergleichstabelle. Benenne bei Video das zu prüfende Ereignis oder visuelle Verhältnis und verlange eine geordnete Beschreibung mit den stützenden Beobachtungen. Definiere Länge und Abschnitte der abschliessenden Antwort, damit der grosse Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und der Fortsetzung
Contributor bleibt seine eigene benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den Eingabearten. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf von der Bewahrung privaten Reasonings über Gesprächsrunden hinweg: Die Chatschnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahre die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die für eine Folgefrage nötig sind, statt anzunehmen, dass jede Schnittstelle internes Reasoning weiterführt.
Die gelesenen Quellen nennen über das Kontextfenster hinaus keine separate harte maximale Eingabe- oder Ausgabetokenkapazität. Bewahre die Ausgabe, die Eingabevorbereitung und das verlangte Ergebnis und halte Werkzeugausführung und abschliessende Textlieferung mit den tatsächlich im Prototypenablauf erzielten Ergebnissen verbunden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.000004 / 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 $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0.0004 / 1K Tokens Eingabe · Cache lesen $0.000004 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', '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-1.3-contributor
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.