Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototyping und Experimente. Die Familie ist für Agenten- und Coding-Arbeit ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahren Sie bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Standard-1.3-Eintrag zu behandeln und sämtliche Einstellungen unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1.048.576 Token. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder Codevorschläge anfordern. Das Textergebnis des Modells kann in der umgebenden Anwendung zu einem Artefakt werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benennen Sie vor der Ergebnisanforderung jede Quelle und ihre Rolle. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem vorhandenen Codefragment verbinden. Fordern Sie die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen an. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Passage neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und schlechtere Antworten liefern kann. Behandeln Sie dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt internes Reasoning vor seiner sichtbaren Antwort. Die hier anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und steht für Contributor-Modelle nicht zur Verfügung. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; ohne diese Einstellung denkt das Modell weiterhin auf einem selbst bestimmten Niveau nach.
Das Budget für Ausgabe-Token umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis benötigt daher Platz für beides, insbesondere bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmaß unterstützt. Fordern Sie die Erklärung, Felder oder den abschließenden Code an, die die Aufgabe benötigt, statt anzunehmen, die zugrunde liegende Reasoning-Spur werde als lesbarer Text zurückgegeben.
Definieren Sie für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Legen Sie bei einem mehrstufigen Coding- oder visuellen Problem die Zwischenentscheidungen und das abschließende Artefakt fest. Ein höherer Reasoning-Aufwand verändert die Zuweisung von Denkaufwand; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet über die benötigte Operation und bereitet ihre Argumente vor, und die Anwendung führt jeden Aufruf aus und gibt das entsprechende Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt verwenden. Ein Aufrufvorschlag ist von einer abgeschlossenen Operation zu unterscheiden.
Dieselbe Dokumentation unterscheidet verbundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stellen Sie in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreiben Sie, was jede zurückgibt, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Legen Sie für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann Quellenkennung, beobachteten Fakt, Interpretation und eine noch zu klärende Frage enthalten. Halten Sie den Datensatz von optionalem Fließtext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schema-Schnittstelle des Herstellers lehnt rekursive Schemata ab und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und verbietet zusätzliche Eigenschaften. Eine passende Struktur belegt keine sachliche Richtigkeit.
Eine hilfreiche Prototyping-Aufgabe
Wählen Sie einen Workflow, der ein überprüfbares Artefakt erzeugen kann. Stellen Sie die Anforderung, ein visuelles Beispiel und den für das aktuelle Verhalten maßgeblichen Code bereit. Fordern Sie einen kurzen Vergleich, einen überarbeiteten Fragmentvorschlag und Beispiele an, die das erwartete vom aktuellen Verhalten unterscheiden. Fügen Sie jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis ein, bevor Sie die abschließende Erklärung verlangen.
Geben Sie für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage an und fordern Sie dann eine quellengestützte Zusammenfassung oder Vergleichstabelle an. Benennen Sie bei Video das zu untersuchende Ereignis oder visuelle Verhältnis und verlangen Sie eine geordnete Beschreibung mit den stützenden Beobachtungen. Definieren Sie Länge und Abschnitte der abschließenden Antwort, damit der große Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und Fortsetzung
Contributor bleibt eine eigenständig benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den dokumentierten Eingabetypen. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf vom Bewahren privaten Reasonings über Gesprächsrunden hinweg: Die Chat-Schnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahren Sie die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die ein Folgeauftrag benötigt, statt anzunehmen, jede Schnittstelle führe internes Reasoning fort.
Die gelesenen Quellen geben keine separate feste maximale Kapazität für Eingabe- oder Ausgabe-Token über das Kontextfenster hinaus an. Bewahren Sie die Ausgabe, die Eingabevorbereitung und das angeforderte Artefakt und halten Sie Werkzeugausführung und abschließende Textlieferung mit den tatsächlich im Prototyping-Workflow erzielten Ergebnissen verbunden.
", "aboutText": "Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototyping und Experimente. Die Familie ist für Agenten- und Coding-Arbeit ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahren Sie bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Standard-1.3-Eintrag zu behandeln und sämtliche Einstellungen unverändert zu übernehmen.\n\nEingaben und Kontext\n\nDie offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1.048.576 Token. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder Codevorschläge anfordern. Das Textergebnis des Modells kann in der umgebenden Anwendung zu einem Artefakt werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.\n\nBenennen Sie vor der Ergebnisanforderung jede Quelle und ihre Rolle. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem vorhandenen Codefragment verbinden. Fordern Sie die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen an. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Passage neben jeder Erkenntnis verlangen.\n\nDer Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und schlechtere Antworten liefern kann. Behandeln Sie dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.\n\nReasoning-Stufen und Antwortbudget\n\nMuse Spark erzeugt internes Reasoning vor seiner sichtbaren Antwort. Die hier anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und steht für Contributor-Modelle nicht zur Verfügung. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; ohne diese Einstellung denkt das Modell weiterhin auf einem selbst bestimmten Niveau nach.\n\nDas Budget für Ausgabe-Token umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis benötigt daher Platz für beides, insbesondere bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmaß unterstützt. Fordern Sie die Erklärung, Felder oder den abschließenden Code an, die die Aufgabe benötigt, statt anzunehmen, die zugrunde liegende Reasoning-Spur werde als lesbarer Text zurückgegeben.\n\nDefinieren Sie für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Legen Sie bei einem mehrstufigen Coding- oder visuellen Problem die Zwischenentscheidungen und das abschließende Artefakt fest. Ein höherer Reasoning-Aufwand verändert die Zuweisung von Denkaufwand; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.\n\nWerkzeuge und strukturierte Erkenntnisse\n\nDie Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet über die benötigte Operation und bereitet ihre Argumente vor, und die Anwendung führt jeden Aufruf aus und gibt das entsprechende Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt verwenden. Ein Aufrufvorschlag ist von einer abgeschlossenen Operation zu unterscheiden.\n\nDieselbe Dokumentation unterscheidet verbundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stellen Sie in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreiben Sie, was jede zurückgibt, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.\n\nLegen Sie für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann Quellenkennung, beobachteten Fakt, Interpretation und eine noch zu klärende Frage enthalten. Halten Sie den Datensatz von optionalem Fließtext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schema-Schnittstelle des Herstellers lehnt rekursive Schemata ab und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und verbietet zusätzliche Eigenschaften. Eine passende Struktur belegt keine sachliche Richtigkeit.\n\nEine hilfreiche Prototyping-Aufgabe\n\nWählen Sie einen Workflow, der ein überprüfbares Artefakt erzeugen kann. Stellen Sie die Anforderung, ein visuelles Beispiel und den für das aktuelle Verhalten maßgeblichen Code bereit. Fordern Sie einen kurzen Vergleich, einen überarbeiteten Fragmentvorschlag und Beispiele an, die das erwartete vom aktuellen Verhalten unterscheiden. Fügen Sie jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis ein, bevor Sie die abschließende Erklärung verlangen.\n\nGeben Sie für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage an und fordern Sie dann eine quellengestützte Zusammenfassung oder Vergleichstabelle an. Benennen Sie bei Video das zu untersuchende Ereignis oder visuelle Verhältnis und verlangen Sie eine geordnete Beschreibung mit den stützenden Beobachtungen. Definieren Sie Länge und Abschnitte der abschließenden Antwort, damit der große Kontext des Modells der tatsächlichen Frage dient.\n\nGrenzen der Ausgabe und Fortsetzung\n\nContributor bleibt eine eigenständig benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den dokumentierten Eingabetypen. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf vom Bewahren privaten Reasonings über Gesprächsrunden hinweg: Die Chat-Schnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahren Sie die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die ein Folgeauftrag benötigt, statt anzunehmen, jede Schnittstelle führe internes Reasoning fort.\n\nDie gelesenen Quellen geben keine separate feste maximale Kapazität für Eingabe- oder Ausgabe-Token über das Kontextfenster hinaus an. Bewahren Sie die Ausgabe, die Eingabevorbereitung und das angeforderte Artefakt und halten Sie Werkzeugausführung und abschließende Textlieferung mit den tatsächlich im Prototyping-Workflow erzielten Ergebnissen verbunden.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor ist eine Reasoning-Ausgabe in Metas Familie für Agenten- und Coding-Aufgaben, vorgesehen für Prototyping-Workflows. Der Hersteller nennt Text-, Bild-, Video- und PDF-Eingaben, Textausgabe und einen Kontext von 1.048.576 Token, mit Reasoning-Stufen bis xhigh statt der Stufe max von Standard 1.3.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototyping und Experimente. Die Familie ist für Agenten- und Coding-Arbeit ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahren Sie bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Standard-1.3-Eintrag zu behandeln und sämtliche Einstellungen unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1.048.576 Token. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder Codevorschläge anfordern. Das Textergebnis des Modells kann in der umgebenden Anwendung zu einem Artefakt werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benennen Sie vor der Ergebnisanforderung jede Quelle und ihre Rolle. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem vorhandenen Codefragment verbinden. Fordern Sie die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen an. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Passage neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und schlechtere Antworten liefern kann. Behandeln Sie dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt internes Reasoning vor seiner sichtbaren Antwort. Die hier anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und steht für Contributor-Modelle nicht zur Verfügung. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; ohne diese Einstellung denkt das Modell weiterhin auf einem selbst bestimmten Niveau nach.
Das Budget für Ausgabe-Token umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis benötigt daher Platz für beides, insbesondere bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmaß unterstützt. Fordern Sie die Erklärung, Felder oder den abschließenden Code an, die die Aufgabe benötigt, statt anzunehmen, die zugrunde liegende Reasoning-Spur werde als lesbarer Text zurückgegeben.
Definieren Sie für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Legen Sie bei einem mehrstufigen Coding- oder visuellen Problem die Zwischenentscheidungen und das abschließende Artefakt fest. Ein höherer Reasoning-Aufwand verändert die Zuweisung von Denkaufwand; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet über die benötigte Operation und bereitet ihre Argumente vor, und die Anwendung führt jeden Aufruf aus und gibt das entsprechende Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt verwenden. Ein Aufrufvorschlag ist von einer abgeschlossenen Operation zu unterscheiden.
Dieselbe Dokumentation unterscheidet verbundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stellen Sie in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreiben Sie, was jede zurückgibt, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Legen Sie für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann Quellenkennung, beobachteten Fakt, Interpretation und eine noch zu klärende Frage enthalten. Halten Sie den Datensatz von optionalem Fließtext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schema-Schnittstelle des Herstellers lehnt rekursive Schemata ab und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und verbietet zusätzliche Eigenschaften. Eine passende Struktur belegt keine sachliche Richtigkeit.
Eine hilfreiche Prototyping-Aufgabe
Wählen Sie einen Workflow, der ein überprüfbares Artefakt erzeugen kann. Stellen Sie die Anforderung, ein visuelles Beispiel und den für das aktuelle Verhalten maßgeblichen Code bereit. Fordern Sie einen kurzen Vergleich, einen überarbeiteten Fragmentvorschlag und Beispiele an, die das erwartete vom aktuellen Verhalten unterscheiden. Fügen Sie jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis ein, bevor Sie die abschließende Erklärung verlangen.
Geben Sie für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage an und fordern Sie dann eine quellengestützte Zusammenfassung oder Vergleichstabelle an. Benennen Sie bei Video das zu untersuchende Ereignis oder visuelle Verhältnis und verlangen Sie eine geordnete Beschreibung mit den stützenden Beobachtungen. Definieren Sie Länge und Abschnitte der abschließenden Antwort, damit der große Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und Fortsetzung
Contributor bleibt eine eigenständig benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den dokumentierten Eingabetypen. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf vom Bewahren privaten Reasonings über Gesprächsrunden hinweg: Die Chat-Schnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahren Sie die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die ein Folgeauftrag benötigt, statt anzunehmen, jede Schnittstelle führe internes Reasoning fort.
Die gelesenen Quellen geben keine separate feste maximale Kapazität für Eingabe- oder Ausgabe-Token über das Kontextfenster hinaus an. Bewahren Sie die Ausgabe, die Eingabevorbereitung und das angeforderte Artefakt und halten Sie Werkzeugausführung und abschließende Textlieferung mit den tatsächlich im Prototyping-Workflow erzielten Ergebnissen verbunden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3-contributor | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen $0.000004 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen $0.000004 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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-1.3-contributor", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.3-contributor
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor ist eine Reasoning-Ausgabe in Metas Familie für Agenten- und Coding-Aufgaben, vorgesehen für Prototyping-Workflows. Der Hersteller nennt Text-, Bild-, Video- und PDF-Eingaben, Textausgabe und einen Kontext von 1.048.576 Token, mit Reasoning-Stufen bis xhigh statt der Stufe max von Standard 1.3.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Muse Spark 1.3 Contributor ist eine separat benannte Ausgabe in Metas Muse-Spark-Familie für Prototyping und Experimente. Die Familie ist für Agenten- und Coding-Arbeit ausgelegt: mehrstufige Werkzeugschleifen, Softwareassistenten und Reasoning über umfangreiches Quellmaterial. Bewahren Sie bei der Auswahl der Ausgabe den Namen Contributor, statt sie als Standard-1.3-Eintrag zu behandeln und sämtliche Einstellungen unverändert zu übernehmen.
Eingaben und Kontext
Die offizielle Modelltabelle nennt Text, Bilder, Video und PDFs als Eingaben und Text als Ausgabe, mit einem Kontextfenster von 1.048.576 Token. Eine Aufgabe kann eine schriftliche Anforderung, einen Screenshot, einen relevanten Clip oder Dokumentseiten kombinieren und eine schriftliche Erklärung, strukturierte Erkenntnisse oder Codevorschläge anfordern. Das Textergebnis des Modells kann in der umgebenden Anwendung zu einem Artefakt werden; das Rendern einer Seite oder Ausführen von Code benötigt diese Anwendungsumgebung.
Benennen Sie vor der Ergebnisanforderung jede Quelle und ihre Rolle. Eine Aufgabe für einen Oberflächenprototyp kann einen Screenshot mit dem gewünschten Verhalten und dem vorhandenen Codefragment verbinden. Fordern Sie die sichtbaren Unterschiede, die vorgeschlagene Implementierungsänderung und die noch zu klärenden Annahmen an. Eine Dokumentaufgabe kann die zu extrahierenden Felder definieren und die stützende Seite oder Passage neben jeder Erkenntnis verlangen.
Der Hersteller weist darauf hin, dass Audioverständnis in Version 1.3 nicht vollständig unterstützt wird und schlechtere Antworten liefern kann. Behandeln Sie dies als versionsspezifische Einschränkung, statt die Audiofähigkeiten von Muse Spark 1.2 oder eines separat benannten Transkriptionsmodells in diese Beschreibung zu übernehmen.
Reasoning-Stufen und Antwortbudget
Muse Spark erzeugt internes Reasoning vor seiner sichtbaren Antwort. Die hier anwendbaren dokumentierten Aufwandsstufen sind minimal, low, medium, high und xhigh. Die Stufe max gehört ausdrücklich zu Standard Muse Spark 1.3 und steht für Contributor-Modelle nicht zur Verfügung. Das Deaktivieren von Reasoning mit none wird nicht unterstützt; ohne diese Einstellung denkt das Modell weiterhin auf einem selbst bestimmten Niveau nach.
Das Budget für Ausgabe-Token umfasst sowohl internes Reasoning als auch sichtbaren Text. Eine Anfrage nach einem langen schriftlichen Ergebnis benötigt daher Platz für beides, insbesondere bei höherem Reasoning-Aufwand. Das rohe interne Reasoning bleibt privat, und Log-Wahrscheinlichkeiten werden nicht als Konfidenzmaß unterstützt. Fordern Sie die Erklärung, Felder oder den abschließenden Code an, die die Aufgabe benötigt, statt anzunehmen, die zugrunde liegende Reasoning-Spur werde als lesbarer Text zurückgegeben.
Definieren Sie für ein gezieltes Extraktions- oder Formatierungsexperiment den genauen Datensatz und das Quellmaterial. Legen Sie bei einem mehrstufigen Coding- oder visuellen Problem die Zwischenentscheidungen und das abschließende Artefakt fest. Ein höherer Reasoning-Aufwand verändert die Zuweisung von Denkaufwand; er definiert für sich genommen nicht, was ein abgeschlossenes, nützliches Ergebnis ausmacht.
Werkzeuge und strukturierte Erkenntnisse
Die Muse-Spark-Dokumentation des Herstellers beschreibt entwicklerdefinierte Werkzeugaufrufe und strukturierte Ausgaben. Die Anwendung liefert die Werkzeugdefinitionen, das Modell entscheidet über die benötigte Operation und bereitet ihre Argumente vor, und die Anwendung führt jeden Aufruf aus und gibt das entsprechende Ergebnis zurück. Die nächste Antwort kann diese Ergebnisse für die Entscheidung über den nächsten Schritt verwenden. Ein Aufrufvorschlag ist von einer abgeschlossenen Operation zu unterscheiden.
Dieselbe Dokumentation unterscheidet verbundene integrierte Suchwerkzeuge von entwicklerdefinierten Funktionen. Suche oder Codeausführung gehören zur Werkzeugumgebung und sind keine zusätzliche Inhaltsmodalität der Textantwort. Stellen Sie in einem Prototyp nur die für die Frage relevanten Operationen bereit und beschreiben Sie, was jede zurückgibt, damit die nachfolgende Antwort mit tatsächlich abgerufenen oder berechneten Informationen verbunden bleibt.
Legen Sie für strukturierte Extraktion Feldnamen, erforderliche Informationen und die Darstellung fehlender Werte fest. Ein praktischer Datensatz kann Quellenkennung, beobachteten Fakt, Interpretation und eine noch zu klärende Frage enthalten. Halten Sie den Datensatz von optionalem Fließtext getrennt, wenn eine Anwendung die Felder zuverlässig verarbeiten muss. Die Schema-Schnittstelle des Herstellers lehnt rekursive Schemata ab und begrenzt die Verschachtelung auf zehn Ebenen. Ihr strikter Modus erfordert ein einfaches Objekt als Wurzel, alle aufgeführten Eigenschaften als Pflichtfelder und verbietet zusätzliche Eigenschaften. Eine passende Struktur belegt keine sachliche Richtigkeit.
Eine hilfreiche Prototyping-Aufgabe
Wählen Sie einen Workflow, der ein überprüfbares Artefakt erzeugen kann. Stellen Sie die Anforderung, ein visuelles Beispiel und den für das aktuelle Verhalten maßgeblichen Code bereit. Fordern Sie einen kurzen Vergleich, einen überarbeiteten Fragmentvorschlag und Beispiele an, die das erwartete vom aktuellen Verhalten unterscheiden. Fügen Sie jedes von der Anwendung zurückgegebene Abfrage- oder Ausführungsergebnis ein, bevor Sie die abschließende Erklärung verlangen.
Geben Sie für einen dokumentorientierten Prototyp das PDF und die zu beantwortende Frage an und fordern Sie dann eine quellengestützte Zusammenfassung oder Vergleichstabelle an. Benennen Sie bei Video das zu untersuchende Ereignis oder visuelle Verhältnis und verlangen Sie eine geordnete Beschreibung mit den stützenden Beobachtungen. Definieren Sie Länge und Abschnitte der abschließenden Antwort, damit der große Kontext des Modells der tatsächlichen Frage dient.
Grenzen der Ausgabe und Fortsetzung
Contributor bleibt eine eigenständig benannte 1.3-Ausgabe mit dem dokumentierten Kontext und den dokumentierten Eingabetypen. Metas Reasoning-Leitfaden unterscheidet gewöhnlichen Gesprächsverlauf vom Bewahren privaten Reasonings über Gesprächsrunden hinweg: Die Chat-Schnittstelle des Herstellers gibt diese private Spur nicht an externe Aufrufer zurück. Bewahren Sie die sichtbaren Nachrichten, Quellen und Werkzeugergebnisse, die ein Folgeauftrag benötigt, statt anzunehmen, jede Schnittstelle führe internes Reasoning fort.
Die gelesenen Quellen geben keine separate feste maximale Kapazität für Eingabe- oder Ausgabe-Token über das Kontextfenster hinaus an. Bewahren Sie die Ausgabe, die Eingabevorbereitung und das angeforderte Artefakt und halten Sie Werkzeugausführung und abschließende Textlieferung mit den tatsächlich im Prototyping-Workflow erzielten Ergebnissen verbunden.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3-contributor | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen $0.000004 / 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 $0.0002 / 1K Token Ausgabe · Ausgabetoken $0.0004 / 1K Token Eingabe · Cache-Lesen $0.000004 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.3-contributor
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.