Muse Spark 1.3 es el modelo de razonamiento de Meta para trabajo sostenido con agentes y programación. El fabricante destaca la conservación del contexto y de resultados previos a lo largo de tareas prolongadas, el trabajo con fuentes contradictorias y la producción de un entregable terminado. Esta entrada corresponde a la edición Standard 1.3, cuyos ajustes de razonamiento documentados incluyen max; la edición con nombre propio Contributor tiene sus propios límites de configuración.
Trabajo de largo alcance con agentes
La versión describe un modelo entrenado en distintos entornos de agentes para recopilar información, revisar un plan cuando cambia la evidencia y conservar requisitos detallados a lo largo de una tarea de varios pasos. También describe un mejor manejo de varios flujos en un mismo hilo, con las solicitudes entrantes asociadas a la tarea pertinente. Una solicitud útil debe definir el objetivo, las fuentes, los requisitos y el producto que se considerará como finalización.
Para una tarea de documentos profesionales, proporciona los informes de referencia, identifica qué hechos deben conservarse y pide un informe estructurado con ubicaciones de las fuentes. Si las fuentes se contradicen, solicita por separado las afirmaciones contradictorias y la información necesaria para resolverlas. Para una tarea de programación, incluye el comportamiento deseado, los módulos afectados y el código pertinente; pide la implementación propuesta y la evidencia que permitiría distinguir el resultado previsto.
El fabricante dice que 1.3 pide aclaraciones cuando una solicitud es ambigua y busca ayuda del usuario cuando está bloqueado. También describe un mejor criterio ante acciones de consecuencias importantes. Estas son mejoras del comportamiento del modelo, no un sustituto de los controles de ejecución de la aplicación. Dale al agente la información necesaria para decidir y haz explícito el resultado requerido.
Programación y evidencia multimodal
La versión se centra en tareas de programación más largas, una salida más limpia y menos turnos innecesarios en comparación con 1.2. Un flujo de agentes de programación puede inspeccionar una captura de pantalla, localizar el código pertinente, proponer una corrección y usar retroalimentación de ejecución o renderizado devuelta por sus herramientas. Indica la interfaz que debe seguir siendo compatible y pide el producto modificado separado de sus supuestos y explicación.
La tabla oficial de modelos enumera entrada de texto, imágenes, video y PDF, con salida de texto y un contexto de 1,048,576 tokens. Las imágenes o los clips pueden aportar evidencia visible junto con la tarea escrita. Una pregunta sobre una gráfica debe conservar ejes, leyendas y unidades; una pregunta sobre una captura debe identificar el comportamiento que se debe reproducir o inspeccionar. Una pregunta sobre un PDF puede pedir una extracción o comparación vinculada con fuentes, en lugar de un resumen general de todas las páginas.
El fabricante señala explícitamente que la comprensión de audio en 1.3 no está totalmente soportada y que las respuestas con audio pueden degradarse. Esto es distinto de la capacidad audiovisual documentada de 1.2. El resultado de texto del modelo tampoco genera por sí solo una imagen, una grabación hablada o un archivo terminado sin las herramientas de la aplicación que lo integra.
Esfuerzo de razonamiento y continuidad
Los niveles documentados son minimal, low, medium, high, xhigh y max. Max es específico de Standard 1.3. Muse Spark no admite deshabilitar el razonamiento con none; omitir el ajuste deja un nivel de razonamiento determinado por el modelo. Elige el esfuerzo según el problema real y deja espacio tanto para el razonamiento interno como para el resultado escrito requerido.
Los tokens de razonamiento y los visibles comparten el presupuesto de salida. El razonamiento interno sin procesar permanece privado y no se devuelve como texto legible ordinario. El fabricante distingue el historial visible de conversación de la continuidad del razonamiento privado: su interfaz de chat no expone una traza que los clientes externos puedan reproducir, mientras que su otro flujo de conversación documentado permite continuar el razonamiento de forma administrada o cifrada. Conserva las fuentes, los mensajes visibles y los resultados reales de herramientas necesarios para un seguimiento, en lugar de asumir que todas las interfaces conservan el razonamiento privado de forma idéntica.
Herramientas y entregables estructurados
La aplicación proporciona descripciones de funciones definidas por el desarrollador, el modelo crea los argumentos de llamada requeridos y la aplicación ejecuta cada llamada y devuelve el resultado asociado. El modelo puede solicitar varias funciones en un turno. Devuelve el resultado de cada operación de origen antes de pedir la siguiente conclusión, para que la respuesta use información realmente recuperada o calculada.
El fabricante documenta por separado herramientas de búsqueda integradas que se ejecutan dentro de su servicio conectado. Las funciones del desarrollador y esas herramientas integradas tienen mecanismos de ejecución distintos. El modelo puede razonar sobre la información que necesita, pero seleccionar el modelo por sí solo no proporciona acceso a un repositorio, un navegador o una fuente privada de información.
Una salida estructurada puede restringir el resultado a un esquema JSON proporcionado. Define los campos y tipos necesarios para el siguiente paso y el tratamiento de la información de origen ausente. En el modo estricto de esquemas del fabricante, la raíz es un objeto simple, todas las propiedades son obligatorias y no se permiten propiedades adicionales; se rechazan los esquemas recursivos. Estas son restricciones de la interfaz estructurada del fabricante, no pruebas de que los hechos dentro de un registro con la forma correcta sean verdaderos.
Para un resultado final útil, pide por separado los hallazgos respaldados por fuentes, el cambio o documento propuesto y las condiciones sin resolver. Las fuentes consultadas no proporcionan una capacidad máxima estricta independiente de entrada o tokens de salida más allá del contexto documentado. Mantén explícitos la identidad Standard 1.3, la elección de razonamiento y los resultados de ejecución conectada durante toda la tarea.
", "aboutText": "Muse Spark 1.3 es el modelo de razonamiento de Meta para trabajo sostenido con agentes y programación. El fabricante destaca la conservación del contexto y de resultados previos a lo largo de tareas prolongadas, el trabajo con fuentes contradictorias y la producción de un entregable terminado. Esta entrada corresponde a la edición Standard 1.3, cuyos ajustes de razonamiento documentados incluyen max; la edición con nombre propio Contributor tiene sus propios límites de configuración.\n\nTrabajo de largo alcance con agentes\n\nLa versión describe un modelo entrenado en distintos entornos de agentes para recopilar información, revisar un plan cuando cambia la evidencia y conservar requisitos detallados a lo largo de una tarea de varios pasos. También describe un mejor manejo de varios flujos en un mismo hilo, con las solicitudes entrantes asociadas a la tarea pertinente. Una solicitud útil debe definir el objetivo, las fuentes, los requisitos y el producto que se considerará como finalización.\n\nPara una tarea de documentos profesionales, proporciona los informes de referencia, identifica qué hechos deben conservarse y pide un informe estructurado con ubicaciones de las fuentes. Si las fuentes se contradicen, solicita por separado las afirmaciones contradictorias y la información necesaria para resolverlas. Para una tarea de programación, incluye el comportamiento deseado, los módulos afectados y el código pertinente; pide la implementación propuesta y la evidencia que permitiría distinguir el resultado previsto.\n\nEl fabricante dice que 1.3 pide aclaraciones cuando una solicitud es ambigua y busca ayuda del usuario cuando está bloqueado. También describe un mejor criterio ante acciones de consecuencias importantes. Estas son mejoras del comportamiento del modelo, no un sustituto de los controles de ejecución de la aplicación. Dale al agente la información necesaria para decidir y haz explícito el resultado requerido.\n\nProgramación y evidencia multimodal\n\nLa versión se centra en tareas de programación más largas, una salida más limpia y menos turnos innecesarios en comparación con 1.2. Un flujo de agentes de programación puede inspeccionar una captura de pantalla, localizar el código pertinente, proponer una corrección y usar retroalimentación de ejecución o renderizado devuelta por sus herramientas. Indica la interfaz que debe seguir siendo compatible y pide el producto modificado separado de sus supuestos y explicación.\n\nLa tabla oficial de modelos enumera entrada de texto, imágenes, video y PDF, con salida de texto y un contexto de 1,048,576 tokens. Las imágenes o los clips pueden aportar evidencia visible junto con la tarea escrita. Una pregunta sobre una gráfica debe conservar ejes, leyendas y unidades; una pregunta sobre una captura debe identificar el comportamiento que se debe reproducir o inspeccionar. Una pregunta sobre un PDF puede pedir una extracción o comparación vinculada con fuentes, en lugar de un resumen general de todas las páginas.\n\nEl fabricante señala explícitamente que la comprensión de audio en 1.3 no está totalmente soportada y que las respuestas con audio pueden degradarse. Esto es distinto de la capacidad audiovisual documentada de 1.2. El resultado de texto del modelo tampoco genera por sí solo una imagen, una grabación hablada o un archivo terminado sin las herramientas de la aplicación que lo integra.\n\nEsfuerzo de razonamiento y continuidad\n\nLos niveles documentados son minimal, low, medium, high, xhigh y max. Max es específico de Standard 1.3. Muse Spark no admite deshabilitar el razonamiento con none; omitir el ajuste deja un nivel de razonamiento determinado por el modelo. Elige el esfuerzo según el problema real y deja espacio tanto para el razonamiento interno como para el resultado escrito requerido.\n\nLos tokens de razonamiento y los visibles comparten el presupuesto de salida. El razonamiento interno sin procesar permanece privado y no se devuelve como texto legible ordinario. El fabricante distingue el historial visible de conversación de la continuidad del razonamiento privado: su interfaz de chat no expone una traza que los clientes externos puedan reproducir, mientras que su otro flujo de conversación documentado permite continuar el razonamiento de forma administrada o cifrada. Conserva las fuentes, los mensajes visibles y los resultados reales de herramientas necesarios para un seguimiento, en lugar de asumir que todas las interfaces conservan el razonamiento privado de forma idéntica.\n\nHerramientas y entregables estructurados\n\nLa aplicación proporciona descripciones de funciones definidas por el desarrollador, el modelo crea los argumentos de llamada requeridos y la aplicación ejecuta cada llamada y devuelve el resultado asociado. El modelo puede solicitar varias funciones en un turno. Devuelve el resultado de cada operación de origen antes de pedir la siguiente conclusión, para que la respuesta use información realmente recuperada o calculada.\n\nEl fabricante documenta por separado herramientas de búsqueda integradas que se ejecutan dentro de su servicio conectado. Las funciones del desarrollador y esas herramientas integradas tienen mecanismos de ejecución distintos. El modelo puede razonar sobre la información que necesita, pero seleccionar el modelo por sí solo no proporciona acceso a un repositorio, un navegador o una fuente privada de información.\n\nUna salida estructurada puede restringir el resultado a un esquema JSON proporcionado. Define los campos y tipos necesarios para el siguiente paso y el tratamiento de la información de origen ausente. En el modo estricto de esquemas del fabricante, la raíz es un objeto simple, todas las propiedades son obligatorias y no se permiten propiedades adicionales; se rechazan los esquemas recursivos. Estas son restricciones de la interfaz estructurada del fabricante, no pruebas de que los hechos dentro de un registro con la forma correcta sean verdaderos.\n\nPara un resultado final útil, pide por separado los hallazgos respaldados por fuentes, el cambio o documento propuesto y las condiciones sin resolver. Las fuentes consultadas no proporcionan una capacidad máxima estricta independiente de entrada o tokens de salida más allá del contexto documentado. Mantén explícitos la identidad Standard 1.3, la elección de razonamiento y los resultados de ejecución conectada durante toda la tarea.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 es el modelo de razonamiento multimodal de Meta para agentes de larga duración y flujos de programación. Da seguimiento a fuentes y resultados previos, admite un contexto de 1,048,576 tokens del fabricante y niveles de razonamiento hasta max en esta edición Standard, y devuelve texto y acciones de herramientas propuestas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Muse Spark 1.3 es el modelo de razonamiento de Meta para trabajo sostenido con agentes y programación. El fabricante destaca la conservación del contexto y de resultados previos a lo largo de tareas prolongadas, el trabajo con fuentes contradictorias y la producción de un entregable terminado. Esta entrada corresponde a la edición Standard 1.3, cuyos ajustes de razonamiento documentados incluyen max; la edición con nombre propio Contributor tiene sus propios límites de configuración.
Trabajo de largo alcance con agentes
La versión describe un modelo entrenado en distintos entornos de agentes para recopilar información, revisar un plan cuando cambia la evidencia y conservar requisitos detallados a lo largo de una tarea de varios pasos. También describe un mejor manejo de varios flujos en un mismo hilo, con las solicitudes entrantes asociadas a la tarea pertinente. Una solicitud útil debe definir el objetivo, las fuentes, los requisitos y el producto que se considerará como finalización.
Para una tarea de documentos profesionales, proporciona los informes de referencia, identifica qué hechos deben conservarse y pide un informe estructurado con ubicaciones de las fuentes. Si las fuentes se contradicen, solicita por separado las afirmaciones contradictorias y la información necesaria para resolverlas. Para una tarea de programación, incluye el comportamiento deseado, los módulos afectados y el código pertinente; pide la implementación propuesta y la evidencia que permitiría distinguir el resultado previsto.
El fabricante dice que 1.3 pide aclaraciones cuando una solicitud es ambigua y busca ayuda del usuario cuando está bloqueado. También describe un mejor criterio ante acciones de consecuencias importantes. Estas son mejoras del comportamiento del modelo, no un sustituto de los controles de ejecución de la aplicación. Dale al agente la información necesaria para decidir y haz explícito el resultado requerido.
Programación y evidencia multimodal
La versión se centra en tareas de programación más largas, una salida más limpia y menos turnos innecesarios en comparación con 1.2. Un flujo de agentes de programación puede inspeccionar una captura de pantalla, localizar el código pertinente, proponer una corrección y usar retroalimentación de ejecución o renderizado devuelta por sus herramientas. Indica la interfaz que debe seguir siendo compatible y pide el producto modificado separado de sus supuestos y explicación.
La tabla oficial de modelos enumera entrada de texto, imágenes, video y PDF, con salida de texto y un contexto de 1,048,576 tokens. Las imágenes o los clips pueden aportar evidencia visible junto con la tarea escrita. Una pregunta sobre una gráfica debe conservar ejes, leyendas y unidades; una pregunta sobre una captura debe identificar el comportamiento que se debe reproducir o inspeccionar. Una pregunta sobre un PDF puede pedir una extracción o comparación vinculada con fuentes, en lugar de un resumen general de todas las páginas.
El fabricante señala explícitamente que la comprensión de audio en 1.3 no está totalmente soportada y que las respuestas con audio pueden degradarse. Esto es distinto de la capacidad audiovisual documentada de 1.2. El resultado de texto del modelo tampoco genera por sí solo una imagen, una grabación hablada o un archivo terminado sin las herramientas de la aplicación que lo integra.
Esfuerzo de razonamiento y continuidad
Los niveles documentados son minimal, low, medium, high, xhigh y max. Max es específico de Standard 1.3. Muse Spark no admite deshabilitar el razonamiento con none; omitir el ajuste deja un nivel de razonamiento determinado por el modelo. Elige el esfuerzo según el problema real y deja espacio tanto para el razonamiento interno como para el resultado escrito requerido.
Los tokens de razonamiento y los visibles comparten el presupuesto de salida. El razonamiento interno sin procesar permanece privado y no se devuelve como texto legible ordinario. El fabricante distingue el historial visible de conversación de la continuidad del razonamiento privado: su interfaz de chat no expone una traza que los clientes externos puedan reproducir, mientras que su otro flujo de conversación documentado permite continuar el razonamiento de forma administrada o cifrada. Conserva las fuentes, los mensajes visibles y los resultados reales de herramientas necesarios para un seguimiento, en lugar de asumir que todas las interfaces conservan el razonamiento privado de forma idéntica.
Herramientas y entregables estructurados
La aplicación proporciona descripciones de funciones definidas por el desarrollador, el modelo crea los argumentos de llamada requeridos y la aplicación ejecuta cada llamada y devuelve el resultado asociado. El modelo puede solicitar varias funciones en un turno. Devuelve el resultado de cada operación de origen antes de pedir la siguiente conclusión, para que la respuesta use información realmente recuperada o calculada.
El fabricante documenta por separado herramientas de búsqueda integradas que se ejecutan dentro de su servicio conectado. Las funciones del desarrollador y esas herramientas integradas tienen mecanismos de ejecución distintos. El modelo puede razonar sobre la información que necesita, pero seleccionar el modelo por sí solo no proporciona acceso a un repositorio, un navegador o una fuente privada de información.
Una salida estructurada puede restringir el resultado a un esquema JSON proporcionado. Define los campos y tipos necesarios para el siguiente paso y el tratamiento de la información de origen ausente. En el modo estricto de esquemas del fabricante, la raíz es un objeto simple, todas las propiedades son obligatorias y no se permiten propiedades adicionales; se rechazan los esquemas recursivos. Estas son restricciones de la interfaz estructurada del fabricante, no pruebas de que los hechos dentro de un registro con la forma correcta sean verdaderos.
Para un resultado final útil, pide por separado los hallazgos respaldados por fuentes, el cambio o documento propuesto y las condiciones sin resolver. Las fuentes consultadas no proporcionan una capacidad máxima estricta independiente de entrada o tokens de salida más allá del contexto documentado. Mantén explícitos la identidad Standard 1.3, la elección de razonamiento y los resultados de ejecución conectada durante toda la tarea.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta/muse-spark-1.3 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0025 / 1K tokens Salida · Tokens de salida $0.0085 / 1K tokens Entrada · Lectura de caché $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0025 / 1K tokens Salida · Tokens de salida $0.0085 / 1K tokens Entrada · Lectura de caché $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra meta/muse-spark-1.3
Usa las rutas de método indicadas arriba.
meta/muse-spark-1.3Muse Spark 1.3 es el modelo de razonamiento multimodal de Meta para agentes de larga duración y flujos de programación. Da seguimiento a fuentes y resultados previos, admite un contexto de 1,048,576 tokens del fabricante y niveles de razonamiento hasta max en esta edición Standard, y devuelve texto y acciones de herramientas propuestas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Muse Spark 1.3 es el modelo de razonamiento de Meta para trabajo sostenido con agentes y programación. El fabricante destaca la conservación del contexto y de resultados previos a lo largo de tareas prolongadas, el trabajo con fuentes contradictorias y la producción de un entregable terminado. Esta entrada corresponde a la edición Standard 1.3, cuyos ajustes de razonamiento documentados incluyen max; la edición con nombre propio Contributor tiene sus propios límites de configuración.
Trabajo de largo alcance con agentes
La versión describe un modelo entrenado en distintos entornos de agentes para recopilar información, revisar un plan cuando cambia la evidencia y conservar requisitos detallados a lo largo de una tarea de varios pasos. También describe un mejor manejo de varios flujos en un mismo hilo, con las solicitudes entrantes asociadas a la tarea pertinente. Una solicitud útil debe definir el objetivo, las fuentes, los requisitos y el producto que se considerará como finalización.
Para una tarea de documentos profesionales, proporciona los informes de referencia, identifica qué hechos deben conservarse y pide un informe estructurado con ubicaciones de las fuentes. Si las fuentes se contradicen, solicita por separado las afirmaciones contradictorias y la información necesaria para resolverlas. Para una tarea de programación, incluye el comportamiento deseado, los módulos afectados y el código pertinente; pide la implementación propuesta y la evidencia que permitiría distinguir el resultado previsto.
El fabricante dice que 1.3 pide aclaraciones cuando una solicitud es ambigua y busca ayuda del usuario cuando está bloqueado. También describe un mejor criterio ante acciones de consecuencias importantes. Estas son mejoras del comportamiento del modelo, no un sustituto de los controles de ejecución de la aplicación. Dale al agente la información necesaria para decidir y haz explícito el resultado requerido.
Programación y evidencia multimodal
La versión se centra en tareas de programación más largas, una salida más limpia y menos turnos innecesarios en comparación con 1.2. Un flujo de agentes de programación puede inspeccionar una captura de pantalla, localizar el código pertinente, proponer una corrección y usar retroalimentación de ejecución o renderizado devuelta por sus herramientas. Indica la interfaz que debe seguir siendo compatible y pide el producto modificado separado de sus supuestos y explicación.
La tabla oficial de modelos enumera entrada de texto, imágenes, video y PDF, con salida de texto y un contexto de 1,048,576 tokens. Las imágenes o los clips pueden aportar evidencia visible junto con la tarea escrita. Una pregunta sobre una gráfica debe conservar ejes, leyendas y unidades; una pregunta sobre una captura debe identificar el comportamiento que se debe reproducir o inspeccionar. Una pregunta sobre un PDF puede pedir una extracción o comparación vinculada con fuentes, en lugar de un resumen general de todas las páginas.
El fabricante señala explícitamente que la comprensión de audio en 1.3 no está totalmente soportada y que las respuestas con audio pueden degradarse. Esto es distinto de la capacidad audiovisual documentada de 1.2. El resultado de texto del modelo tampoco genera por sí solo una imagen, una grabación hablada o un archivo terminado sin las herramientas de la aplicación que lo integra.
Esfuerzo de razonamiento y continuidad
Los niveles documentados son minimal, low, medium, high, xhigh y max. Max es específico de Standard 1.3. Muse Spark no admite deshabilitar el razonamiento con none; omitir el ajuste deja un nivel de razonamiento determinado por el modelo. Elige el esfuerzo según el problema real y deja espacio tanto para el razonamiento interno como para el resultado escrito requerido.
Los tokens de razonamiento y los visibles comparten el presupuesto de salida. El razonamiento interno sin procesar permanece privado y no se devuelve como texto legible ordinario. El fabricante distingue el historial visible de conversación de la continuidad del razonamiento privado: su interfaz de chat no expone una traza que los clientes externos puedan reproducir, mientras que su otro flujo de conversación documentado permite continuar el razonamiento de forma administrada o cifrada. Conserva las fuentes, los mensajes visibles y los resultados reales de herramientas necesarios para un seguimiento, en lugar de asumir que todas las interfaces conservan el razonamiento privado de forma idéntica.
Herramientas y entregables estructurados
La aplicación proporciona descripciones de funciones definidas por el desarrollador, el modelo crea los argumentos de llamada requeridos y la aplicación ejecuta cada llamada y devuelve el resultado asociado. El modelo puede solicitar varias funciones en un turno. Devuelve el resultado de cada operación de origen antes de pedir la siguiente conclusión, para que la respuesta use información realmente recuperada o calculada.
El fabricante documenta por separado herramientas de búsqueda integradas que se ejecutan dentro de su servicio conectado. Las funciones del desarrollador y esas herramientas integradas tienen mecanismos de ejecución distintos. El modelo puede razonar sobre la información que necesita, pero seleccionar el modelo por sí solo no proporciona acceso a un repositorio, un navegador o una fuente privada de información.
Una salida estructurada puede restringir el resultado a un esquema JSON proporcionado. Define los campos y tipos necesarios para el siguiente paso y el tratamiento de la información de origen ausente. En el modo estricto de esquemas del fabricante, la raíz es un objeto simple, todas las propiedades son obligatorias y no se permiten propiedades adicionales; se rechazan los esquemas recursivos. Estas son restricciones de la interfaz estructurada del fabricante, no pruebas de que los hechos dentro de un registro con la forma correcta sean verdaderos.
Para un resultado final útil, pide por separado los hallazgos respaldados por fuentes, el cambio o documento propuesto y las condiciones sin resolver. Las fuentes consultadas no proporcionan una capacidad máxima estricta independiente de entrada o tokens de salida más allá del contexto documentado. Mantén explícitos la identidad Standard 1.3, la elección de razonamiento y los resultados de ejecución conectada durante toda la tarea.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta/muse-spark-1.3 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0025 / 1K tokens Salida · Tokens de salida $0.0085 / 1K tokens Entrada · Lectura de caché $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0025 / 1K tokens Salida · Tokens de salida $0.0085 / 1K tokens Entrada · Lectura de caché $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra meta/muse-spark-1.3
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.