Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Workflows zur Computernutzung. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit von Werkzeugen bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, benutzerdefinierte Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Dies sind Fähigkeiten einer Agentenumgebung und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Seine 1.1-Veröffentlichung beschreibt das Erinnern früherer Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine hilfreiche Aufgabe sollte Ziel, Quellmaterial und abschließendes Artefakt benennen und wichtige Entscheidungen sowie Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen vereint zu halten, definiert jedoch nicht die Anforderung, die das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine lange Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die offene Bedingung an. Fordern Sie bei einem Plan Aktionen in einer auf die vorgegebenen Einschränkungen abgestimmten Reihenfolge an und legen Sie fest, welches Ergebnis jeden Schritt abschließt. Bewahren Sie bei Folgeaufträgen sichtbare Erkenntnisse und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jeden früheren Fakt.
Computernutzung und Programmierung
Der Hersteller beschreibt Computer-Workflows über wechselnde Anwendungen hinweg, bei denen das Modell in einer verbundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern und eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Steuerelement, die vorgeschlagene Operation und die stützenden Belege an und geben Sie dann den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Implementierung von Funktionen und Code-Migrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann das fehlerhafte Verhalten, den betroffenen Quellcode und das erwartete Ergebnis bereitstellen und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle verlangen. Codeausführung und Dateiänderungen bleiben Operationen, die von Anwendungswerkzeugen bereitgestellt werden.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit, für eine Änderung das Ergebnis und die Einschränkungen und für eine visuelle Implementierung den Screenshot und die Interaktionen, die das Bild nicht zeigt. Fordern Sie das Artefakt getrennt von seinen Annahmen und der zu seiner Prüfung benötigten Rückmeldung an.
Multimodale Eingaben
Die Modelltabelle dokumentiert Text-, Bild-, Video-, Audio- und PDF-Eingabe für 1.1 mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, Generierung von Code aus visuellen Vorlagen und die Nutzung wahrgenommener Details über einen längeren Workflow hinweg. Eine Dokumentfrage kann quellengestützte Felder oder einen Vergleich verlangen; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder ein Codevorschlag. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine separat bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Abschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Der Muse-Spark-Reasoning-Leitfaden dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning erfolgt auch ohne ausdrücklichen Aufwandswert; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Konfidenz- oder Erklärungsfelder ausgegeben.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung liefert Operationen, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort nutzt dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er selbst belegt nicht, dass die Operation abgeschlossen wurde. Halten Sie den ursprünglichen Aufruf und das Ergebnis über den Gesprächsverlauf hinweg verbunden.
Der Hersteller dokumentiert außerdem strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen von Interpretationen getrennt, wenn sie unterschiedlichen Zwecken dienen. Eine strukturierte Form belegt keine sachliche Richtigkeit; die Originalquellen und tatsächlichen Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Grenzen der Ausgabe und Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Coding-Änderungen von 1.2, die Verhaltensaktualisierungen für längerfristige Arbeit von 1.3 und die Einstellung max von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeordnet werden. Die Chat-Schnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen. Bewahren Sie deshalb sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der verbundenen Schnittstelle.
Die gelesenen Quellen nennen keine separaten festen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den dokumentierten Kontext hinaus. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege. Halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
", "aboutText": "Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Workflows zur Computernutzung. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit von Werkzeugen bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.\n\nAgentenplanung und langer Kontext\n\nDie Veröffentlichung beschreibt die Anpassung an native Werkzeuge, benutzerdefinierte Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Dies sind Fähigkeiten einer Agentenumgebung und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.\n\nDie Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Seine 1.1-Veröffentlichung beschreibt das Erinnern früherer Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine hilfreiche Aufgabe sollte Ziel, Quellmaterial und abschließendes Artefakt benennen und wichtige Entscheidungen sowie Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen vereint zu halten, definiert jedoch nicht die Anforderung, die das Ergebnis erfüllen muss.\n\nKennzeichnen Sie für eine lange Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die offene Bedingung an. Fordern Sie bei einem Plan Aktionen in einer auf die vorgegebenen Einschränkungen abgestimmten Reihenfolge an und legen Sie fest, welches Ergebnis jeden Schritt abschließt. Bewahren Sie bei Folgeaufträgen sichtbare Erkenntnisse und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jeden früheren Fakt.\n\nComputernutzung und Programmierung\n\nDer Hersteller beschreibt Computer-Workflows über wechselnde Anwendungen hinweg, bei denen das Modell in einer verbundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern und eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Steuerelement, die vorgeschlagene Operation und die stützenden Belege an und geben Sie dann den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.\n\nFür Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Implementierung von Funktionen und Code-Migrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann das fehlerhafte Verhalten, den betroffenen Quellcode und das erwartete Ergebnis bereitstellen und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle verlangen. Codeausführung und Dateiänderungen bleiben Operationen, die von Anwendungswerkzeugen bereitgestellt werden.\n\nGeben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit, für eine Änderung das Ergebnis und die Einschränkungen und für eine visuelle Implementierung den Screenshot und die Interaktionen, die das Bild nicht zeigt. Fordern Sie das Artefakt getrennt von seinen Annahmen und der zu seiner Prüfung benötigten Rückmeldung an.\n\nMultimodale Eingaben\n\nDie Modelltabelle dokumentiert Text-, Bild-, Video-, Audio- und PDF-Eingabe für 1.1 mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, Generierung von Code aus visuellen Vorlagen und die Nutzung wahrgenommener Details über einen längeren Workflow hinweg. Eine Dokumentfrage kann quellengestützte Felder oder einen Vergleich verlangen; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.\n\nDie Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder ein Codevorschlag. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine separat bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Abschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.\n\nReasoning, Werkzeuge und strukturierte Ausgabe\n\nDer Muse-Spark-Reasoning-Leitfaden dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning erfolgt auch ohne ausdrücklichen Aufwandswert; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Konfidenz- oder Erklärungsfelder ausgegeben.\n\nEntwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung liefert Operationen, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort nutzt dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er selbst belegt nicht, dass die Operation abgeschlossen wurde. Halten Sie den ursprünglichen Aufruf und das Ergebnis über den Gesprächsverlauf hinweg verbunden.\n\nDer Hersteller dokumentiert außerdem strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen von Interpretationen getrennt, wenn sie unterschiedlichen Zwecken dienen. Eine strukturierte Form belegt keine sachliche Richtigkeit; die Originalquellen und tatsächlichen Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.\n\nGrenzen der Ausgabe und Fortsetzung\n\nMuse Spark 1.1 bleibt eine eigene Version. Die spezifischen Coding-Änderungen von 1.2, die Verhaltensaktualisierungen für längerfristige Arbeit von 1.3 und die Einstellung max von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeordnet werden. Die Chat-Schnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen. Bewahren Sie deshalb sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der verbundenen Schnittstelle.\n\nDie gelesenen Quellen nennen keine separaten festen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den dokumentierten Kontext hinaus. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege. Halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computernutzung und Programmierung. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und besitzt einen Herstellerkontext von 1.048.576 Token mit Reasoning-Stufen bis xhigh.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Workflows zur Computernutzung. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit von Werkzeugen bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, benutzerdefinierte Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Dies sind Fähigkeiten einer Agentenumgebung und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Seine 1.1-Veröffentlichung beschreibt das Erinnern früherer Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine hilfreiche Aufgabe sollte Ziel, Quellmaterial und abschließendes Artefakt benennen und wichtige Entscheidungen sowie Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen vereint zu halten, definiert jedoch nicht die Anforderung, die das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine lange Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die offene Bedingung an. Fordern Sie bei einem Plan Aktionen in einer auf die vorgegebenen Einschränkungen abgestimmten Reihenfolge an und legen Sie fest, welches Ergebnis jeden Schritt abschließt. Bewahren Sie bei Folgeaufträgen sichtbare Erkenntnisse und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jeden früheren Fakt.
Computernutzung und Programmierung
Der Hersteller beschreibt Computer-Workflows über wechselnde Anwendungen hinweg, bei denen das Modell in einer verbundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern und eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Steuerelement, die vorgeschlagene Operation und die stützenden Belege an und geben Sie dann den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Implementierung von Funktionen und Code-Migrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann das fehlerhafte Verhalten, den betroffenen Quellcode und das erwartete Ergebnis bereitstellen und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle verlangen. Codeausführung und Dateiänderungen bleiben Operationen, die von Anwendungswerkzeugen bereitgestellt werden.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit, für eine Änderung das Ergebnis und die Einschränkungen und für eine visuelle Implementierung den Screenshot und die Interaktionen, die das Bild nicht zeigt. Fordern Sie das Artefakt getrennt von seinen Annahmen und der zu seiner Prüfung benötigten Rückmeldung an.
Multimodale Eingaben
Die Modelltabelle dokumentiert Text-, Bild-, Video-, Audio- und PDF-Eingabe für 1.1 mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, Generierung von Code aus visuellen Vorlagen und die Nutzung wahrgenommener Details über einen längeren Workflow hinweg. Eine Dokumentfrage kann quellengestützte Felder oder einen Vergleich verlangen; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder ein Codevorschlag. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine separat bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Abschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Der Muse-Spark-Reasoning-Leitfaden dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning erfolgt auch ohne ausdrücklichen Aufwandswert; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Konfidenz- oder Erklärungsfelder ausgegeben.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung liefert Operationen, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort nutzt dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er selbst belegt nicht, dass die Operation abgeschlossen wurde. Halten Sie den ursprünglichen Aufruf und das Ergebnis über den Gesprächsverlauf hinweg verbunden.
Der Hersteller dokumentiert außerdem strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen von Interpretationen getrennt, wenn sie unterschiedlichen Zwecken dienen. Eine strukturierte Form belegt keine sachliche Richtigkeit; die Originalquellen und tatsächlichen Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Grenzen der Ausgabe und Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Coding-Änderungen von 1.2, die Verhaltensaktualisierungen für längerfristige Arbeit von 1.3 und die Einstellung max von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeordnet werden. Die Chat-Schnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen. Bewahren Sie deshalb sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der verbundenen Schnittstelle.
Die gelesenen Quellen nennen keine separaten festen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den dokumentierten Kontext hinaus. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege. Halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Token Ausgabe · Ausgabetoken $0.0085 / 1K Token Eingabe · Cache-Lesen $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Token Ausgabe · Ausgabetoken $0.0085 / 1K Token Eingabe · Cache-Lesen $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.1
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.1Muse Spark 1.1 ist Metas multimodales Reasoning-Modell für Agenten, Computernutzung und Programmierung. Es arbeitet mit umfangreichem Text- und Bildkontext, erzeugt Text und vorgeschlagene Werkzeugaktionen und besitzt einen Herstellerkontext von 1.048.576 Token mit Reasoning-Stufen bis xhigh.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta Superintelligence Labs für Agentenarbeit, Programmierung und Workflows zur Computernutzung. Die ursprüngliche Veröffentlichung des Herstellers betont Planung, Orchestrierung, Kontextverwaltung und die Verbindung visueller Belege mit von Werkzeugen bereitgestellten Aktionen. Die dokumentierte Ausgabe ist Text; die Anwendung um das Modell herum liefert die tatsächliche Ausführung und gerenderte Artefakte.
Agentenplanung und langer Kontext
Die Veröffentlichung beschreibt die Anpassung an native Werkzeuge, benutzerdefinierte Funktionen und Agentenumgebungen. Als Hauptagent kann das Modell Kontext sammeln, einen Plan bilden und definierte Arbeit delegieren; in einer delegierten Rolle folgt es der zugewiesenen Aufgabe und kann ein Hindernis eskalieren. Dies sind Fähigkeiten einer Agentenumgebung und keine Sammlung von Unteragenten, die eine einzelne Textantwort automatisch erzeugt.
Die Modelltabelle des Herstellers nennt einen Kontext von 1.048.576 Token. Seine 1.1-Veröffentlichung beschreibt das Erinnern früherer Arbeit und das Verdichten der für spätere Schritte benötigten Informationen. Eine hilfreiche Aufgabe sollte Ziel, Quellmaterial und abschließendes Artefakt benennen und wichtige Entscheidungen sowie Werkzeugergebnisse ausdrücklich bewahren. Ein großer Kontext hilft, zusammengehörige Informationen vereint zu halten, definiert jedoch nicht die Anforderung, die das Ergebnis erfüllen muss.
Kennzeichnen Sie für eine lange Projektfrage die Quelldokumente und fordern Sie die relevante Anforderung, ihre Position und die offene Bedingung an. Fordern Sie bei einem Plan Aktionen in einer auf die vorgegebenen Einschränkungen abgestimmten Reihenfolge an und legen Sie fest, welches Ergebnis jeden Schritt abschließt. Bewahren Sie bei Folgeaufträgen sichtbare Erkenntnisse und Ergebnisse, statt anzunehmen, ein nicht näher bestimmtes Gedächtnis enthalte jeden früheren Fakt.
Computernutzung und Programmierung
Der Hersteller beschreibt Computer-Workflows über wechselnde Anwendungen hinweg, bei denen das Modell in einer verbundenen Umgebung zwischen direkter Oberflächeninteraktion und skriptbasierter Automatisierung wählt. Ein Screenshot kann den sichtbaren Zustand liefern und eine Textanweisung das Nutzerziel definieren. Fordern Sie das relevante Steuerelement, die vorgeschlagene Operation und die stützenden Belege an und geben Sie dann den tatsächlichen neuen Zustand zurück, falls die Umgebung diese Operation ausführt.
Für Programmierung beschreibt die Veröffentlichung Fehlerdiagnose, Implementierung von Funktionen und Code-Migrationen. Ihre Debugging-Demonstration verbindet Codegenerierung, Screenshots, das Auffinden eines Fehlers und die Prüfung der Korrektur. Eine praktische Anfrage kann das fehlerhafte Verhalten, den betroffenen Quellcode und das erwartete Ergebnis bereitstellen und dann die vorgeschlagene Änderung unter Beibehaltung der öffentlichen Schnittstelle verlangen. Codeausführung und Dateiänderungen bleiben Operationen, die von Anwendungswerkzeugen bereitgestellt werden.
Geben Sie dem Modell den Code und die Deklarationen, die das Verhalten bestimmen. Stellen Sie für eine Erklärung eine nachzuverfolgende Eingabe bereit, für eine Änderung das Ergebnis und die Einschränkungen und für eine visuelle Implementierung den Screenshot und die Interaktionen, die das Bild nicht zeigt. Fordern Sie das Artefakt getrennt von seinen Annahmen und der zu seiner Prüfung benötigten Rückmeldung an.
Multimodale Eingaben
Die Modelltabelle dokumentiert Text-, Bild-, Video-, Audio- und PDF-Eingabe für 1.1 mit Textausgabe. Die Veröffentlichung beschreibt detaillierte Bild- und Videobeschriftungen, Generierung von Code aus visuellen Vorlagen und die Nutzung wahrgenommener Details über einen längeren Workflow hinweg. Eine Dokumentfrage kann quellengestützte Felder oder einen Vergleich verlangen; eine Videofrage kann das zu beschreibende Ereignis oder die Abfolge benennen; eine audiovisuelle Frage kann festlegen, welche gesprochenen und sichtbaren Informationen wichtig sind.
Die Modellausgabe bleibt eine schriftliche Erklärung, ein strukturiertes Ergebnis oder ein Codevorschlag. Ein erzeugtes Bild, synthetisierte Sprache oder eine abgeschlossene externe Aktion benötigt eine separat bereitgestellte Komponente. Bewahren Sie Quellenkennungen, Beschriftungen, Einheiten und relevante Abschnitte, damit das Textergebnis mit dem Originalmaterial verglichen werden kann.
Reasoning, Werkzeuge und strukturierte Ausgabe
Der Muse-Spark-Reasoning-Leitfaden dokumentiert für diese Ausgabe minimal, low, medium, high und xhigh. Max ist eine spätere Einstellung von Standard 1.3, und none wird nicht unterstützt. Reasoning erfolgt auch ohne ausdrücklichen Aufwandswert; das Ausgabebudget umfasst sowohl privates internes Reasoning als auch die sichtbare Antwort. Rohes Reasoning und Log-Wahrscheinlichkeiten werden nicht als gewöhnliche Konfidenz- oder Erklärungsfelder ausgegeben.
Entwicklerdefinierte Werkzeugaufrufe folgen einem Zyklus: Die Anwendung liefert Operationen, das Modell bereitet Argumente vor, die Anwendung führt jeden Aufruf aus und gibt sein Ergebnis zurück, und die nächste Antwort nutzt dieses Ergebnis. Ein Werkzeugaufruf kann Informationen oder eine Operation anfordern; er selbst belegt nicht, dass die Operation abgeschlossen wurde. Halten Sie den ursprünglichen Aufruf und das Ergebnis über den Gesprächsverlauf hinweg verbunden.
Der Hersteller dokumentiert außerdem strukturierten Text, der durch ein bereitgestelltes JSON-Schema eingeschränkt wird. Definieren Sie die von der Anwendung benötigten Felder und ihre Typen und halten Sie Quelleninformationen von Interpretationen getrennt, wenn sie unterschiedlichen Zwecken dienen. Eine strukturierte Form belegt keine sachliche Richtigkeit; die Originalquellen und tatsächlichen Werkzeugergebnisse bestimmen weiterhin den Inhalt einer überprüfbaren Antwort.
Grenzen der Ausgabe und Fortsetzung
Muse Spark 1.1 bleibt eine eigene Version. Die spezifischen Coding-Änderungen von 1.2, die Verhaltensaktualisierungen für längerfristige Arbeit von 1.3 und die Einstellung max von Standard 1.3 sollten ihr nicht allein wegen der gemeinsamen Familie zugeordnet werden. Die Chat-Schnittstelle des Herstellers gibt externen Aufrufern kein privates Reasoning zum erneuten Einspielen. Bewahren Sie deshalb sichtbaren Verlauf und verwenden Sie die Fortsetzungsmechanismen der verbundenen Schnittstelle.
Die gelesenen Quellen nennen keine separaten festen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den dokumentierten Kontext hinaus. Definieren Sie das erforderliche Textartefakt und bewahren Sie die für jede Aktion oder Schlussfolgerung nötigen Belege. Halten Sie dabei Planung und Wahrnehmung des Modells von der Umgebung getrennt, die seine vorgeschlagenen Operationen ausführt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Token Ausgabe · Ausgabetoken $0.0085 / 1K Token Eingabe · Cache-Lesen $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K Token Ausgabe · Ausgabetoken $0.0085 / 1K Token Eingabe · Cache-Lesen $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.