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.
", "aboutText": "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.\n\nLängerfristige Agentenarbeit\n\nDie 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.\n\nStellen 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.\n\nDer 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.\n\nProgrammierung und multimodale Belege\n\nDie 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.\n\nDie 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.\n\nDer 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.\n\nReasoning-Aufwand und Fortsetzung\n\nDie dokumentierten Stufen sind minimal, low, medium, high, xhigh und max. Max gilt speziell für Standard 1.3. Muse Spark unterstützt das Deaktivieren von Reasoning mit none nicht; 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.\n\nReasoning-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.\n\nWerkzeuge und strukturierte Ergebnisse\n\nDie 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.\n\nDer 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.\n\nStrukturierte 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.\n\nFordern 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.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-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.
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.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K 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-1.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.3
Verwenden Sie die oben angezeigten Methodenpfade.
meta/muse-spark-1.3Muse Spark 1.3 ist Metas multimodales Reasoning-Modell für lang laufende Agenten und Coding-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.
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.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits meta/muse-spark-1.3 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0025 / 1K 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 $0.0003 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra meta/muse-spark-1.3
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.