Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail d’agents, la programmation et les workflows d’utilisation de l’ordinateur. La publication initiale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par des outils. La sortie documentée est textuelle ; l’application qui entoure le modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et contexte long
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. En tant qu’agent principal, le modèle peut recueillir du contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents, plutôt qu’un ensemble de sous-agents automatiquement créé par une seule réponse textuelle.
Le tableau des modèles du fabricant indique un contexte de 1 048 576 tokens. Sa publication 1.1 décrit le rappel du travail antérieur et la condensation des informations nécessaires aux étapes ultérieures. Une tâche utile doit identifier l’objectif, les sources et le livrable final, en conservant explicitement les décisions importantes et les résultats des outils. Un grand contexte aide à garder ensemble des informations liées, mais ne définit pas l’exigence à laquelle le résultat doit répondre.
Pour une longue question de projet, étiquetez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat terminerait chaque étape. Conservez les constats visibles et les résultats lors du suivi au lieu de supposer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation de l’ordinateur et programmation
Le fabricant décrit des workflows informatiques à travers des applications changeantes, le modèle choisissant entre interaction directe avec l’interface et automatisation par script dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la publication décrit le diagnostic de bugs, l’implémentation de fonctionnalités et la gestion de migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et inspection de la correction. Une demande pratique peut fournir le comportement en échec, les sources concernées et le résultat attendu, puis demander la modification proposée en préservant l’interface publique. L’exécution de code et la modification des fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre ; pour une modification, précisez le résultat et les contraintes ; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son inspection.
Entrées multimodales
Le tableau des modèles documente des entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La publication décrit la rédaction de descriptions détaillées d’images et de vidéos, la génération de code à partir du visuel et l’utilisation des détails perceptifs au cours d’un long workflow. Une question documentaire peut demander des champs reliés aux sources ou une comparaison ; une question vidéo peut identifier l’événement ou la séquence à décrire ; une question audiovisuelle peut préciser quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une parole synthétisée ou une action externe accomplie nécessite un composant fourni séparément. Préservez les identifiants des sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au contenu original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3 et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les log-probabilités ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
L’appel d’outils définis par le développeur suit un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas à lui seul que l’opération est terminée. Gardez associés l’appel d’origine et le résultat au fil de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et séparez les informations sources de l’interprétation lorsqu’elles ont des finalités différentes. La forme structurée n’établit pas l’exactitude factuelle ; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste une version à part entière. Les changements de programmation propres à 1.2, les évolutions du comportement sur la durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes de raisonnement privé à rejouer ; préservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de tokens d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments nécessaires à chaque action ou conclusion, en distinguant la planification et la perception du modèle de l’environnement qui exécute les opérations proposées.
", "aboutText": "Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail d’agents, la programmation et les workflows d’utilisation de l’ordinateur. La publication initiale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par des outils. La sortie documentée est textuelle ; l’application qui entoure le modèle fournit l’exécution réelle et les livrables rendus.\n\nPlanification d’agents et contexte long\n\nLa publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. En tant qu’agent principal, le modèle peut recueillir du contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents, plutôt qu’un ensemble de sous-agents automatiquement créé par une seule réponse textuelle.\n\nLe tableau des modèles du fabricant indique un contexte de 1 048 576 tokens. Sa publication 1.1 décrit le rappel du travail antérieur et la condensation des informations nécessaires aux étapes ultérieures. Une tâche utile doit identifier l’objectif, les sources et le livrable final, en conservant explicitement les décisions importantes et les résultats des outils. Un grand contexte aide à garder ensemble des informations liées, mais ne définit pas l’exigence à laquelle le résultat doit répondre.\n\nPour une longue question de projet, étiquetez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat terminerait chaque étape. Conservez les constats visibles et les résultats lors du suivi au lieu de supposer qu’une mémoire non précisée contient tous les faits antérieurs.\n\nUtilisation de l’ordinateur et programmation\n\nLe fabricant décrit des workflows informatiques à travers des applications changeantes, le modèle choisissant entre interaction directe avec l’interface et automatisation par script dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.\n\nPour la programmation, la publication décrit le diagnostic de bugs, l’implémentation de fonctionnalités et la gestion de migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et inspection de la correction. Une demande pratique peut fournir le comportement en échec, les sources concernées et le résultat attendu, puis demander la modification proposée en préservant l’interface publique. L’exécution de code et la modification des fichiers restent des opérations fournies par les outils de l’application.\n\nDonnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre ; pour une modification, précisez le résultat et les contraintes ; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son inspection.\n\nEntrées multimodales\n\nLe tableau des modèles documente des entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La publication décrit la rédaction de descriptions détaillées d’images et de vidéos, la génération de code à partir du visuel et l’utilisation des détails perceptifs au cours d’un long workflow. Une question documentaire peut demander des champs reliés aux sources ou une comparaison ; une question vidéo peut identifier l’événement ou la séquence à décrire ; une question audiovisuelle peut préciser quelles informations parlées et visibles comptent.\n\nLa sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une parole synthétisée ou une action externe accomplie nécessite un composant fourni séparément. Préservez les identifiants des sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au contenu original.\n\nRaisonnement, outils et sorties structurées\n\nLe guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3 et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les log-probabilités ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.\n\nL’appel d’outils définis par le développeur suit un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas à lui seul que l’opération est terminée. Gardez associés l’appel d’origine et le résultat au fil de la conversation.\n\nLe fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et séparez les informations sources de l’interprétation lorsqu’elles ont des finalités différentes. La forme structurée n’établit pas l’exactitude factuelle ; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.\n\nLimites d’édition et de continuité\n\nMuse Spark 1.1 reste une version à part entière. Les changements de programmation propres à 1.2, les évolutions du comportement sur la durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes de raisonnement privé à rejouer ; préservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.\n\nLes sources consultées n’indiquent pas de capacités maximales strictes distinctes de tokens d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments nécessaires à chaque action ou conclusion, en distinguant la planification et la perception du modèle de l’environnement qui exécute les opérations proposées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation de l’ordinateur et la programmation. Il travaille avec un contexte textuel et visuel volumineux, produit du texte et des actions d’outils proposées, et dispose d’un contexte fabricant de 1 048 576 tokens avec des niveaux de raisonnement jusqu’à xhigh.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail d’agents, la programmation et les workflows d’utilisation de l’ordinateur. La publication initiale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par des outils. La sortie documentée est textuelle ; l’application qui entoure le modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et contexte long
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. En tant qu’agent principal, le modèle peut recueillir du contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents, plutôt qu’un ensemble de sous-agents automatiquement créé par une seule réponse textuelle.
Le tableau des modèles du fabricant indique un contexte de 1 048 576 tokens. Sa publication 1.1 décrit le rappel du travail antérieur et la condensation des informations nécessaires aux étapes ultérieures. Une tâche utile doit identifier l’objectif, les sources et le livrable final, en conservant explicitement les décisions importantes et les résultats des outils. Un grand contexte aide à garder ensemble des informations liées, mais ne définit pas l’exigence à laquelle le résultat doit répondre.
Pour une longue question de projet, étiquetez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat terminerait chaque étape. Conservez les constats visibles et les résultats lors du suivi au lieu de supposer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation de l’ordinateur et programmation
Le fabricant décrit des workflows informatiques à travers des applications changeantes, le modèle choisissant entre interaction directe avec l’interface et automatisation par script dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la publication décrit le diagnostic de bugs, l’implémentation de fonctionnalités et la gestion de migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et inspection de la correction. Une demande pratique peut fournir le comportement en échec, les sources concernées et le résultat attendu, puis demander la modification proposée en préservant l’interface publique. L’exécution de code et la modification des fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre ; pour une modification, précisez le résultat et les contraintes ; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son inspection.
Entrées multimodales
Le tableau des modèles documente des entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La publication décrit la rédaction de descriptions détaillées d’images et de vidéos, la génération de code à partir du visuel et l’utilisation des détails perceptifs au cours d’un long workflow. Une question documentaire peut demander des champs reliés aux sources ou une comparaison ; une question vidéo peut identifier l’événement ou la séquence à décrire ; une question audiovisuelle peut préciser quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une parole synthétisée ou une action externe accomplie nécessite un composant fourni séparément. Préservez les identifiants des sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au contenu original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3 et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les log-probabilités ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
L’appel d’outils définis par le développeur suit un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas à lui seul que l’opération est terminée. Gardez associés l’appel d’origine et le résultat au fil de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et séparez les informations sources de l’interprétation lorsqu’elles ont des finalités différentes. La forme structurée n’établit pas l’exactitude factuelle ; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste une version à part entière. Les changements de programmation propres à 1.2, les évolutions du comportement sur la durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes de raisonnement privé à rejouer ; préservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de tokens d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments nécessaires à chaque action ou conclusion, en distinguant la planification et la perception du modèle de l’environnement qui exécute les opérations proposées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
meta/muse-spark-1.1Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation de l’ordinateur et la programmation. Il travaille avec un contexte textuel et visuel volumineux, produit du texte et des actions d’outils proposées, et dispose d’un contexte fabricant de 1 048 576 tokens avec des niveaux de raisonnement jusqu’à xhigh.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail d’agents, la programmation et les workflows d’utilisation de l’ordinateur. La publication initiale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par des outils. La sortie documentée est textuelle ; l’application qui entoure le modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et contexte long
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. En tant qu’agent principal, le modèle peut recueillir du contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents, plutôt qu’un ensemble de sous-agents automatiquement créé par une seule réponse textuelle.
Le tableau des modèles du fabricant indique un contexte de 1 048 576 tokens. Sa publication 1.1 décrit le rappel du travail antérieur et la condensation des informations nécessaires aux étapes ultérieures. Une tâche utile doit identifier l’objectif, les sources et le livrable final, en conservant explicitement les décisions importantes et les résultats des outils. Un grand contexte aide à garder ensemble des informations liées, mais ne définit pas l’exigence à laquelle le résultat doit répondre.
Pour une longue question de projet, étiquetez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat terminerait chaque étape. Conservez les constats visibles et les résultats lors du suivi au lieu de supposer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation de l’ordinateur et programmation
Le fabricant décrit des workflows informatiques à travers des applications changeantes, le modèle choisissant entre interaction directe avec l’interface et automatisation par script dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la publication décrit le diagnostic de bugs, l’implémentation de fonctionnalités et la gestion de migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et inspection de la correction. Une demande pratique peut fournir le comportement en échec, les sources concernées et le résultat attendu, puis demander la modification proposée en préservant l’interface publique. L’exécution de code et la modification des fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre ; pour une modification, précisez le résultat et les contraintes ; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son inspection.
Entrées multimodales
Le tableau des modèles documente des entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La publication décrit la rédaction de descriptions détaillées d’images et de vidéos, la génération de code à partir du visuel et l’utilisation des détails perceptifs au cours d’un long workflow. Une question documentaire peut demander des champs reliés aux sources ou une comparaison ; une question vidéo peut identifier l’événement ou la séquence à décrire ; une question audiovisuelle peut préciser quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une parole synthétisée ou une action externe accomplie nécessite un composant fourni séparément. Préservez les identifiants des sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au contenu original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3 et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les log-probabilités ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
L’appel d’outils définis par le développeur suit un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas à lui seul que l’opération est terminée. Gardez associés l’appel d’origine et le résultat au fil de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et séparez les informations sources de l’interprétation lorsqu’elles ont des finalités différentes. La forme structurée n’établit pas l’exactitude factuelle ; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste une version à part entière. Les changements de programmation propres à 1.2, les évolutions du comportement sur la durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes de raisonnement privé à rejouer ; préservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de tokens d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments nécessaires à chaque action ou conclusion, en distinguant la planification et la perception du modèle de l’environnement qui exécute les opérations proposées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.