Muse Spark 1.1 es el modelo de razonamiento multimodal de Meta Superintelligence Labs para trabajo con agentes, programación y flujos de uso de ordenadores. La versión original del fabricante destaca la planificación, la orquestación, la gestión del contexto y la combinación de pruebas visuales con acciones proporcionadas por herramientas. La salida documentada es texto; la aplicación que rodea al modelo proporciona la ejecución real y los productos renderizados.
Planificación de agentes y contexto largo
La publicación describe la adaptación a herramientas nativas, funciones personalizadas y entornos de agentes. Como agente principal, el modelo puede recopilar contexto, elaborar un plan y delegar trabajo definido; en un papel delegado, sigue la tarea asignada y puede solicitar intervención ante un obstáculo. Son capacidades utilizadas por un entorno de agentes, no un conjunto de subagentes creado automáticamente por una única respuesta textual.
La tabla de modelos del fabricante indica un contexto de 1,048,576 tokens. Su publicación 1.1 describe recordar trabajo anterior y compactar la información necesaria para pasos posteriores. Una tarea útil debe identificar el objetivo, el material de origen y el resultado final, conservando explícitamente las decisiones importantes y los resultados de herramientas. Un contexto amplio ayuda a mantener junta la información relacionada, pero no define qué requisito debe satisfacer el resultado.
Para una pregunta extensa de proyecto, etiqueta los documentos de origen y pide el requisito pertinente, su ubicación y la condición sin resolver. Para un plan, pide las acciones en un orden vinculado a las restricciones aportadas y especifica qué resultado completaría cada paso. Conserva los hallazgos y resultados visibles al continuar, en lugar de asumir que una memoria no especificada contiene todos los hechos anteriores.
Uso de ordenadores y programación
El fabricante describe flujos informáticos entre aplicaciones cambiantes, con el modelo eligiendo entre interacción directa con la interfaz y automatización mediante scripts en un entorno conectado. Una captura de pantalla puede aportar el estado visible y una instrucción textual puede definir el objetivo del usuario. Solicita el control pertinente, la operación propuesta y las pruebas que la respaldan y devuelve después el nuevo estado real si el entorno realiza esa operación.
Para programación, la publicación describe el diagnóstico de errores, la implementación de funciones y la gestión de migraciones de código. Su demostración de depuración combina generación de código, capturas de pantalla, localización de un fallo e inspección de la corrección. Una solicitud práctica puede aportar el comportamiento fallido, las fuentes afectadas y el resultado esperado y pedir después el cambio propuesto conservando la interfaz pública. La ejecución de código y la modificación de archivos siguen siendo operaciones proporcionadas por las herramientas de la aplicación.
Da al modelo el código y las declaraciones que determinan el comportamiento. Para una explicación, proporciona una entrada que se deba rastrear; para una modificación, especifica el resultado y las restricciones; para una implementación visual, incluye la captura de pantalla y las interacciones que la imagen no muestra. Solicita el producto por separado de sus supuestos y de la información necesaria para inspeccionarlo.
Entradas multimodales
La tabla de modelos documenta entradas de texto, imágenes, vídeo, audio y PDF para 1.1, con salida de texto. La publicación describe descripciones detalladas de imágenes y vídeo, generación de código a partir de elementos visuales y uso de detalles perceptivos a lo largo de un flujo más extenso. Una pregunta documental puede pedir campos vinculados a fuentes o una comparación; una pregunta sobre vídeo puede identificar el suceso o la secuencia que se debe describir; una pregunta audiovisual puede especificar qué información hablada y visible importa.
La salida del modelo sigue siendo una explicación escrita, un resultado estructurado o código propuesto. Una imagen generada, voz sintetizada o una acción externa completada requiere un componente proporcionado por separado. Conserva los identificadores de origen, las etiquetas, las unidades y los segmentos pertinentes para que el resultado textual se pueda comparar con el material original.
Razonamiento, herramientas y salida estructurada
La guía de razonamiento de Muse Spark documenta minimal, low, medium, high y xhigh para esta edición. Max es un ajuste posterior de Standard 1.3 y none no está admitido. El razonamiento se produce incluso sin un valor explícito de esfuerzo, y el presupuesto de salida cubre tanto el razonamiento interno privado como la respuesta visible. El razonamiento sin procesar y las probabilidades logarítmicas no se exponen como campos ordinarios de confianza o explicación.
Las llamadas a herramientas definidas por el desarrollador siguen un ciclo: la aplicación proporciona operaciones, el modelo prepara argumentos, la aplicación ejecuta cada llamada y devuelve su resultado, y la siguiente respuesta utiliza ese resultado. Una llamada a herramienta puede solicitar información o una operación; no es por sí misma prueba de que la operación haya terminado. Mantén asociadas la llamada de origen y su resultado a lo largo de la conversación.
El fabricante también documenta texto estructurado restringido por un esquema JSON aportado. Define los campos requeridos por la aplicación y sus tipos y mantén separada la información de origen de la interpretación cuando cumplan propósitos distintos. La forma estructurada no establece la corrección factual; las fuentes originales y los resultados reales de herramientas siguen determinando el contenido de una respuesta que se puede inspeccionar.
Límites de edición y continuidad
Muse Spark 1.1 sigue siendo su propia versión. Los cambios específicos de programación de 1.2, las actualizaciones de comportamiento a largo plazo de 1.3 y el ajuste max de Standard 1.3 no se le deben asignar simplemente porque comparta familia. La interfaz de chat del fabricante no proporciona a quienes la invocan desde fuera razonamiento privado que puedan reenviar, así que conserva el historial visible y utiliza los mecanismos de continuidad ofrecidos por la interfaz conectada.
Las fuentes consultadas no indican capacidades máximas estrictas separadas de entrada o de tokens de salida más allá del contexto documentado. Define el producto textual requerido y conserva las pruebas necesarias para cada acción o conclusión, manteniendo la planificación y la percepción del modelo separadas del entorno que ejecuta sus operaciones propuestas.
", "aboutText": "Muse Spark 1.1 es el modelo de razonamiento multimodal de Meta Superintelligence Labs para trabajo con agentes, programación y flujos de uso de ordenadores. La versión original del fabricante destaca la planificación, la orquestación, la gestión del contexto y la combinación de pruebas visuales con acciones proporcionadas por herramientas. La salida documentada es texto; la aplicación que rodea al modelo proporciona la ejecución real y los productos renderizados.\n\nPlanificación de agentes y contexto largo\n\nLa publicación describe la adaptación a herramientas nativas, funciones personalizadas y entornos de agentes. Como agente principal, el modelo puede recopilar contexto, elaborar un plan y delegar trabajo definido; en un papel delegado, sigue la tarea asignada y puede solicitar intervención ante un obstáculo. Son capacidades utilizadas por un entorno de agentes, no un conjunto de subagentes creado automáticamente por una única respuesta textual.\n\nLa tabla de modelos del fabricante indica un contexto de 1,048,576 tokens. Su publicación 1.1 describe recordar trabajo anterior y compactar la información necesaria para pasos posteriores. Una tarea útil debe identificar el objetivo, el material de origen y el resultado final, conservando explícitamente las decisiones importantes y los resultados de herramientas. Un contexto amplio ayuda a mantener junta la información relacionada, pero no define qué requisito debe satisfacer el resultado.\n\nPara una pregunta extensa de proyecto, etiqueta los documentos de origen y pide el requisito pertinente, su ubicación y la condición sin resolver. Para un plan, pide las acciones en un orden vinculado a las restricciones aportadas y especifica qué resultado completaría cada paso. Conserva los hallazgos y resultados visibles al continuar, en lugar de asumir que una memoria no especificada contiene todos los hechos anteriores.\n\nUso de ordenadores y programación\n\nEl fabricante describe flujos informáticos entre aplicaciones cambiantes, con el modelo eligiendo entre interacción directa con la interfaz y automatización mediante scripts en un entorno conectado. Una captura de pantalla puede aportar el estado visible y una instrucción textual puede definir el objetivo del usuario. Solicita el control pertinente, la operación propuesta y las pruebas que la respaldan y devuelve después el nuevo estado real si el entorno realiza esa operación.\n\nPara programación, la publicación describe el diagnóstico de errores, la implementación de funciones y la gestión de migraciones de código. Su demostración de depuración combina generación de código, capturas de pantalla, localización de un fallo e inspección de la corrección. Una solicitud práctica puede aportar el comportamiento fallido, las fuentes afectadas y el resultado esperado y pedir después el cambio propuesto conservando la interfaz pública. La ejecución de código y la modificación de archivos siguen siendo operaciones proporcionadas por las herramientas de la aplicación.\n\nDa al modelo el código y las declaraciones que determinan el comportamiento. Para una explicación, proporciona una entrada que se deba rastrear; para una modificación, especifica el resultado y las restricciones; para una implementación visual, incluye la captura de pantalla y las interacciones que la imagen no muestra. Solicita el producto por separado de sus supuestos y de la información necesaria para inspeccionarlo.\n\nEntradas multimodales\n\nLa tabla de modelos documenta entradas de texto, imágenes, vídeo, audio y PDF para 1.1, con salida de texto. La publicación describe descripciones detalladas de imágenes y vídeo, generación de código a partir de elementos visuales y uso de detalles perceptivos a lo largo de un flujo más extenso. Una pregunta documental puede pedir campos vinculados a fuentes o una comparación; una pregunta sobre vídeo puede identificar el suceso o la secuencia que se debe describir; una pregunta audiovisual puede especificar qué información hablada y visible importa.\n\nLa salida del modelo sigue siendo una explicación escrita, un resultado estructurado o código propuesto. Una imagen generada, voz sintetizada o una acción externa completada requiere un componente proporcionado por separado. Conserva los identificadores de origen, las etiquetas, las unidades y los segmentos pertinentes para que el resultado textual se pueda comparar con el material original.\n\nRazonamiento, herramientas y salida estructurada\n\nLa guía de razonamiento de Muse Spark documenta minimal, low, medium, high y xhigh para esta edición. Max es un ajuste posterior de Standard 1.3 y none no está admitido. El razonamiento se produce incluso sin un valor explícito de esfuerzo, y el presupuesto de salida cubre tanto el razonamiento interno privado como la respuesta visible. El razonamiento sin procesar y las probabilidades logarítmicas no se exponen como campos ordinarios de confianza o explicación.\n\nLas llamadas a herramientas definidas por el desarrollador siguen un ciclo: la aplicación proporciona operaciones, el modelo prepara argumentos, la aplicación ejecuta cada llamada y devuelve su resultado, y la siguiente respuesta utiliza ese resultado. Una llamada a herramienta puede solicitar información o una operación; no es por sí misma prueba de que la operación haya terminado. Mantén asociadas la llamada de origen y su resultado a lo largo de la conversación.\n\nEl fabricante también documenta texto estructurado restringido por un esquema JSON aportado. Define los campos requeridos por la aplicación y sus tipos y mantén separada la información de origen de la interpretación cuando cumplan propósitos distintos. La forma estructurada no establece la corrección factual; las fuentes originales y los resultados reales de herramientas siguen determinando el contenido de una respuesta que se puede inspeccionar.\n\nLímites de edición y continuidad\n\nMuse Spark 1.1 sigue siendo su propia versión. Los cambios específicos de programación de 1.2, las actualizaciones de comportamiento a largo plazo de 1.3 y el ajuste max de Standard 1.3 no se le deben asignar simplemente porque comparta familia. La interfaz de chat del fabricante no proporciona a quienes la invocan desde fuera razonamiento privado que puedan reenviar, así que conserva el historial visible y utiliza los mecanismos de continuidad ofrecidos por la interfaz conectada.\n\nLas fuentes consultadas no indican capacidades máximas estrictas separadas de entrada o de tokens de salida más allá del contexto documentado. Define el producto textual requerido y conserva las pruebas necesarias para cada acción o conclusión, manteniendo la planificación y la percepción del modelo separadas del entorno que ejecuta sus operaciones propuestas.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 es el modelo de razonamiento multimodal de Meta para agentes, uso de ordenadores y programación. Trabaja con contexto textual y visual extenso, produce texto y acciones propuestas para herramientas y tiene un contexto de 1,048,576 tokens indicado por el fabricante, con niveles de razonamiento hasta xhigh.
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 1.1 es el modelo de razonamiento multimodal de Meta Superintelligence Labs para trabajo con agentes, programación y flujos de uso de ordenadores. La versión original del fabricante destaca la planificación, la orquestación, la gestión del contexto y la combinación de pruebas visuales con acciones proporcionadas por herramientas. La salida documentada es texto; la aplicación que rodea al modelo proporciona la ejecución real y los productos renderizados.
Planificación de agentes y contexto largo
La publicación describe la adaptación a herramientas nativas, funciones personalizadas y entornos de agentes. Como agente principal, el modelo puede recopilar contexto, elaborar un plan y delegar trabajo definido; en un papel delegado, sigue la tarea asignada y puede solicitar intervención ante un obstáculo. Son capacidades utilizadas por un entorno de agentes, no un conjunto de subagentes creado automáticamente por una única respuesta textual.
La tabla de modelos del fabricante indica un contexto de 1,048,576 tokens. Su publicación 1.1 describe recordar trabajo anterior y compactar la información necesaria para pasos posteriores. Una tarea útil debe identificar el objetivo, el material de origen y el resultado final, conservando explícitamente las decisiones importantes y los resultados de herramientas. Un contexto amplio ayuda a mantener junta la información relacionada, pero no define qué requisito debe satisfacer el resultado.
Para una pregunta extensa de proyecto, etiqueta los documentos de origen y pide el requisito pertinente, su ubicación y la condición sin resolver. Para un plan, pide las acciones en un orden vinculado a las restricciones aportadas y especifica qué resultado completaría cada paso. Conserva los hallazgos y resultados visibles al continuar, en lugar de asumir que una memoria no especificada contiene todos los hechos anteriores.
Uso de ordenadores y programación
El fabricante describe flujos informáticos entre aplicaciones cambiantes, con el modelo eligiendo entre interacción directa con la interfaz y automatización mediante scripts en un entorno conectado. Una captura de pantalla puede aportar el estado visible y una instrucción textual puede definir el objetivo del usuario. Solicita el control pertinente, la operación propuesta y las pruebas que la respaldan y devuelve después el nuevo estado real si el entorno realiza esa operación.
Para programación, la publicación describe el diagnóstico de errores, la implementación de funciones y la gestión de migraciones de código. Su demostración de depuración combina generación de código, capturas de pantalla, localización de un fallo e inspección de la corrección. Una solicitud práctica puede aportar el comportamiento fallido, las fuentes afectadas y el resultado esperado y pedir después el cambio propuesto conservando la interfaz pública. La ejecución de código y la modificación de archivos siguen siendo operaciones proporcionadas por las herramientas de la aplicación.
Da al modelo el código y las declaraciones que determinan el comportamiento. Para una explicación, proporciona una entrada que se deba rastrear; para una modificación, especifica el resultado y las restricciones; para una implementación visual, incluye la captura de pantalla y las interacciones que la imagen no muestra. Solicita el producto por separado de sus supuestos y de la información necesaria para inspeccionarlo.
Entradas multimodales
La tabla de modelos documenta entradas de texto, imágenes, vídeo, audio y PDF para 1.1, con salida de texto. La publicación describe descripciones detalladas de imágenes y vídeo, generación de código a partir de elementos visuales y uso de detalles perceptivos a lo largo de un flujo más extenso. Una pregunta documental puede pedir campos vinculados a fuentes o una comparación; una pregunta sobre vídeo puede identificar el suceso o la secuencia que se debe describir; una pregunta audiovisual puede especificar qué información hablada y visible importa.
La salida del modelo sigue siendo una explicación escrita, un resultado estructurado o código propuesto. Una imagen generada, voz sintetizada o una acción externa completada requiere un componente proporcionado por separado. Conserva los identificadores de origen, las etiquetas, las unidades y los segmentos pertinentes para que el resultado textual se pueda comparar con el material original.
Razonamiento, herramientas y salida estructurada
La guía de razonamiento de Muse Spark documenta minimal, low, medium, high y xhigh para esta edición. Max es un ajuste posterior de Standard 1.3 y none no está admitido. El razonamiento se produce incluso sin un valor explícito de esfuerzo, y el presupuesto de salida cubre tanto el razonamiento interno privado como la respuesta visible. El razonamiento sin procesar y las probabilidades logarítmicas no se exponen como campos ordinarios de confianza o explicación.
Las llamadas a herramientas definidas por el desarrollador siguen un ciclo: la aplicación proporciona operaciones, el modelo prepara argumentos, la aplicación ejecuta cada llamada y devuelve su resultado, y la siguiente respuesta utiliza ese resultado. Una llamada a herramienta puede solicitar información o una operación; no es por sí misma prueba de que la operación haya terminado. Mantén asociadas la llamada de origen y su resultado a lo largo de la conversación.
El fabricante también documenta texto estructurado restringido por un esquema JSON aportado. Define los campos requeridos por la aplicación y sus tipos y mantén separada la información de origen de la interpretación cuando cumplan propósitos distintos. La forma estructurada no establece la corrección factual; las fuentes originales y los resultados reales de herramientas siguen determinando el contenido de una respuesta que se puede inspeccionar.
Límites de edición y continuidad
Muse Spark 1.1 sigue siendo su propia versión. Los cambios específicos de programación de 1.2, las actualizaciones de comportamiento a largo plazo de 1.3 y el ajuste max de Standard 1.3 no se le deben asignar simplemente porque comparta familia. La interfaz de chat del fabricante no proporciona a quienes la invocan desde fuera razonamiento privado que puedan reenviar, así que conserva el historial visible y utiliza los mecanismos de continuidad ofrecidos por la interfaz conectada.
Las fuentes consultadas no indican capacidades máximas estrictas separadas de entrada o de tokens de salida más allá del contexto documentado. Define el producto textual requerido y conserva las pruebas necesarias para cada acción o conclusión, manteniendo la planificación y la percepción del modelo separadas del entorno que ejecuta sus operaciones propuestas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta/muse-spark-1.1 | 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 |
| ConfiguraciónTramo 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 $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-1.1", "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-1.1',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-1.1',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 las cabeceras. 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-1.1
Usa las rutas de método indicadas arriba.
meta/muse-spark-1.1Muse Spark 1.1 es el modelo de razonamiento multimodal de Meta para agentes, uso de ordenadores y programación. Trabaja con contexto textual y visual extenso, produce texto y acciones propuestas para herramientas y tiene un contexto de 1,048,576 tokens indicado por el fabricante, con niveles de razonamiento hasta xhigh.
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 1.1 es el modelo de razonamiento multimodal de Meta Superintelligence Labs para trabajo con agentes, programación y flujos de uso de ordenadores. La versión original del fabricante destaca la planificación, la orquestación, la gestión del contexto y la combinación de pruebas visuales con acciones proporcionadas por herramientas. La salida documentada es texto; la aplicación que rodea al modelo proporciona la ejecución real y los productos renderizados.
Planificación de agentes y contexto largo
La publicación describe la adaptación a herramientas nativas, funciones personalizadas y entornos de agentes. Como agente principal, el modelo puede recopilar contexto, elaborar un plan y delegar trabajo definido; en un papel delegado, sigue la tarea asignada y puede solicitar intervención ante un obstáculo. Son capacidades utilizadas por un entorno de agentes, no un conjunto de subagentes creado automáticamente por una única respuesta textual.
La tabla de modelos del fabricante indica un contexto de 1,048,576 tokens. Su publicación 1.1 describe recordar trabajo anterior y compactar la información necesaria para pasos posteriores. Una tarea útil debe identificar el objetivo, el material de origen y el resultado final, conservando explícitamente las decisiones importantes y los resultados de herramientas. Un contexto amplio ayuda a mantener junta la información relacionada, pero no define qué requisito debe satisfacer el resultado.
Para una pregunta extensa de proyecto, etiqueta los documentos de origen y pide el requisito pertinente, su ubicación y la condición sin resolver. Para un plan, pide las acciones en un orden vinculado a las restricciones aportadas y especifica qué resultado completaría cada paso. Conserva los hallazgos y resultados visibles al continuar, en lugar de asumir que una memoria no especificada contiene todos los hechos anteriores.
Uso de ordenadores y programación
El fabricante describe flujos informáticos entre aplicaciones cambiantes, con el modelo eligiendo entre interacción directa con la interfaz y automatización mediante scripts en un entorno conectado. Una captura de pantalla puede aportar el estado visible y una instrucción textual puede definir el objetivo del usuario. Solicita el control pertinente, la operación propuesta y las pruebas que la respaldan y devuelve después el nuevo estado real si el entorno realiza esa operación.
Para programación, la publicación describe el diagnóstico de errores, la implementación de funciones y la gestión de migraciones de código. Su demostración de depuración combina generación de código, capturas de pantalla, localización de un fallo e inspección de la corrección. Una solicitud práctica puede aportar el comportamiento fallido, las fuentes afectadas y el resultado esperado y pedir después el cambio propuesto conservando la interfaz pública. La ejecución de código y la modificación de archivos siguen siendo operaciones proporcionadas por las herramientas de la aplicación.
Da al modelo el código y las declaraciones que determinan el comportamiento. Para una explicación, proporciona una entrada que se deba rastrear; para una modificación, especifica el resultado y las restricciones; para una implementación visual, incluye la captura de pantalla y las interacciones que la imagen no muestra. Solicita el producto por separado de sus supuestos y de la información necesaria para inspeccionarlo.
Entradas multimodales
La tabla de modelos documenta entradas de texto, imágenes, vídeo, audio y PDF para 1.1, con salida de texto. La publicación describe descripciones detalladas de imágenes y vídeo, generación de código a partir de elementos visuales y uso de detalles perceptivos a lo largo de un flujo más extenso. Una pregunta documental puede pedir campos vinculados a fuentes o una comparación; una pregunta sobre vídeo puede identificar el suceso o la secuencia que se debe describir; una pregunta audiovisual puede especificar qué información hablada y visible importa.
La salida del modelo sigue siendo una explicación escrita, un resultado estructurado o código propuesto. Una imagen generada, voz sintetizada o una acción externa completada requiere un componente proporcionado por separado. Conserva los identificadores de origen, las etiquetas, las unidades y los segmentos pertinentes para que el resultado textual se pueda comparar con el material original.
Razonamiento, herramientas y salida estructurada
La guía de razonamiento de Muse Spark documenta minimal, low, medium, high y xhigh para esta edición. Max es un ajuste posterior de Standard 1.3 y none no está admitido. El razonamiento se produce incluso sin un valor explícito de esfuerzo, y el presupuesto de salida cubre tanto el razonamiento interno privado como la respuesta visible. El razonamiento sin procesar y las probabilidades logarítmicas no se exponen como campos ordinarios de confianza o explicación.
Las llamadas a herramientas definidas por el desarrollador siguen un ciclo: la aplicación proporciona operaciones, el modelo prepara argumentos, la aplicación ejecuta cada llamada y devuelve su resultado, y la siguiente respuesta utiliza ese resultado. Una llamada a herramienta puede solicitar información o una operación; no es por sí misma prueba de que la operación haya terminado. Mantén asociadas la llamada de origen y su resultado a lo largo de la conversación.
El fabricante también documenta texto estructurado restringido por un esquema JSON aportado. Define los campos requeridos por la aplicación y sus tipos y mantén separada la información de origen de la interpretación cuando cumplan propósitos distintos. La forma estructurada no establece la corrección factual; las fuentes originales y los resultados reales de herramientas siguen determinando el contenido de una respuesta que se puede inspeccionar.
Límites de edición y continuidad
Muse Spark 1.1 sigue siendo su propia versión. Los cambios específicos de programación de 1.2, las actualizaciones de comportamiento a largo plazo de 1.3 y el ajuste max de Standard 1.3 no se le deben asignar simplemente porque comparta familia. La interfaz de chat del fabricante no proporciona a quienes la invocan desde fuera razonamiento privado que puedan reenviar, así que conserva el historial visible y utiliza los mecanismos de continuidad ofrecidos por la interfaz conectada.
Las fuentes consultadas no indican capacidades máximas estrictas separadas de entrada o de tokens de salida más allá del contexto documentado. Define el producto textual requerido y conserva las pruebas necesarias para cada acción o conclusión, manteniendo la planificación y la percepción del modelo separadas del entorno que ejecuta sus operaciones propuestas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites meta/muse-spark-1.1 | 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 |
| ConfiguraciónTramo 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 $0.0003 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.1', '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-1.1', '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 las cabeceras. 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-1.1
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.