Muse Spark 1.3 ist Metas Reasoning-Modell für anhaltende agentengestützte Arbeit und Coding. Der Hersteller betont das Bewahren von Kontext und früheren Ergebnissen über umfangreiche Aufgaben hinweg, das Durcharbeiten widersprüchlicher Quellen und die Lieferung eines fertigen Ergebnisses. Dieser Eintrag betrifft die Ausgabe Standard 1.3, deren dokumentierte Reasoning-Einstellungen max einschliessen; die separat benannte Contributor-Ausgabe hat eigene Einstellungsgrenzen.
Langfristige Agentenarbeit
Die Veröffentlichung beschreibt ein Modell, das in verschiedenen Agentenumgebungen darauf trainiert wurde, Informationen zu sammeln, einen Plan bei geänderter Beweislage anzupassen und detaillierte Anforderungen durch eine mehrstufige Aufgabe hindurch zu bewahren. Sie beschreibt auch den verbesserten Umgang mit mehreren Abläufen in einem Gespräch, wobei eingehende Anfragen der relevanten Aufgabe zugeordnet werden. Eine nützliche Anfrage sollte Ziel, Quellen, Anforderungen und das Ergebnis definieren, das als Abschluss zählt.
Liefere für eine professionelle Dokumentaufgabe die Quellberichte, benenne die zu bewahrenden Fakten und verlange ein strukturiertes Briefing mit Quellenpositionen. Wenn Quellen widersprüchlich sind, verlange die widersprechenden Aussagen separat und die Informationen, die zu ihrer Klärung nötig sind. Füge für eine Coding-Aufgabe das beabsichtigte Verhalten, betroffene Module und relevanten Code hinzu; verlange die vorgeschlagene Implementierung und die Belege, die das beabsichtigte Ergebnis unterscheidbar machen würden.
Laut Hersteller fragt 1.3 bei einer mehrdeutigen Anfrage nach Klärung und bittet den Nutzer bei Blockaden um Hilfe. Er beschreibt auch ein besseres Urteilsvermögen bei folgenreichen Aktionen. Das sind Verbesserungen des Modellverhaltens und kein Ersatz für die Ausführungskontrollen der Anwendung. Gib dem Agenten die für eine Entscheidung nötigen Informationen und benenne das erforderliche Ergebnis ausdrücklich.
Coding und multimodale Belege
Die Veröffentlichung konzentriert sich im Vergleich zu 1.2 auf längere Coding-Aufgaben, sauberere Ausgaben und weniger unnötige Gesprächsrunden. Ein Coding-Agent-Ablauf kann einen Screenshot prüfen, den relevanten Code finden, eine Korrektur vorschlagen und Ausführungs- oder Rendering-Rückmeldungen seiner Werkzeuge nutzen. Nenne die kompatibel zu haltende Schnittstelle und verlange das geänderte Ergebnis getrennt von seinen Annahmen und der Erklärung.
Die offizielle Modelltabelle nennt Text-, Bild-, Video- und PDF-Eingaben mit Textausgabe und einem Kontext von 1,048,576 Tokens. Bilder oder Clips können neben der schriftlichen Aufgabe sichtbare Belege liefern. Eine Diagrammfrage sollte Achsen, Legenden und Einheiten bewahren; eine Screenshot-Frage sollte das zu reproduzierende oder zu prüfende Verhalten benennen. Eine PDF-Frage kann eine quellenbezogene Extraktion oder einen Vergleich verlangen statt einer allgemeinen Zusammenfassung jeder Seite.
Der Hersteller weist ausdrücklich darauf hin, dass Audioverständnis in 1.3 nicht vollständig unterstützt wird und Antworten mit Audio schlechter ausfallen können. Das unterscheidet sich von der dokumentierten audiovisuellen Fähigkeit von 1.2. Das Textergebnis des Modells erzeugt ohne Werkzeuge der umgebenden Anwendung auch nicht selbst ein Bild, eine Sprachaufnahme oder eine fertige Datei.
Reasoning-Aufwand und Fortsetzung
Die dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; wird die Einstellung weggelassen, bestimmt das Modell die Reasoning-Stufe selbst. Wähle den Aufwand für das tatsächliche Problem und lass Platz sowohl für internes Reasoning als auch für das erforderliche schriftliche Ergebnis.
Reasoning-Tokens und sichtbare Tokens teilen sich das Ausgabebudget. Rohes internes Reasoning bleibt privat und wird nicht als gewöhnlicher lesbarer Text zurückgegeben. Der Hersteller unterscheidet sichtbaren Gesprächsverlauf von der Fortsetzung privaten Reasonings: Seine Chatschnittstelle legt keine Spur offen, die externe Aufrufer erneut einspeisen können, während sein anderer dokumentierter Gesprächsablauf verwaltete oder verschlüsselte Reasoning-Fortsetzung unterstützt. Bewahre Quellen, sichtbare Nachrichten und tatsächliche Werkzeugergebnisse, die eine Folgefrage braucht, statt anzunehmen, dass alle Schnittstellen privates Reasoning identisch bewahren.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung liefert entwicklerdefinierte Funktionsbeschreibungen, das Modell erzeugt die erforderlichen Aufrufargumente und die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Das Modell kann in einer Gesprächsrunde mehrere Funktionen anfordern. Gib das Ergebnis jeder ursprünglichen Operation zurück, bevor du die nächste Schlussfolgerung verlangst, damit die Antwort tatsächlich abgerufene oder berechnete Informationen verwendet.
Der Hersteller dokumentiert separat integrierte Suchwerkzeuge, die innerhalb seines angebundenen Dienstes ausgeführt werden. Entwicklerfunktionen und diese integrierten Werkzeuge haben unterschiedliche Ausführungsabläufe. Das Modell kann darüber nachdenken, welche Informationen es braucht; die Modellauswahl allein stellt jedoch keinen Repository-Zugriff, Browser oder eine private Informationsquelle bereit.
Strukturierte Ausgaben können das Ergebnis auf ein vorgegebenes JSON-Schema beschränken. Definiere die Felder und Typen, die der nächste Schritt braucht, sowie den Umgang mit fehlenden Quelleninformationen. Im strikten Schemamodus des Herstellers ist die Wurzel ein einfaches Objekt, jede Eigenschaft ist erforderlich und zusätzliche Eigenschaften sind ausgeschlossen; rekursive Schemata werden zurückgewiesen. Das sind Einschränkungen der strukturierten Herstellerschnittstelle und kein Beleg, dass die Fakten in einem korrekt geformten Datensatz wahr sind.
Verlange für ein nützliches Endergebnis die quellenbelegten Erkenntnisse, die vorgeschlagene Änderung oder das Dokument und die ungeklärten Bedingungen separat. Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine unabhängige harte maximale Eingabe- oder Ausgabetokenkapazität. Halte die Identität Standard 1.3, die Reasoning-Auswahl und die Ergebnisse der angebundenen Ausführung während der gesamten Aufgabe ausdrücklich fest.
", "aboutText": "Muse Spark 1.3 ist Metas Reasoning-Modell für anhaltende agentengestützte Arbeit und Coding. Der Hersteller betont das Bewahren von Kontext und früheren Ergebnissen über umfangreiche Aufgaben hinweg, das Durcharbeiten widersprüchlicher Quellen und die Lieferung eines fertigen Ergebnisses. Dieser Eintrag betrifft die Ausgabe Standard 1.3, deren dokumentierte Reasoning-Einstellungen max einschliessen; die separat benannte Contributor-Ausgabe hat eigene Einstellungsgrenzen.\n\nLangfristige Agentenarbeit\n\nDie Veröffentlichung beschreibt ein Modell, das in verschiedenen Agentenumgebungen darauf trainiert wurde, Informationen zu sammeln, einen Plan bei geänderter Beweislage anzupassen und detaillierte Anforderungen durch eine mehrstufige Aufgabe hindurch zu bewahren. Sie beschreibt auch den verbesserten Umgang mit mehreren Abläufen in einem Gespräch, wobei eingehende Anfragen der relevanten Aufgabe zugeordnet werden. Eine nützliche Anfrage sollte Ziel, Quellen, Anforderungen und das Ergebnis definieren, das als Abschluss zählt.\n\nLiefere für eine professionelle Dokumentaufgabe die Quellberichte, benenne die zu bewahrenden Fakten und verlange ein strukturiertes Briefing mit Quellenpositionen. Wenn Quellen widersprüchlich sind, verlange die widersprechenden Aussagen separat und die Informationen, die zu ihrer Klärung nötig sind. Füge für eine Coding-Aufgabe das beabsichtigte Verhalten, betroffene Module und relevanten Code hinzu; verlange die vorgeschlagene Implementierung und die Belege, die das beabsichtigte Ergebnis unterscheidbar machen würden.\n\nLaut Hersteller fragt 1.3 bei einer mehrdeutigen Anfrage nach Klärung und bittet den Nutzer bei Blockaden um Hilfe. Er beschreibt auch ein besseres Urteilsvermögen bei folgenreichen Aktionen. Das sind Verbesserungen des Modellverhaltens und kein Ersatz für die Ausführungskontrollen der Anwendung. Gib dem Agenten die für eine Entscheidung nötigen Informationen und benenne das erforderliche Ergebnis ausdrücklich.\n\nCoding und multimodale Belege\n\nDie Veröffentlichung konzentriert sich im Vergleich zu 1.2 auf längere Coding-Aufgaben, sauberere Ausgaben und weniger unnötige Gesprächsrunden. Ein Coding-Agent-Ablauf kann einen Screenshot prüfen, den relevanten Code finden, eine Korrektur vorschlagen und Ausführungs- oder Rendering-Rückmeldungen seiner Werkzeuge nutzen. Nenne die kompatibel zu haltende Schnittstelle und verlange das geänderte Ergebnis getrennt von seinen Annahmen und der Erklärung.\n\nDie offizielle Modelltabelle nennt Text-, Bild-, Video- und PDF-Eingaben mit Textausgabe und einem Kontext von 1,048,576 Tokens. Bilder oder Clips können neben der schriftlichen Aufgabe sichtbare Belege liefern. Eine Diagrammfrage sollte Achsen, Legenden und Einheiten bewahren; eine Screenshot-Frage sollte das zu reproduzierende oder zu prüfende Verhalten benennen. Eine PDF-Frage kann eine quellenbezogene Extraktion oder einen Vergleich verlangen statt einer allgemeinen Zusammenfassung jeder Seite.\n\nDer Hersteller weist ausdrücklich darauf hin, dass Audioverständnis in 1.3 nicht vollständig unterstützt wird und Antworten mit Audio schlechter ausfallen können. Das unterscheidet sich von der dokumentierten audiovisuellen Fähigkeit von 1.2. Das Textergebnis des Modells erzeugt ohne Werkzeuge der umgebenden Anwendung auch nicht selbst ein Bild, eine Sprachaufnahme oder eine fertige Datei.\n\nReasoning-Aufwand und Fortsetzung\n\nDie dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; wird die Einstellung weggelassen, bestimmt das Modell die Reasoning-Stufe selbst. Wähle den Aufwand für das tatsächliche Problem und lass Platz sowohl für internes Reasoning als auch für das erforderliche schriftliche Ergebnis.\n\nReasoning-Tokens und sichtbare Tokens teilen sich das Ausgabebudget. Rohes internes Reasoning bleibt privat und wird nicht als gewöhnlicher lesbarer Text zurückgegeben. Der Hersteller unterscheidet sichtbaren Gesprächsverlauf von der Fortsetzung privaten Reasonings: Seine Chatschnittstelle legt keine Spur offen, die externe Aufrufer erneut einspeisen können, während sein anderer dokumentierter Gesprächsablauf verwaltete oder verschlüsselte Reasoning-Fortsetzung unterstützt. Bewahre Quellen, sichtbare Nachrichten und tatsächliche Werkzeugergebnisse, die eine Folgefrage braucht, statt anzunehmen, dass alle Schnittstellen privates Reasoning identisch bewahren.\n\nWerkzeuge und strukturierte Ergebnisse\n\nDie Anwendung liefert entwicklerdefinierte Funktionsbeschreibungen, das Modell erzeugt die erforderlichen Aufrufargumente und die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Das Modell kann in einer Gesprächsrunde mehrere Funktionen anfordern. Gib das Ergebnis jeder ursprünglichen Operation zurück, bevor du die nächste Schlussfolgerung verlangst, damit die Antwort tatsächlich abgerufene oder berechnete Informationen verwendet.\n\nDer Hersteller dokumentiert separat integrierte Suchwerkzeuge, die innerhalb seines angebundenen Dienstes ausgeführt werden. Entwicklerfunktionen und diese integrierten Werkzeuge haben unterschiedliche Ausführungsabläufe. Das Modell kann darüber nachdenken, welche Informationen es braucht; die Modellauswahl allein stellt jedoch keinen Repository-Zugriff, Browser oder eine private Informationsquelle bereit.\n\nStrukturierte Ausgaben können das Ergebnis auf ein vorgegebenes JSON-Schema beschränken. Definiere die Felder und Typen, die der nächste Schritt braucht, sowie den Umgang mit fehlenden Quelleninformationen. Im strikten Schemamodus des Herstellers ist die Wurzel ein einfaches Objekt, jede Eigenschaft ist erforderlich und zusätzliche Eigenschaften sind ausgeschlossen; rekursive Schemata werden zurückgewiesen. Das sind Einschränkungen der strukturierten Herstellerschnittstelle und kein Beleg, dass die Fakten in einem korrekt geformten Datensatz wahr sind.\n\nVerlange für ein nützliches Endergebnis die quellenbelegten Erkenntnisse, die vorgeschlagene Änderung oder das Dokument und die ungeklärten Bedingungen separat. Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine unabhängige harte maximale Eingabe- oder Ausgabetokenkapazität. Halte die Identität Standard 1.3, die Reasoning-Auswahl und die Ergebnisse der angebundenen Ausführung während der gesamten Aufgabe ausdrücklich fest.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-Abläufe. Es behält Quellen und frühere Ergebnisse im Blick, unterstützt einen vom Hersteller genannten Kontext von 1,048,576 Tokens sowie Reasoning-Stufen bis max in dieser Standardausgabe und liefert Text und vorgeschlagene Werkzeugaktionen zurück.
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 ist Metas Reasoning-Modell für anhaltende agentengestützte Arbeit und Coding. Der Hersteller betont das Bewahren von Kontext und früheren Ergebnissen über umfangreiche Aufgaben hinweg, das Durcharbeiten widersprüchlicher Quellen und die Lieferung eines fertigen Ergebnisses. Dieser Eintrag betrifft die Ausgabe Standard 1.3, deren dokumentierte Reasoning-Einstellungen max einschliessen; die separat benannte Contributor-Ausgabe hat eigene Einstellungsgrenzen.
Langfristige Agentenarbeit
Die Veröffentlichung beschreibt ein Modell, das in verschiedenen Agentenumgebungen darauf trainiert wurde, Informationen zu sammeln, einen Plan bei geänderter Beweislage anzupassen und detaillierte Anforderungen durch eine mehrstufige Aufgabe hindurch zu bewahren. Sie beschreibt auch den verbesserten Umgang mit mehreren Abläufen in einem Gespräch, wobei eingehende Anfragen der relevanten Aufgabe zugeordnet werden. Eine nützliche Anfrage sollte Ziel, Quellen, Anforderungen und das Ergebnis definieren, das als Abschluss zählt.
Liefere für eine professionelle Dokumentaufgabe die Quellberichte, benenne die zu bewahrenden Fakten und verlange ein strukturiertes Briefing mit Quellenpositionen. Wenn Quellen widersprüchlich sind, verlange die widersprechenden Aussagen separat und die Informationen, die zu ihrer Klärung nötig sind. Füge für eine Coding-Aufgabe das beabsichtigte Verhalten, betroffene Module und relevanten Code hinzu; verlange die vorgeschlagene Implementierung und die Belege, die das beabsichtigte Ergebnis unterscheidbar machen würden.
Laut Hersteller fragt 1.3 bei einer mehrdeutigen Anfrage nach Klärung und bittet den Nutzer bei Blockaden um Hilfe. Er beschreibt auch ein besseres Urteilsvermögen bei folgenreichen Aktionen. Das sind Verbesserungen des Modellverhaltens und kein Ersatz für die Ausführungskontrollen der Anwendung. Gib dem Agenten die für eine Entscheidung nötigen Informationen und benenne das erforderliche Ergebnis ausdrücklich.
Coding und multimodale Belege
Die Veröffentlichung konzentriert sich im Vergleich zu 1.2 auf längere Coding-Aufgaben, sauberere Ausgaben und weniger unnötige Gesprächsrunden. Ein Coding-Agent-Ablauf kann einen Screenshot prüfen, den relevanten Code finden, eine Korrektur vorschlagen und Ausführungs- oder Rendering-Rückmeldungen seiner Werkzeuge nutzen. Nenne die kompatibel zu haltende Schnittstelle und verlange das geänderte Ergebnis getrennt von seinen Annahmen und der Erklärung.
Die offizielle Modelltabelle nennt Text-, Bild-, Video- und PDF-Eingaben mit Textausgabe und einem Kontext von 1,048,576 Tokens. Bilder oder Clips können neben der schriftlichen Aufgabe sichtbare Belege liefern. Eine Diagrammfrage sollte Achsen, Legenden und Einheiten bewahren; eine Screenshot-Frage sollte das zu reproduzierende oder zu prüfende Verhalten benennen. Eine PDF-Frage kann eine quellenbezogene Extraktion oder einen Vergleich verlangen statt einer allgemeinen Zusammenfassung jeder Seite.
Der Hersteller weist ausdrücklich darauf hin, dass Audioverständnis in 1.3 nicht vollständig unterstützt wird und Antworten mit Audio schlechter ausfallen können. Das unterscheidet sich von der dokumentierten audiovisuellen Fähigkeit von 1.2. Das Textergebnis des Modells erzeugt ohne Werkzeuge der umgebenden Anwendung auch nicht selbst ein Bild, eine Sprachaufnahme oder eine fertige Datei.
Reasoning-Aufwand und Fortsetzung
Die dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; wird die Einstellung weggelassen, bestimmt das Modell die Reasoning-Stufe selbst. Wähle den Aufwand für das tatsächliche Problem und lass Platz sowohl für internes Reasoning als auch für das erforderliche schriftliche Ergebnis.
Reasoning-Tokens und sichtbare Tokens teilen sich das Ausgabebudget. Rohes internes Reasoning bleibt privat und wird nicht als gewöhnlicher lesbarer Text zurückgegeben. Der Hersteller unterscheidet sichtbaren Gesprächsverlauf von der Fortsetzung privaten Reasonings: Seine Chatschnittstelle legt keine Spur offen, die externe Aufrufer erneut einspeisen können, während sein anderer dokumentierter Gesprächsablauf verwaltete oder verschlüsselte Reasoning-Fortsetzung unterstützt. Bewahre Quellen, sichtbare Nachrichten und tatsächliche Werkzeugergebnisse, die eine Folgefrage braucht, statt anzunehmen, dass alle Schnittstellen privates Reasoning identisch bewahren.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung liefert entwicklerdefinierte Funktionsbeschreibungen, das Modell erzeugt die erforderlichen Aufrufargumente und die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Das Modell kann in einer Gesprächsrunde mehrere Funktionen anfordern. Gib das Ergebnis jeder ursprünglichen Operation zurück, bevor du die nächste Schlussfolgerung verlangst, damit die Antwort tatsächlich abgerufene oder berechnete Informationen verwendet.
Der Hersteller dokumentiert separat integrierte Suchwerkzeuge, die innerhalb seines angebundenen Dienstes ausgeführt werden. Entwicklerfunktionen und diese integrierten Werkzeuge haben unterschiedliche Ausführungsabläufe. Das Modell kann darüber nachdenken, welche Informationen es braucht; die Modellauswahl allein stellt jedoch keinen Repository-Zugriff, Browser oder eine private Informationsquelle bereit.
Strukturierte Ausgaben können das Ergebnis auf ein vorgegebenes JSON-Schema beschränken. Definiere die Felder und Typen, die der nächste Schritt braucht, sowie den Umgang mit fehlenden Quelleninformationen. Im strikten Schemamodus des Herstellers ist die Wurzel ein einfaches Objekt, jede Eigenschaft ist erforderlich und zusätzliche Eigenschaften sind ausgeschlossen; rekursive Schemata werden zurückgewiesen. Das sind Einschränkungen der strukturierten Herstellerschnittstelle und kein Beleg, dass die Fakten in einem korrekt geformten Datensatz wahr sind.
Verlange für ein nützliches Endergebnis die quellenbelegten Erkenntnisse, die vorgeschlagene Änderung oder das Dokument und die ungeklärten Bedingungen separat. Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine unabhängige harte maximale Eingabe- oder Ausgabetokenkapazität. Halte die Identität Standard 1.3, die Reasoning-Auswahl und die Ergebnisse der angebundenen Ausführung während der gesamten Aufgabe ausdrücklich fest.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3 | 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-1.3", "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',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',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
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.3Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-Abläufe. Es behält Quellen und frühere Ergebnisse im Blick, unterstützt einen vom Hersteller genannten Kontext von 1,048,576 Tokens sowie Reasoning-Stufen bis max in dieser Standardausgabe und liefert Text und vorgeschlagene Werkzeugaktionen zurück.
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 ist Metas Reasoning-Modell für anhaltende agentengestützte Arbeit und Coding. Der Hersteller betont das Bewahren von Kontext und früheren Ergebnissen über umfangreiche Aufgaben hinweg, das Durcharbeiten widersprüchlicher Quellen und die Lieferung eines fertigen Ergebnisses. Dieser Eintrag betrifft die Ausgabe Standard 1.3, deren dokumentierte Reasoning-Einstellungen max einschliessen; die separat benannte Contributor-Ausgabe hat eigene Einstellungsgrenzen.
Langfristige Agentenarbeit
Die Veröffentlichung beschreibt ein Modell, das in verschiedenen Agentenumgebungen darauf trainiert wurde, Informationen zu sammeln, einen Plan bei geänderter Beweislage anzupassen und detaillierte Anforderungen durch eine mehrstufige Aufgabe hindurch zu bewahren. Sie beschreibt auch den verbesserten Umgang mit mehreren Abläufen in einem Gespräch, wobei eingehende Anfragen der relevanten Aufgabe zugeordnet werden. Eine nützliche Anfrage sollte Ziel, Quellen, Anforderungen und das Ergebnis definieren, das als Abschluss zählt.
Liefere für eine professionelle Dokumentaufgabe die Quellberichte, benenne die zu bewahrenden Fakten und verlange ein strukturiertes Briefing mit Quellenpositionen. Wenn Quellen widersprüchlich sind, verlange die widersprechenden Aussagen separat und die Informationen, die zu ihrer Klärung nötig sind. Füge für eine Coding-Aufgabe das beabsichtigte Verhalten, betroffene Module und relevanten Code hinzu; verlange die vorgeschlagene Implementierung und die Belege, die das beabsichtigte Ergebnis unterscheidbar machen würden.
Laut Hersteller fragt 1.3 bei einer mehrdeutigen Anfrage nach Klärung und bittet den Nutzer bei Blockaden um Hilfe. Er beschreibt auch ein besseres Urteilsvermögen bei folgenreichen Aktionen. Das sind Verbesserungen des Modellverhaltens und kein Ersatz für die Ausführungskontrollen der Anwendung. Gib dem Agenten die für eine Entscheidung nötigen Informationen und benenne das erforderliche Ergebnis ausdrücklich.
Coding und multimodale Belege
Die Veröffentlichung konzentriert sich im Vergleich zu 1.2 auf längere Coding-Aufgaben, sauberere Ausgaben und weniger unnötige Gesprächsrunden. Ein Coding-Agent-Ablauf kann einen Screenshot prüfen, den relevanten Code finden, eine Korrektur vorschlagen und Ausführungs- oder Rendering-Rückmeldungen seiner Werkzeuge nutzen. Nenne die kompatibel zu haltende Schnittstelle und verlange das geänderte Ergebnis getrennt von seinen Annahmen und der Erklärung.
Die offizielle Modelltabelle nennt Text-, Bild-, Video- und PDF-Eingaben mit Textausgabe und einem Kontext von 1,048,576 Tokens. Bilder oder Clips können neben der schriftlichen Aufgabe sichtbare Belege liefern. Eine Diagrammfrage sollte Achsen, Legenden und Einheiten bewahren; eine Screenshot-Frage sollte das zu reproduzierende oder zu prüfende Verhalten benennen. Eine PDF-Frage kann eine quellenbezogene Extraktion oder einen Vergleich verlangen statt einer allgemeinen Zusammenfassung jeder Seite.
Der Hersteller weist ausdrücklich darauf hin, dass Audioverständnis in 1.3 nicht vollständig unterstützt wird und Antworten mit Audio schlechter ausfallen können. Das unterscheidet sich von der dokumentierten audiovisuellen Fähigkeit von 1.2. Das Textergebnis des Modells erzeugt ohne Werkzeuge der umgebenden Anwendung auch nicht selbst ein Bild, eine Sprachaufnahme oder eine fertige Datei.
Reasoning-Aufwand und Fortsetzung
Die dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; wird die Einstellung weggelassen, bestimmt das Modell die Reasoning-Stufe selbst. Wähle den Aufwand für das tatsächliche Problem und lass Platz sowohl für internes Reasoning als auch für das erforderliche schriftliche Ergebnis.
Reasoning-Tokens und sichtbare Tokens teilen sich das Ausgabebudget. Rohes internes Reasoning bleibt privat und wird nicht als gewöhnlicher lesbarer Text zurückgegeben. Der Hersteller unterscheidet sichtbaren Gesprächsverlauf von der Fortsetzung privaten Reasonings: Seine Chatschnittstelle legt keine Spur offen, die externe Aufrufer erneut einspeisen können, während sein anderer dokumentierter Gesprächsablauf verwaltete oder verschlüsselte Reasoning-Fortsetzung unterstützt. Bewahre Quellen, sichtbare Nachrichten und tatsächliche Werkzeugergebnisse, die eine Folgefrage braucht, statt anzunehmen, dass alle Schnittstellen privates Reasoning identisch bewahren.
Werkzeuge und strukturierte Ergebnisse
Die Anwendung liefert entwicklerdefinierte Funktionsbeschreibungen, das Modell erzeugt die erforderlichen Aufrufargumente und die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Das Modell kann in einer Gesprächsrunde mehrere Funktionen anfordern. Gib das Ergebnis jeder ursprünglichen Operation zurück, bevor du die nächste Schlussfolgerung verlangst, damit die Antwort tatsächlich abgerufene oder berechnete Informationen verwendet.
Der Hersteller dokumentiert separat integrierte Suchwerkzeuge, die innerhalb seines angebundenen Dienstes ausgeführt werden. Entwicklerfunktionen und diese integrierten Werkzeuge haben unterschiedliche Ausführungsabläufe. Das Modell kann darüber nachdenken, welche Informationen es braucht; die Modellauswahl allein stellt jedoch keinen Repository-Zugriff, Browser oder eine private Informationsquelle bereit.
Strukturierte Ausgaben können das Ergebnis auf ein vorgegebenes JSON-Schema beschränken. Definiere die Felder und Typen, die der nächste Schritt braucht, sowie den Umgang mit fehlenden Quelleninformationen. Im strikten Schemamodus des Herstellers ist die Wurzel ein einfaches Objekt, jede Eigenschaft ist erforderlich und zusätzliche Eigenschaften sind ausgeschlossen; rekursive Schemata werden zurückgewiesen. Das sind Einschränkungen der strukturierten Herstellerschnittstelle und kein Beleg, dass die Fakten in einem korrekt geformten Datensatz wahr sind.
Verlange für ein nützliches Endergebnis die quellenbelegten Erkenntnisse, die vorgeschlagene Änderung oder das Dokument und die ungeklärten Bedingungen separat. Die gelesenen Quellen nennen über den dokumentierten Kontext hinaus keine unabhängige harte maximale Eingabe- oder Ausgabetokenkapazität. Halte die Identität Standard 1.3, die Reasoning-Auswahl und die Ergebnisse der angebundenen Ausführung während der gesamten Aufgabe ausdrücklich fest.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3 | 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 $0.0003 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.