Muse Spark 1.2 ist eine auf Programmierung ausgerichtete Aktualisierung von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Artefakten wie Webseiten und Spielen; seine Modelltabelle nennt einen Kontext von 1.048.576 Token und Textausgabe. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelle Programmierung
Die Veröffentlichung beschreibt, wie visuelles Layout, Hierarchie und Stil in funktionierenden Code übertragen und das resultierende Artefakt anschließend mit Werkzeugen geprüft werden. Stellen Sie für eine hilfreiche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten bereit. Ein Screenshot kann das Erscheinungsbild zeigen, aber Interaktionen offenlassen. Benennen Sie deshalb Steuerelemente, Zustände und die erwarteten Reaktionen auf Nutzeraktionen, die das Ergebnis enthalten soll.
Fordern Sie sichtbare Struktur, vorgeschlagene Implementierung und Annahmen getrennt an. Beispielsweise kann eine Seitenrekonstruktionsaufgabe die benannten Abschnitte und visuellen Beziehungen aus der Referenz verlangen und anschließend den Code für eine definierte Interaktion anfordern. Rendering und Erprobung dieses Codes benötigen die verbundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt über Codegenerierung hinaus Diagrammverständnis und visuelles Reasoning. Bewahren Sie die Achsen, Einheiten und Beschriftungen eines Diagramms und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Benennen Sie bei einem Schaubild die zu erklärende Beziehung und die zu bewahrenden Quellenkennzeichnungen. Unterscheiden Sie bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Workflows
Die 1.2-Ankündigung behandelt außerdem eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Dies sind eigenständige experimentelle Komponenten: Ein übergeordnetes Modell durchdenkt Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy niedrigstufige Aktionen ausführt. Das Standardmodell mit Textausgabe sollte nicht als Roboteraktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder einer gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benennen Sie den relevanten Abschnitt und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Workflow kann eine Demonstration mit ihrem schriftlichen Ablauf vergleichen, sichtbare Übereinstimmungen und Unterschiede anfordern und anschließend ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Erzeugter Fließtext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Sprachgenerierung gehören zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark betreibt internes Reasoning, bevor es sichtbaren Text erzeugt. Die für 1.2 anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist keine unterstützte Möglichkeit, Reasoning zu deaktivieren. Ohne angegebene Aufwandsstufe verwendet das Modell ein selbst bestimmtes Niveau.
Der Kontext von 1.048.576 Token kann zusammengehöriges Quellmaterial und Gesprächsverlauf bewahren; Ziel und abschließendes Artefakt müssen dennoch definiert werden. Benennen Sie für eine Aufgabe mit langen Dokumenten die Frage, kennzeichnen Sie jede Quelle und bewahren Sie deren Position bei extrahierten Informationen. Reasoning- und sichtbare Antwort-Token teilen sich das Ausgabebudget. Reservieren Sie deshalb genügend Platz für die Erklärung oder den Code, die die Aufgabe tatsächlich benötigt.
Rohes internes Reasoning wird nicht als gewöhnlicher Text ausgegeben. Auch die Chat-Schnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg fort. Bewahren Sie die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die ein Folgeauftrag benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell liefert diese Funktion daher nicht als Konfidenzmaß für seine Schlussfolgerungen.
Werkzeuge und strukturierte Artefakte
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt Aufrufvorschläge und Argumente, und die Anwendung führt sie aus und gibt für jeden Aufruf das Ergebnis zurück. Das Modell kann anschließend die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und erzeugter Artefakte setzt voraus, dass diese Werkzeuge Teil der Umgebung sind.
Strukturierte Ausgabe kann den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz zur visuellen Extraktion kann Quellbild, Objekt oder Beschriftung, beobachteten Wert und Interpretation enthalten. Ein Coding-Review kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung benennen. Der strikte Modus des Herstellers erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden abgelehnt.
Definieren Sie die Korrektheit des Artefakts praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion reagieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen keine unabhängigen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den Modellkontext hinaus. Bewahren Sie die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textartefakt und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung dient.
", "aboutText": "Muse Spark 1.2 ist eine auf Programmierung ausgerichtete Aktualisierung von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Artefakten wie Webseiten und Spielen; seine Modelltabelle nennt einen Kontext von 1.048.576 Token und Textausgabe. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.\n\nVisuelle Programmierung\n\nDie Veröffentlichung beschreibt, wie visuelles Layout, Hierarchie und Stil in funktionierenden Code übertragen und das resultierende Artefakt anschließend mit Werkzeugen geprüft werden. Stellen Sie für eine hilfreiche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten bereit. Ein Screenshot kann das Erscheinungsbild zeigen, aber Interaktionen offenlassen. Benennen Sie deshalb Steuerelemente, Zustände und die erwarteten Reaktionen auf Nutzeraktionen, die das Ergebnis enthalten soll.\n\nFordern Sie sichtbare Struktur, vorgeschlagene Implementierung und Annahmen getrennt an. Beispielsweise kann eine Seitenrekonstruktionsaufgabe die benannten Abschnitte und visuellen Beziehungen aus der Referenz verlangen und anschließend den Code für eine definierte Interaktion anfordern. Rendering und Erprobung dieses Codes benötigen die verbundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.\n\nDer Hersteller nennt über Codegenerierung hinaus Diagrammverständnis und visuelles Reasoning. Bewahren Sie die Achsen, Einheiten und Beschriftungen eines Diagramms und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Benennen Sie bei einem Schaubild die zu erklärende Beziehung und die zu bewahrenden Quellenkennzeichnungen. Unterscheiden Sie bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.\n\nRäumliche und audiovisuelle Workflows\n\nDie 1.2-Ankündigung behandelt außerdem eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Dies sind eigenständige experimentelle Komponenten: Ein übergeordnetes Modell durchdenkt Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy niedrigstufige Aktionen ausführt. Das Standardmodell mit Textausgabe sollte nicht als Roboteraktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.\n\nFür die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder einer gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benennen Sie den relevanten Abschnitt und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.\n\nDie Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Workflow kann eine Demonstration mit ihrem schriftlichen Ablauf vergleichen, sichtbare Übereinstimmungen und Unterschiede anfordern und anschließend ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Erzeugter Fließtext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Sprachgenerierung gehören zu separat benannten Komponenten.\n\nReasoning-Einstellungen und Kontext\n\nMuse Spark betreibt internes Reasoning, bevor es sichtbaren Text erzeugt. Die für 1.2 anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist keine unterstützte Möglichkeit, Reasoning zu deaktivieren. Ohne angegebene Aufwandsstufe verwendet das Modell ein selbst bestimmtes Niveau.\n\nDer Kontext von 1.048.576 Token kann zusammengehöriges Quellmaterial und Gesprächsverlauf bewahren; Ziel und abschließendes Artefakt müssen dennoch definiert werden. Benennen Sie für eine Aufgabe mit langen Dokumenten die Frage, kennzeichnen Sie jede Quelle und bewahren Sie deren Position bei extrahierten Informationen. Reasoning- und sichtbare Antwort-Token teilen sich das Ausgabebudget. Reservieren Sie deshalb genügend Platz für die Erklärung oder den Code, die die Aufgabe tatsächlich benötigt.\n\nRohes internes Reasoning wird nicht als gewöhnlicher Text ausgegeben. Auch die Chat-Schnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg fort. Bewahren Sie die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die ein Folgeauftrag benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell liefert diese Funktion daher nicht als Konfidenzmaß für seine Schlussfolgerungen.\n\nWerkzeuge und strukturierte Artefakte\n\nDie Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt Aufrufvorschläge und Argumente, und die Anwendung führt sie aus und gibt für jeden Aufruf das Ergebnis zurück. Das Modell kann anschließend die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und erzeugter Artefakte setzt voraus, dass diese Werkzeuge Teil der Umgebung sind.\n\nStrukturierte Ausgabe kann den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz zur visuellen Extraktion kann Quellbild, Objekt oder Beschriftung, beobachteten Wert und Interpretation enthalten. Ein Coding-Review kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung benennen. Der strikte Modus des Herstellers erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden abgelehnt.\n\nDefinieren Sie die Korrektheit des Artefakts praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion reagieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen keine unabhängigen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den Modellkontext hinaus. Bewahren Sie die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textartefakt und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung dient.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.meta/muse-spark-1.2Muse Spark 1.2 ist Metas multimodales Reasoning-Modell mit Schwerpunkt auf visueller Programmierung, Diagrammen und audiovisuellem Verständnis. Es kann bereitgestellte Bilder oder Videos mithilfe verbundener Werkzeuge in Vorschläge für Web- und Spielecode umsetzen, mit Textausgabe und einem Herstellerkontext von 1.048.576 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.2 ist eine auf Programmierung ausgerichtete Aktualisierung von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Artefakten wie Webseiten und Spielen; seine Modelltabelle nennt einen Kontext von 1.048.576 Token und Textausgabe. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelle Programmierung
Die Veröffentlichung beschreibt, wie visuelles Layout, Hierarchie und Stil in funktionierenden Code übertragen und das resultierende Artefakt anschließend mit Werkzeugen geprüft werden. Stellen Sie für eine hilfreiche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten bereit. Ein Screenshot kann das Erscheinungsbild zeigen, aber Interaktionen offenlassen. Benennen Sie deshalb Steuerelemente, Zustände und die erwarteten Reaktionen auf Nutzeraktionen, die das Ergebnis enthalten soll.
Fordern Sie sichtbare Struktur, vorgeschlagene Implementierung und Annahmen getrennt an. Beispielsweise kann eine Seitenrekonstruktionsaufgabe die benannten Abschnitte und visuellen Beziehungen aus der Referenz verlangen und anschließend den Code für eine definierte Interaktion anfordern. Rendering und Erprobung dieses Codes benötigen die verbundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt über Codegenerierung hinaus Diagrammverständnis und visuelles Reasoning. Bewahren Sie die Achsen, Einheiten und Beschriftungen eines Diagramms und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Benennen Sie bei einem Schaubild die zu erklärende Beziehung und die zu bewahrenden Quellenkennzeichnungen. Unterscheiden Sie bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Workflows
Die 1.2-Ankündigung behandelt außerdem eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Dies sind eigenständige experimentelle Komponenten: Ein übergeordnetes Modell durchdenkt Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy niedrigstufige Aktionen ausführt. Das Standardmodell mit Textausgabe sollte nicht als Roboteraktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder einer gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benennen Sie den relevanten Abschnitt und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Workflow kann eine Demonstration mit ihrem schriftlichen Ablauf vergleichen, sichtbare Übereinstimmungen und Unterschiede anfordern und anschließend ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Erzeugter Fließtext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Sprachgenerierung gehören zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark betreibt internes Reasoning, bevor es sichtbaren Text erzeugt. Die für 1.2 anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist keine unterstützte Möglichkeit, Reasoning zu deaktivieren. Ohne angegebene Aufwandsstufe verwendet das Modell ein selbst bestimmtes Niveau.
Der Kontext von 1.048.576 Token kann zusammengehöriges Quellmaterial und Gesprächsverlauf bewahren; Ziel und abschließendes Artefakt müssen dennoch definiert werden. Benennen Sie für eine Aufgabe mit langen Dokumenten die Frage, kennzeichnen Sie jede Quelle und bewahren Sie deren Position bei extrahierten Informationen. Reasoning- und sichtbare Antwort-Token teilen sich das Ausgabebudget. Reservieren Sie deshalb genügend Platz für die Erklärung oder den Code, die die Aufgabe tatsächlich benötigt.
Rohes internes Reasoning wird nicht als gewöhnlicher Text ausgegeben. Auch die Chat-Schnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg fort. Bewahren Sie die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die ein Folgeauftrag benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell liefert diese Funktion daher nicht als Konfidenzmaß für seine Schlussfolgerungen.
Werkzeuge und strukturierte Artefakte
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt Aufrufvorschläge und Argumente, und die Anwendung führt sie aus und gibt für jeden Aufruf das Ergebnis zurück. Das Modell kann anschließend die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und erzeugter Artefakte setzt voraus, dass diese Werkzeuge Teil der Umgebung sind.
Strukturierte Ausgabe kann den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz zur visuellen Extraktion kann Quellbild, Objekt oder Beschriftung, beobachteten Wert und Interpretation enthalten. Ein Coding-Review kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung benennen. Der strikte Modus des Herstellers erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden abgelehnt.
Definieren Sie die Korrektheit des Artefakts praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion reagieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen keine unabhängigen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den Modellkontext hinaus. Bewahren Sie die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textartefakt und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung dient.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K 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-1.2", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.2',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.2
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.2Muse Spark 1.2 ist Metas multimodales Reasoning-Modell mit Schwerpunkt auf visueller Programmierung, Diagrammen und audiovisuellem Verständnis. Es kann bereitgestellte Bilder oder Videos mithilfe verbundener Werkzeuge in Vorschläge für Web- und Spielecode umsetzen, mit Textausgabe und einem Herstellerkontext von 1.048.576 Token.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.2 ist eine auf Programmierung ausgerichtete Aktualisierung von Metas Muse Spark 1.1 mit Schwerpunkt auf multimodalem Verständnis und visuellem Reasoning. Die Demonstrationen des Herstellers verbinden Bilder und Video mit digitalen Artefakten wie Webseiten und Spielen; seine Modelltabelle nennt einen Kontext von 1.048.576 Token und Textausgabe. Dieser Eintrag betrifft Standard 1.2, getrennt von Contributor 1.2 und dem späteren 1.3.
Visuelle Programmierung
Die Veröffentlichung beschreibt, wie visuelles Layout, Hierarchie und Stil in funktionierenden Code übertragen und das resultierende Artefakt anschließend mit Werkzeugen geprüft werden. Stellen Sie für eine hilfreiche Aufgabe das Bild oder den Clip zusammen mit dem zu implementierenden Verhalten bereit. Ein Screenshot kann das Erscheinungsbild zeigen, aber Interaktionen offenlassen. Benennen Sie deshalb Steuerelemente, Zustände und die erwarteten Reaktionen auf Nutzeraktionen, die das Ergebnis enthalten soll.
Fordern Sie sichtbare Struktur, vorgeschlagene Implementierung und Annahmen getrennt an. Beispielsweise kann eine Seitenrekonstruktionsaufgabe die benannten Abschnitte und visuellen Beziehungen aus der Referenz verlangen und anschließend den Code für eine definierte Interaktion anfordern. Rendering und Erprobung dieses Codes benötigen die verbundene Umgebung; der resultierende Screenshot oder die Ausführungsrückmeldung kann zur Eingabe für die nächste Korrektur werden.
Der Hersteller nennt über Codegenerierung hinaus Diagrammverständnis und visuelles Reasoning. Bewahren Sie die Achsen, Einheiten und Beschriftungen eines Diagramms und fordern Sie die Beobachtung an, die jede Schlussfolgerung stützt. Benennen Sie bei einem Schaubild die zu erklärende Beziehung und die zu bewahrenden Quellenkennzeichnungen. Unterscheiden Sie bei einem Dokumentbild die Transkription des sichtbaren Wortlauts von einer Zusammenfassung oder Interpretation.
Räumliche und audiovisuelle Workflows
Die 1.2-Ankündigung behandelt außerdem eine spezialisierte Robotikvariante und ein zweistufiges Planungs- und Aktionssystem. Dies sind eigenständige experimentelle Komponenten: Ein übergeordnetes Modell durchdenkt Szene und Teilaufgaben, während eine separate Vision-Language-Action-Policy niedrigstufige Aktionen ausführt. Das Standardmodell mit Textausgabe sollte nicht als Roboteraktor beschrieben werden, nur weil die Familienveröffentlichung diese Demonstration enthält.
Für die Standardversion dokumentiert die Modelltabelle Text, Bilder, Video, Audio und PDFs als Eingaben. Eine audiovisuelle Aufgabe kann nach dem für eine Frage relevanten Ereignis oder einer gesprochenen Bedingung fragen und eine geordnete Darstellung des stützenden Materials zurückgeben. Benennen Sie den relevanten Abschnitt und die Antwortform, statt eine ungerichtete Zusammenfassung jeder Modalität zu verlangen.
Die Beispiele des Herstellers kombinieren Videoverständnis, detaillierte Beschriftung und werkzeuggestützte Prüfung. Ein praktischer Workflow kann eine Demonstration mit ihrem schriftlichen Ablauf vergleichen, sichtbare Übereinstimmungen und Unterschiede anfordern und anschließend ein Textergebnis für einen späteren Anwendungsschritt vorbereiten. Erzeugter Fließtext, Code und strukturierte Erkenntnisse sind die dokumentierte Ausgabe; Bild- oder Sprachgenerierung gehören zu separat benannten Komponenten.
Reasoning-Einstellungen und Kontext
Muse Spark betreibt internes Reasoning, bevor es sichtbaren Text erzeugt. Die für 1.2 anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Max gehört zu Standard 1.3, und none ist keine unterstützte Möglichkeit, Reasoning zu deaktivieren. Ohne angegebene Aufwandsstufe verwendet das Modell ein selbst bestimmtes Niveau.
Der Kontext von 1.048.576 Token kann zusammengehöriges Quellmaterial und Gesprächsverlauf bewahren; Ziel und abschließendes Artefakt müssen dennoch definiert werden. Benennen Sie für eine Aufgabe mit langen Dokumenten die Frage, kennzeichnen Sie jede Quelle und bewahren Sie deren Position bei extrahierten Informationen. Reasoning- und sichtbare Antwort-Token teilen sich das Ausgabebudget. Reservieren Sie deshalb genügend Platz für die Erklärung oder den Code, die die Aufgabe tatsächlich benötigt.
Rohes internes Reasoning wird nicht als gewöhnlicher Text ausgegeben. Auch die Chat-Schnittstelle des Herstellers führt für externe Aufrufer keine lesbare private Spur über Gesprächsrunden hinweg fort. Bewahren Sie die sichtbaren Nachrichten, Quellen und zurückgegebenen Werkzeugergebnisse, die ein Folgeauftrag benötigt. Log-Wahrscheinlichkeiten werden nicht unterstützt; das Modell liefert diese Funktion daher nicht als Konfidenzmaß für seine Schlussfolgerungen.
Werkzeuge und strukturierte Artefakte
Die Anwendung beschreibt Entwicklerfunktionen, das Modell erzeugt Aufrufvorschläge und Argumente, und die Anwendung führt sie aus und gibt für jeden Aufruf das Ergebnis zurück. Das Modell kann anschließend die tatsächliche Rückmeldung prüfen und den nächsten Schritt wählen. Der Schwerpunkt der Veröffentlichung auf der Untersuchung visueller Eingaben und erzeugter Artefakte setzt voraus, dass diese Werkzeuge Teil der Umgebung sind.
Strukturierte Ausgabe kann den Text auf ein definiertes JSON-Schema beschränken. Ein Datensatz zur visuellen Extraktion kann Quellbild, Objekt oder Beschriftung, beobachteten Wert und Interpretation enthalten. Ein Coding-Review kann das betroffene Symbol, die Abweichung und die vorgeschlagene Änderung benennen. Der strikte Modus des Herstellers erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und deaktivierte zusätzliche Eigenschaften; rekursive Schemata werden abgelehnt.
Definieren Sie die Korrektheit des Artefakts praktisch: welche Quelldetails es bewahren muss, wie eine Interaktion reagieren soll und welche zurückgegebene Rückmeldung dieses Verhalten belegen würde. Die gelesenen Quellen nennen keine unabhängigen maximalen Eingabe- oder Ausgabe-Token-Kapazitäten über den Modellkontext hinaus. Bewahren Sie die Ausgabe Standard 1.2 und den Unterschied zwischen einem vorgeschlagenen Textartefakt und dem Ausführungs- oder Rendering-Ergebnis, das zu seiner Prüfung dient.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.2 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K 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 $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.2', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.2
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.