Modelle

Meta: Muse Spark 1.3

Markdown · JSON

Meta: Muse Spark 1.3

Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-Workflows. Es verfolgt Quellen und vorherige Ergebnisse, unterstützt einen Herstellerkontext von 1.048.576 Token sowie Reasoning-Stufen bis max in dieser Standard-Ausgabe und liefert Text sowie vorgeschlagene Werkzeugaktionen.

Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

Muse Spark 1.3 ist Metas Reasoning-Modell für ausdauernde Agenten- und Coding-Arbeit. Der Hersteller betont das Bewahren von Kontext und früheren Ergebnissen über ausgedehnte Aufgaben hinweg, den Umgang mit widersprüchlichen Quellen und das Erstellen eines fertigen Ergebnisses. Dieser Eintrag betrifft die Ausgabe Standard 1.3, deren dokumentierte Reasoning-Einstellungen max umfassen; die separat benannte Contributor-Ausgabe besitzt eigene Einstellungsgrenzen.

Längerfristige Agentenarbeit

Die Veröffentlichung beschreibt ein über verschiedene Agentenumgebungen hinweg trainiertes Modell, das Informationen sammelt, einen Plan bei veränderter Beweislage überarbeitet und detaillierte Anforderungen durch eine mehrstufige Aufgabe hindurch bewahrt. Sie beschreibt außerdem einen verbesserten Umgang mit mehreren Workflows in einem Gespräch, bei dem eingehende Anfragen der jeweiligen Aufgabe zugeordnet werden. Eine hilfreiche Anfrage sollte Ziel, Quellen, Anforderungen und das Artefakt definieren, das als Abschluss gilt.

Stellen Sie für eine professionelle Dokumentaufgabe die Quellberichte bereit, benennen Sie die zu bewahrenden Fakten und verlangen Sie ein strukturiertes Briefing mit Quellenpositionen. Fordern Sie bei widersprüchlichen Quellen die sich widersprechenden Aussagen gesondert an sowie die Informationen, die zur Klärung benötigt werden. Fügen Sie für eine Coding-Aufgabe das gewünschte Verhalten, betroffene Module und relevanten Code bei und bitten Sie um die vorgeschlagene Implementierung und die Belege, die das beabsichtigte Ergebnis erkennbar machen würden.

Der Hersteller erklärt, dass 1.3 bei mehrdeutigen Anfragen nachfragt und bei Blockaden um Nutzerhilfe bittet. Er beschreibt außerdem besseres Urteilsvermögen bei folgenreichen Aktionen. Dies sind Verbesserungen des Modellverhaltens und kein Ersatz für die Ausführungskontrollen der Anwendung. Geben Sie dem Agenten die zur Entscheidung benötigten Informationen und machen Sie das erforderliche Ergebnis ausdrücklich klar.

Programmierung und multimodale Belege

Die Veröffentlichung konzentriert sich gegenüber 1.2 auf längere Coding-Aufgaben, sauberere Ausgaben und weniger unnötige Gesprächsrunden. Ein Coding-Agent-Workflow kann einen Screenshot prüfen, relevanten Code finden, eine Korrektur vorschlagen und von seinen Werkzeugen gelieferte Ausführungs- oder Rendering-Rückmeldungen nutzen. Benennen Sie die kompatibel zu haltende Schnittstelle und fordern Sie das geänderte Artefakt getrennt von Annahmen und Erklärung an.

Die offizielle Modelltabelle nennt Text-, Bild-, Video- und PDF-Eingabe mit Textausgabe und einem Kontext von 1.048.576 Token. Bilder oder Clips können neben der schriftlichen Aufgabe sichtbare Belege liefern. Eine Diagrammfrage sollte Achsen, Legenden und Einheiten bewahren; eine Screenshotfrage sollte das nachzubildende oder zu prüfende Verhalten benennen. Eine PDF-Frage kann eine quellengestützte Extraktion oder einen Vergleich verlangen statt einer allgemeinen Zusammenfassung jeder Seite.

Der Hersteller weist ausdrücklich darauf hin, dass Audioverständnis in 1.3 nicht vollständig unterstützt wird und Antworten mit Audio schlechter ausfallen können. Dies unterscheidet sich von der dokumentierten audiovisuellen Fähigkeit von 1.2. Auch das Textergebnis des Modells erzeugt ohne die Werkzeuge der umgebenden Anwendung selbst kein Bild, keine Sprachaufnahme und keine fertige Datei.

Reasoning-Aufwand und Fortsetzung

Die dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; ohne diese Einstellung bleibt ein vom Modell bestimmtes Reasoning-Niveau aktiv. Wählen Sie den Aufwand für das tatsächliche Problem und lassen Sie Platz sowohl für internes Reasoning als auch für das erforderliche schriftliche Ergebnis.

Reasoning-Token und sichtbare Token teilen sich das Ausgabebudget. Rohes internes Reasoning bleibt privat und wird nicht als gewöhnlicher lesbarer Text zurückgegeben. Der Hersteller unterscheidet sichtbaren Gesprächsverlauf von privater Reasoning-Fortsetzung: Seine Chat-Schnittstelle gibt keine Spur aus, die externe Aufrufer erneut einspielen könnten, während sein anderer dokumentierter Gesprächs-Workflow verwaltete oder verschlüsselte Reasoning-Fortsetzung unterstützt. Bewahren Sie Quellen, sichtbare Nachrichten und tatsächliche Werkzeugergebnisse, die ein Folgeauftrag benötigt, statt anzunehmen, alle Schnittstellen erhielten privates Reasoning identisch.

Werkzeuge und strukturierte Ergebnisse

Die Anwendung stellt entwicklerdefinierte Funktionsbeschreibungen bereit, das Modell erzeugt die benötigten Aufrufargumente, und die Anwendung führt jeden Aufruf aus und gibt das zugehörige Ergebnis zurück. Das Modell kann in einer Gesprächsrunde mehrere Funktionen anfordern. Geben Sie das Ergebnis jeder ursprünglichen Operation zurück, bevor Sie die nächste Schlussfolgerung verlangen, damit die Antwort tatsächlich abgerufene oder berechnete Informationen nutzt.

Der Hersteller dokumentiert separat integrierte Suchwerkzeuge, die innerhalb seines verbundenen Dienstes ausgeführt werden. Entwicklerfunktionen und diese integrierten Werkzeuge haben unterschiedliche Ausführungsabläufe. Das Modell kann überlegen, welche Informationen es benötigt; seine Auswahl allein bietet jedoch keinen Repository-Zugriff, Browser oder Zugang zu einer privaten Informationsquelle.

Strukturierte Ausgabe kann das Ergebnis auf ein bereitgestelltes JSON-Schema beschränken. Definieren Sie die vom nächsten Schritt benötigten Felder und Typen sowie den Umgang mit fehlenden Quelleninformationen. Im strikten Schema-Modus des Herstellers ist die Wurzel ein einfaches Objekt, jede Eigenschaft ist erforderlich und zusätzliche Eigenschaften sind verboten; rekursive Schemata werden abgelehnt. Dies sind Einschränkungen der strukturierten Herstellerschnittstelle und kein Beleg dafür, dass die Fakten in einem korrekt geformten Datensatz wahr sind.

Fordern Sie für ein hilfreiches abschließendes Artefakt quellengestützte Erkenntnisse, die vorgeschlagene Änderung oder das Dokument und offene Bedingungen jeweils getrennt an. Die gelesenen Quellen nennen keine unabhängige feste maximale Eingabe- oder Ausgabe-Token-Kapazität über den dokumentierten Kontext hinaus. Halten Sie die Identität Standard 1.3, die Reasoning-Wahl und verbundene Ausführungsergebnisse während der gesamten Aufgabe ausdrücklich fest.

Praktische Aufgabe

Praktische Aufgabe

Technisches Beispiel auf Englisch

Resolve conflicting project reports

Prepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.

Erwartetes Ergebnis

A source-linked brief with established facts, the blocking condition and one concrete evidence request.

Ergebnis prüfen

Staging checks alone never satisfy the policy's restoration-rehearsal requirement.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta/muse-spark-1.3

meta/muse-spark-1.3

Meta /meta/muse-spark-1.3

Start

Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-Workflows. Es verfolgt Quellen und vorherige Ergebnisse, unterstützt einen Herstellerkontext von 1.048.576 Token sowie Reasoning-Stufen bis max in dieser Standard-Ausgabe und liefert Text sowie vorgeschlagene Werkzeugaktionen.

Zulässige Eingaben
Text
Ergebnisse
Text

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Eingabetypen
text
Ausgabetypen
text
Ausgabeformat
json oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
meta/muse-spark-1.3
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und Limits
Mindestanzahl Elemente: 1
Standard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte 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[].contentTypstring|content_part[]|nullAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_callsTyptool_call[]AnforderungOptionalWerte und LimitsStandard—
Feldmessages[].tool_call_idTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden
Standard—
Feldmessages[].nameTypstringAnforderungOptionalWerte und LimitsStandard—
Feldmessages[].reasoning_contentTypstringAnforderungOptionalWerte und Limits
Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet
Standard—
Feldmessages[].reasoning_detailsTypobject|arrayAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldmax_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
Feldmax_completion_tokensTypintegerAnforderungOptionalWerte und Limits
Minimum: 1
Modellabhängig
Standard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldstream_options.include_usageTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtemperatureTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtop_pTypnumberAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldstopTypstring|string[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldtoolsTypfunction_tool[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldtools[].typeTypstringAnforderungOptionalWerte und Limits
function
Modellabhängig
Standard—
Feldtools[].function.nameTypstringAnforderungErforderlichWerte und Limits
Gilt, wenn: Funktionswerkzeug bereitgestellt
Standard—
Feldtools[].function.descriptionTypstringAnforderungOptionalWerte und LimitsStandard—
Feldtools[].function.parametersTypJSON_schemaAnforderungOptionalWerte und LimitsStandard—
Feldtool_choiceTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldparallel_tool_callsTypbooleanAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldresponse_formatTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldreasoning_effortTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldreasoningTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldservice_tierTypstringAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldinstructionsTypstringAnforderungOptionalWerte und Limits
Kompatibilitätsfeld
Standard—
FeldfunctionsTypfunction[]AnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldfunction_callTypstring|objectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
Feldprompt_cache_optionsTypobjectAnforderungOptionalWerte und Limits
Modellabhängig
Standard—
FeldmodalitiesTypstring[]AnforderungOptionalWerte und Limits
text
Standard—
FeldproviderTypobjectAnforderungOptionalWerte und Limits
Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt
Standard—
Feldcache_control.ttlTypstringAnforderungOptionalWerte und Limits
Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt
Standard—
Kombinationen von Eingabematerialien

Text · UTF8-Text

messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages
Parametermaterial_typesVertragtext
ParametermessagesVertragNachrichtenarray mit role/content-Struktur
Parameterfile_materialVertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet
Parameteroptional_controlsVertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeVertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen
Parameteroutput_modalitiesVertragtext
Parameterhosted_operationsVertragfalse
Parametermultimodal_input_bindingVertragnull

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.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Denkaufwand · hoch
Standardtarif Wenn der Denkaufwand hoch ist
Denkaufwand · niedrig
Standardtarif Wenn der Denkaufwand niedrig ist
Denkaufwand · max
Standardtarif Wenn der Denkaufwand max ist
Denkaufwand · mittel
Standardtarif Wenn der Denkaufwand mittel ist
Denkaufwand · minimal
Standardtarif Wenn der Denkaufwand minimal ist
Denkaufwand · xhigh
Standardtarif Wenn der Denkaufwand xhigh ist

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
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 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
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 →

Beispielanfragen

Ailoot Ultra · OpenAI Chat

curlPython SDKPython-Stream
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta/muse-spark-1.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Ergebnisse abrufen und speichern

Ailoot Ultra · OpenAI Chat

json oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
Feldchoices[].indexTypinteger
Feldchoices[].message.contentTypstring|null
Feldchoices[].message.tool_callsTyptool_call[]
Feldchoices[].message.reasoning_contentTypstring
Feldchoices[].message.reasoning_detailsTypobject|array
Feldchoices[].finish_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra meta/muse-spark-1.3

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

meta/muse-spark-1.3

Ailoot Ultra · Anthropic Messages POST /v1/messages meta/muse-spark-1.3

meta/muse-spark-1.3

Meta /meta/muse-spark-1.3

Start

Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-Workflows. Es verfolgt Quellen und vorherige Ergebnisse, unterstützt einen Herstellerkontext von 1.048.576 Token sowie Reasoning-Stufen bis max in dieser Standard-Ausgabe und liefert Text sowie vorgeschlagene Werkzeugaktionen.

Zulässige Eingaben
Text
Ergebnisse
json · sse

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Anthropic Messages POST /v1/messages
Eingabetypen
text
Ausgabetypen
json, sse
Ausgabeformat
JSON oder SSE
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
meta/muse-spark-1.3
Standard—
FeldmessagesTypmessage[]AnforderungErforderlichWerte und LimitsStandard—
Feldmessages[].roleTypstringAnforderungErforderlichWerte und Limits
user, assistant
Standard—
Feldmessages[].contentTypstringAnforderungErforderlichWerte und LimitsStandard—
Feldmax_tokensTypintegerAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Kombinationen von Eingabematerialien

Text · UTF-8-Text

Zeichenfolge messages[].content

Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, messages, max_tokens
Parameteroptional_controlsVertragstream
Parametermaterial_typesVertragtext
Parametertext_file_materialVertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen.

Lebenszyklus: synchronous_or_streamed

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Standardtarif Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Standardtarif Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird
Denkaufwand · hoch
Standardtarif Wenn der Denkaufwand hoch ist
Denkaufwand · niedrig
Standardtarif Wenn der Denkaufwand niedrig ist
Denkaufwand · max
Standardtarif Wenn der Denkaufwand max ist
Denkaufwand · mittel
Standardtarif Wenn der Denkaufwand mittel ist
Denkaufwand · minimal
Standardtarif Wenn der Denkaufwand minimal ist
Denkaufwand · xhigh
Standardtarif Wenn der Denkaufwand xhigh ist

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelKontexttoken, mehr alsKontexttoken, bis einschließlichGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifKontexttoken, mehr als—Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
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 1Tarifstaffel—Kontexttoken, mehr als0Kontexttoken, bis einschließlichKeine ObergrenzeGebühr
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 →

Beispielanfragen

Ailoot Ultra · Anthropic Messages

Vollständiger minimaler JSON-Bodycurl · eigenes UTF-8-Dokument verwendenPython · das vollständige Ergebnis speichern
{
  "model": "meta/muse-spark-1.3",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Ergebnisse abrufen und speichern

Ailoot Ultra · Anthropic Messages

JSON oder SSE

Alle fertiggestellten Ergebnisse aufbewahren

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.

Wenn die ursprüngliche Antwort geprüft werden muss

Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.

Antwortfelder
FeldTyp
FeldidTypstring
FeldmodelTypstring
Feldcontent[]Typtext|thinking|tool_use|other content block
Feldstop_reasonTypstring|null
FeldusageTypobject
Fehler und nächste Schritte
AntwortBedingungNächster Schritt
Antwort400 · invalid_request_errorBedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültigNächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.

Aliasnamen

Modellaliasnamen

Ailoot Ultra meta/muse-spark-1.3

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

meta/muse-spark-1.3

FAQ · Meta: Muse Spark 1.3
Welche Eingaben und Ergebnisse sind verfügbar?

POST /v1/chat/completions · meta/muse-spark-1.3: text → text

POST /v1/messages · meta/muse-spark-1.3: text → json, sse

Welche Felder verwendet die Anfrage?

POST /v1/chat/completions · meta/muse-spark-1.3: model, messages, stream, modalities, provider

POST /v1/messages · meta/muse-spark-1.3: model, messages, max_tokens, stream

Welche Grenzen gelten?

POST /v1/chat/completions · meta/muse-spark-1.3: messages.min_items: 1

Weitere Details

Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung.

Das Unternehmen und sein Projektportfolio

Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.

Tokens mit Rabatt kaufen.

Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf.

Abo
Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen.
Aktionscode bis 50%
Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet.
Ausgaben in der Historie
Modell, Tokens und Betrag werden für jede Anfrage gespeichert.

Abo wählen · Modellpreise ansehen

Verbinden Sie die API mit dem Produkt, das Sie verkaufen.

SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an.

Kommerzielle Anwendung
Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes.
Reseller-Lizenz
Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an.
Dokumente auf der Website
Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich.

Reseller-Lizenz anfordern · Offizielles Angebot und Lizenzvertrag