Muse Spark 1.2 Contributor est l’édition expérimentale et de prototypage de la famille de raisonnement Muse Spark 1.2 de Meta. Gardez l’identifiant Contributor distinct de Standard 1.2 et des éditions 1.3 ultérieures. La documentation de la famille du fabricant décrit le travail d’agents, les assistants logiciels, le raisonnement multimodal, l’utilisation d’outils et les résultats textuels structurés ; elle n’établit pas de garantie de performance Contributor distincte à partir des démonstrations Standard.
Entrées et contexte documentés
Le fabricant répertorie le texte, les images, la vidéo, l’audio et les PDF comme modalités d’entrée de la version 1.2, et le texte comme sortie, avec un contexte de 1 048 576 tokens. Ce tableau définit le périmètre de modèle documenté du fabricant. Le résultat peut être une explication écrite, des constats structurés ou du code proposé ; le rendu d’une interface, la création d’un enregistrement ou l’exécution d’une autre action externe nécessitent un composant applicatif.
Pour un prototype, choisissez une tâche définie et fournissez les contenus nécessaires à l’inspection de son résultat. Une capture d’écran peut accompagner l’exigence d’une interaction précise. Un PDF peut fournir les énoncés à comparer ou à extraire. Une vidéo peut montrer la séquence visible à décrire, tandis qu’une question audiovisuelle doit indiquer quel détail parlé ou visible compte. Étiquetez chaque source et demandez les éléments qui étayent la réponse.
La publication 1.2 décrit les points forts de la famille pour transformer des contenus visuels en code et raisonner sur des graphiques ou des scènes. Appliquez-les comme domaines de tâches plutôt que d’affirmer que cette édition Contributor reproduit chaque démonstration Standard. Une demande pratique peut porter sur les éléments de mise en page visibles dans une capture d’écran, une implémentation proposée et les questions restantes sur un comportement que l’image ne montre pas.
Raisonnement et préparation du résultat
Le guide de raisonnement Muse Spark prévoit les niveaux d’effort minimal, low, medium, high et xhigh pour cette édition. Max est propre à Standard 1.3, et la désactivation du raisonnement avec none n’est pas prise en charge. Sans réglage explicite, le modèle utilise toujours un niveau de raisonnement qu’il détermine lui-même. Une petite extraction et un problème visuel ou de programmation en plusieurs étapes peuvent donc avoir des choix d’effort différents tout en gardant la même identité 1.2 Contributor.
Le budget de sortie couvre ensemble le raisonnement interne et le texte visible. Le raisonnement brut est privé ; demandez donc l’explication ou le livrable final nécessaire à l’utilisateur au lieu d’attendre la trace sous-jacente. Fixez la longueur et les champs de la réponse en fonction de ce qui sera inspecté ensuite.
Pour comparer des documents, demandez l’énoncé source, sa page, la condition qu’il établit et toute contradiction. Pour un prototype de code, précisez l’entrée acceptée, le résultat attendu et l’interface à conserver. Demandez le fragment proposé séparément de ses hypothèses et de ses entrées d’exemple. Ces exigences définissent un résultat vérifiable plutôt qu’une expérience ouverte sans critère d’achèvement.
Expériences assistées par des outils
L’utilisation d’outils définis par le développeur suit une boucle entre modèle et application. L’application décrit les fonctions, le modèle choisit une opération et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Une recherche peut fournir des informations de référence ; un outil d’exécution peut indiquer ce qui s’est passé lorsque le code proposé a été exécuté. Gardez associés l’opération d’origine et le résultat renvoyé avant de demander la réponse suivante.
L’annonce de la famille 1.2 met l’accent sur l’utilisation d’outils pour inspecter plus finement les entrées visuelles et les livrables générés. Cela signifie que l’environnement fournit l’opération d’inspection ou de rendu. Une proposition textuelle seule n’est pas une page rendue ni une interaction exécutée. Définissez ce que les outils renvoient afin que le modèle puisse relier le retour à l’exigence réelle.
Les sorties structurées peuvent organiser les constats de l’expérience dans un schéma fourni. Définissez les noms des champs, les types requis et le traitement des valeurs manquantes, en conservant les identifiants des sources à côté des informations extraites. Un enregistrement syntaxiquement valide et une interprétation correcte sont deux propriétés différentes ; gardez le contenu original disponible pour vérifier la seconde.
Limites d’édition et de continuité
Le workflow de chat ordinaire du fabricant ne renvoie pas le contexte de raisonnement privé pour que les appelants externes le rejouent. Préservez l’historique visible, les faits sources et les résultats des outils lorsque vous poursuivez une expérience, et utilisez uniquement les mécanismes de continuité documentés pour l’interface connectée. Les log-probabilités ne sont pas prises en charge par Muse Spark ; elles ne doivent donc pas être considérées comme un score de confiance intégré pour un champ extrait.
Le tableau publié de contexte et de modalités appartient à cette édition nommée 1.2 ; elle ne doit hériter ni du réglage max de 1.3 ni de sa limite audio. Les sources consultées n’indiquent pas de capacité maximale distincte de tokens d’entrée ou de sortie au-delà du contexte. Gardez explicites l’objectif du prototype, les contenus et le résultat textuel inspectable, tout en préservant l’identité Contributor et les résultats réels renvoyés par ses outils.
", "aboutText": "Muse Spark 1.2 Contributor est l’édition expérimentale et de prototypage de la famille de raisonnement Muse Spark 1.2 de Meta. Gardez l’identifiant Contributor distinct de Standard 1.2 et des éditions 1.3 ultérieures. La documentation de la famille du fabricant décrit le travail d’agents, les assistants logiciels, le raisonnement multimodal, l’utilisation d’outils et les résultats textuels structurés ; elle n’établit pas de garantie de performance Contributor distincte à partir des démonstrations Standard.\n\nEntrées et contexte documentés\n\nLe fabricant répertorie le texte, les images, la vidéo, l’audio et les PDF comme modalités d’entrée de la version 1.2, et le texte comme sortie, avec un contexte de 1 048 576 tokens. Ce tableau définit le périmètre de modèle documenté du fabricant. Le résultat peut être une explication écrite, des constats structurés ou du code proposé ; le rendu d’une interface, la création d’un enregistrement ou l’exécution d’une autre action externe nécessitent un composant applicatif.\n\nPour un prototype, choisissez une tâche définie et fournissez les contenus nécessaires à l’inspection de son résultat. Une capture d’écran peut accompagner l’exigence d’une interaction précise. Un PDF peut fournir les énoncés à comparer ou à extraire. Une vidéo peut montrer la séquence visible à décrire, tandis qu’une question audiovisuelle doit indiquer quel détail parlé ou visible compte. Étiquetez chaque source et demandez les éléments qui étayent la réponse.\n\nLa publication 1.2 décrit les points forts de la famille pour transformer des contenus visuels en code et raisonner sur des graphiques ou des scènes. Appliquez-les comme domaines de tâches plutôt que d’affirmer que cette édition Contributor reproduit chaque démonstration Standard. Une demande pratique peut porter sur les éléments de mise en page visibles dans une capture d’écran, une implémentation proposée et les questions restantes sur un comportement que l’image ne montre pas.\n\nRaisonnement et préparation du résultat\n\nLe guide de raisonnement Muse Spark prévoit les niveaux d’effort minimal, low, medium, high et xhigh pour cette édition. Max est propre à Standard 1.3, et la désactivation du raisonnement avec none n’est pas prise en charge. Sans réglage explicite, le modèle utilise toujours un niveau de raisonnement qu’il détermine lui-même. Une petite extraction et un problème visuel ou de programmation en plusieurs étapes peuvent donc avoir des choix d’effort différents tout en gardant la même identité 1.2 Contributor.\n\nLe budget de sortie couvre ensemble le raisonnement interne et le texte visible. Le raisonnement brut est privé ; demandez donc l’explication ou le livrable final nécessaire à l’utilisateur au lieu d’attendre la trace sous-jacente. Fixez la longueur et les champs de la réponse en fonction de ce qui sera inspecté ensuite.\n\nPour comparer des documents, demandez l’énoncé source, sa page, la condition qu’il établit et toute contradiction. Pour un prototype de code, précisez l’entrée acceptée, le résultat attendu et l’interface à conserver. Demandez le fragment proposé séparément de ses hypothèses et de ses entrées d’exemple. Ces exigences définissent un résultat vérifiable plutôt qu’une expérience ouverte sans critère d’achèvement.\n\nExpériences assistées par des outils\n\nL’utilisation d’outils définis par le développeur suit une boucle entre modèle et application. L’application décrit les fonctions, le modèle choisit une opération et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Une recherche peut fournir des informations de référence ; un outil d’exécution peut indiquer ce qui s’est passé lorsque le code proposé a été exécuté. Gardez associés l’opération d’origine et le résultat renvoyé avant de demander la réponse suivante.\n\nL’annonce de la famille 1.2 met l’accent sur l’utilisation d’outils pour inspecter plus finement les entrées visuelles et les livrables générés. Cela signifie que l’environnement fournit l’opération d’inspection ou de rendu. Une proposition textuelle seule n’est pas une page rendue ni une interaction exécutée. Définissez ce que les outils renvoient afin que le modèle puisse relier le retour à l’exigence réelle.\n\nLes sorties structurées peuvent organiser les constats de l’expérience dans un schéma fourni. Définissez les noms des champs, les types requis et le traitement des valeurs manquantes, en conservant les identifiants des sources à côté des informations extraites. Un enregistrement syntaxiquement valide et une interprétation correcte sont deux propriétés différentes ; gardez le contenu original disponible pour vérifier la seconde.\n\nLimites d’édition et de continuité\n\nLe workflow de chat ordinaire du fabricant ne renvoie pas le contexte de raisonnement privé pour que les appelants externes le rejouent. Préservez l’historique visible, les faits sources et les résultats des outils lorsque vous poursuivez une expérience, et utilisez uniquement les mécanismes de continuité documentés pour l’interface connectée. Les log-probabilités ne sont pas prises en charge par Muse Spark ; elles ne doivent donc pas être considérées comme un score de confiance intégré pour un champ extrait.\n\nLe tableau publié de contexte et de modalités appartient à cette édition nommée 1.2 ; elle ne doit hériter ni du réglage max de 1.3 ni de sa limite audio. Les sources consultées n’indiquent pas de capacité maximale distincte de tokens d’entrée ou de sortie au-delà du contexte. Gardez explicites l’objectif du prototype, les contenus et le résultat textuel inspectable, tout en préservant l’identité Contributor et les résultats réels renvoyés par ses outils.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Prototype a bounded state reducer\n\nPropose a JavaScript reducer for an upload widget with states idle, uploading, success and error. Events start, finish and fail are supplied as plain strings. Only uploading may transition to success or error; start resets any state to uploading. Include a transition table and tests for an invalid finish from idle.Reducer code, a transition table and tests covering valid and ignored transitions.Check that finish from idle is ignored and that the proposal does not claim a rendered or executed widget.meta/muse-spark-1.2-contributorMuse Spark 1.2 Contributor est une édition de raisonnement Meta nommée séparément pour les workflows d’agents expérimentaux et de prototypage. Meta documente un contexte de 1 048 576 tokens et une entrée multimodale avec sortie textuelle ; l’édition conserve sa propre identité et ses niveaux de raisonnement sans le niveau max de Standard 1.3.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.2 Contributor est l’édition expérimentale et de prototypage de la famille de raisonnement Muse Spark 1.2 de Meta. Gardez l’identifiant Contributor distinct de Standard 1.2 et des éditions 1.3 ultérieures. La documentation de la famille du fabricant décrit le travail d’agents, les assistants logiciels, le raisonnement multimodal, l’utilisation d’outils et les résultats textuels structurés ; elle n’établit pas de garantie de performance Contributor distincte à partir des démonstrations Standard.
Entrées et contexte documentés
Le fabricant répertorie le texte, les images, la vidéo, l’audio et les PDF comme modalités d’entrée de la version 1.2, et le texte comme sortie, avec un contexte de 1 048 576 tokens. Ce tableau définit le périmètre de modèle documenté du fabricant. Le résultat peut être une explication écrite, des constats structurés ou du code proposé ; le rendu d’une interface, la création d’un enregistrement ou l’exécution d’une autre action externe nécessitent un composant applicatif.
Pour un prototype, choisissez une tâche définie et fournissez les contenus nécessaires à l’inspection de son résultat. Une capture d’écran peut accompagner l’exigence d’une interaction précise. Un PDF peut fournir les énoncés à comparer ou à extraire. Une vidéo peut montrer la séquence visible à décrire, tandis qu’une question audiovisuelle doit indiquer quel détail parlé ou visible compte. Étiquetez chaque source et demandez les éléments qui étayent la réponse.
La publication 1.2 décrit les points forts de la famille pour transformer des contenus visuels en code et raisonner sur des graphiques ou des scènes. Appliquez-les comme domaines de tâches plutôt que d’affirmer que cette édition Contributor reproduit chaque démonstration Standard. Une demande pratique peut porter sur les éléments de mise en page visibles dans une capture d’écran, une implémentation proposée et les questions restantes sur un comportement que l’image ne montre pas.
Raisonnement et préparation du résultat
Le guide de raisonnement Muse Spark prévoit les niveaux d’effort minimal, low, medium, high et xhigh pour cette édition. Max est propre à Standard 1.3, et la désactivation du raisonnement avec none n’est pas prise en charge. Sans réglage explicite, le modèle utilise toujours un niveau de raisonnement qu’il détermine lui-même. Une petite extraction et un problème visuel ou de programmation en plusieurs étapes peuvent donc avoir des choix d’effort différents tout en gardant la même identité 1.2 Contributor.
Le budget de sortie couvre ensemble le raisonnement interne et le texte visible. Le raisonnement brut est privé ; demandez donc l’explication ou le livrable final nécessaire à l’utilisateur au lieu d’attendre la trace sous-jacente. Fixez la longueur et les champs de la réponse en fonction de ce qui sera inspecté ensuite.
Pour comparer des documents, demandez l’énoncé source, sa page, la condition qu’il établit et toute contradiction. Pour un prototype de code, précisez l’entrée acceptée, le résultat attendu et l’interface à conserver. Demandez le fragment proposé séparément de ses hypothèses et de ses entrées d’exemple. Ces exigences définissent un résultat vérifiable plutôt qu’une expérience ouverte sans critère d’achèvement.
Expériences assistées par des outils
L’utilisation d’outils définis par le développeur suit une boucle entre modèle et application. L’application décrit les fonctions, le modèle choisit une opération et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Une recherche peut fournir des informations de référence ; un outil d’exécution peut indiquer ce qui s’est passé lorsque le code proposé a été exécuté. Gardez associés l’opération d’origine et le résultat renvoyé avant de demander la réponse suivante.
L’annonce de la famille 1.2 met l’accent sur l’utilisation d’outils pour inspecter plus finement les entrées visuelles et les livrables générés. Cela signifie que l’environnement fournit l’opération d’inspection ou de rendu. Une proposition textuelle seule n’est pas une page rendue ni une interaction exécutée. Définissez ce que les outils renvoient afin que le modèle puisse relier le retour à l’exigence réelle.
Les sorties structurées peuvent organiser les constats de l’expérience dans un schéma fourni. Définissez les noms des champs, les types requis et le traitement des valeurs manquantes, en conservant les identifiants des sources à côté des informations extraites. Un enregistrement syntaxiquement valide et une interprétation correcte sont deux propriétés différentes ; gardez le contenu original disponible pour vérifier la seconde.
Limites d’édition et de continuité
Le workflow de chat ordinaire du fabricant ne renvoie pas le contexte de raisonnement privé pour que les appelants externes le rejouent. Préservez l’historique visible, les faits sources et les résultats des outils lorsque vous poursuivez une expérience, et utilisez uniquement les mécanismes de continuité documentés pour l’interface connectée. Les log-probabilités ne sont pas prises en charge par Muse Spark ; elles ne doivent donc pas être considérées comme un score de confiance intégré pour un champ extrait.
Le tableau publié de contexte et de modalités appartient à cette édition nommée 1.2 ; elle ne doit hériter ni du réglage max de 1.3 ni de sa limite audio. Les sources consultées n’indiquent pas de capacité maximale distincte de tokens d’entrée ou de sortie au-delà du contexte. Gardez explicites l’objectif du prototype, les contenus et le résultat textuel inspectable, tout en préservant l’identité Contributor et les résultats réels renvoyés par ses outils.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.2-contributor | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000004 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-1.2-contributor", "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-1.2-contributor',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-1.2-contributor',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-1.2-contributor
Utilisez les chemins de méthode indiqués ci-dessus.
meta/muse-spark-1.2-contributorMuse Spark 1.2 Contributor est une édition de raisonnement Meta nommée séparément pour les workflows d’agents expérimentaux et de prototypage. Meta documente un contexte de 1 048 576 tokens et une entrée multimodale avec sortie textuelle ; l’édition conserve sa propre identité et ses niveaux de raisonnement sans le niveau max de Standard 1.3.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.2 Contributor est l’édition expérimentale et de prototypage de la famille de raisonnement Muse Spark 1.2 de Meta. Gardez l’identifiant Contributor distinct de Standard 1.2 et des éditions 1.3 ultérieures. La documentation de la famille du fabricant décrit le travail d’agents, les assistants logiciels, le raisonnement multimodal, l’utilisation d’outils et les résultats textuels structurés ; elle n’établit pas de garantie de performance Contributor distincte à partir des démonstrations Standard.
Entrées et contexte documentés
Le fabricant répertorie le texte, les images, la vidéo, l’audio et les PDF comme modalités d’entrée de la version 1.2, et le texte comme sortie, avec un contexte de 1 048 576 tokens. Ce tableau définit le périmètre de modèle documenté du fabricant. Le résultat peut être une explication écrite, des constats structurés ou du code proposé ; le rendu d’une interface, la création d’un enregistrement ou l’exécution d’une autre action externe nécessitent un composant applicatif.
Pour un prototype, choisissez une tâche définie et fournissez les contenus nécessaires à l’inspection de son résultat. Une capture d’écran peut accompagner l’exigence d’une interaction précise. Un PDF peut fournir les énoncés à comparer ou à extraire. Une vidéo peut montrer la séquence visible à décrire, tandis qu’une question audiovisuelle doit indiquer quel détail parlé ou visible compte. Étiquetez chaque source et demandez les éléments qui étayent la réponse.
La publication 1.2 décrit les points forts de la famille pour transformer des contenus visuels en code et raisonner sur des graphiques ou des scènes. Appliquez-les comme domaines de tâches plutôt que d’affirmer que cette édition Contributor reproduit chaque démonstration Standard. Une demande pratique peut porter sur les éléments de mise en page visibles dans une capture d’écran, une implémentation proposée et les questions restantes sur un comportement que l’image ne montre pas.
Raisonnement et préparation du résultat
Le guide de raisonnement Muse Spark prévoit les niveaux d’effort minimal, low, medium, high et xhigh pour cette édition. Max est propre à Standard 1.3, et la désactivation du raisonnement avec none n’est pas prise en charge. Sans réglage explicite, le modèle utilise toujours un niveau de raisonnement qu’il détermine lui-même. Une petite extraction et un problème visuel ou de programmation en plusieurs étapes peuvent donc avoir des choix d’effort différents tout en gardant la même identité 1.2 Contributor.
Le budget de sortie couvre ensemble le raisonnement interne et le texte visible. Le raisonnement brut est privé ; demandez donc l’explication ou le livrable final nécessaire à l’utilisateur au lieu d’attendre la trace sous-jacente. Fixez la longueur et les champs de la réponse en fonction de ce qui sera inspecté ensuite.
Pour comparer des documents, demandez l’énoncé source, sa page, la condition qu’il établit et toute contradiction. Pour un prototype de code, précisez l’entrée acceptée, le résultat attendu et l’interface à conserver. Demandez le fragment proposé séparément de ses hypothèses et de ses entrées d’exemple. Ces exigences définissent un résultat vérifiable plutôt qu’une expérience ouverte sans critère d’achèvement.
Expériences assistées par des outils
L’utilisation d’outils définis par le développeur suit une boucle entre modèle et application. L’application décrit les fonctions, le modèle choisit une opération et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Une recherche peut fournir des informations de référence ; un outil d’exécution peut indiquer ce qui s’est passé lorsque le code proposé a été exécuté. Gardez associés l’opération d’origine et le résultat renvoyé avant de demander la réponse suivante.
L’annonce de la famille 1.2 met l’accent sur l’utilisation d’outils pour inspecter plus finement les entrées visuelles et les livrables générés. Cela signifie que l’environnement fournit l’opération d’inspection ou de rendu. Une proposition textuelle seule n’est pas une page rendue ni une interaction exécutée. Définissez ce que les outils renvoient afin que le modèle puisse relier le retour à l’exigence réelle.
Les sorties structurées peuvent organiser les constats de l’expérience dans un schéma fourni. Définissez les noms des champs, les types requis et le traitement des valeurs manquantes, en conservant les identifiants des sources à côté des informations extraites. Un enregistrement syntaxiquement valide et une interprétation correcte sont deux propriétés différentes ; gardez le contenu original disponible pour vérifier la seconde.
Limites d’édition et de continuité
Le workflow de chat ordinaire du fabricant ne renvoie pas le contexte de raisonnement privé pour que les appelants externes le rejouent. Préservez l’historique visible, les faits sources et les résultats des outils lorsque vous poursuivez une expérience, et utilisez uniquement les mécanismes de continuité documentés pour l’interface connectée. Les log-probabilités ne sont pas prises en charge par Muse Spark ; elles ne doivent donc pas être considérées comme un score de confiance intégré pour un champ extrait.
Le tableau publié de contexte et de modalités appartient à cette édition nommée 1.2 ; elle ne doit hériter ni du réglage max de 1.3 ni de sa limite audio. Les sources consultées n’indiquent pas de capacité maximale distincte de tokens d’entrée ou de sortie au-delà du contexte. Gardez explicites l’objectif du prototype, les contenus et le résultat textuel inspectable, tout en préservant l’identité Contributor et les résultats réels renvoyés par ses outils.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.2-contributor | 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000004 / 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 $0.0002 / 1K tokens Sortie · Tokens en sortie $0.0004 / 1K tokens Entrée · Lecture du cache $0.000004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.2-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.2-contributor', '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-1.2-contributor', '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-1.2-contributor
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Prototype a bounded state reducer\n\nPropose a JavaScript reducer for an upload widget with states idle, uploading, success and error. Events start, finish and fail are supplied as plain strings. Only uploading may transition to success or error; start resets any state to uploading. Include a transition table and tests for an invalid finish from idle.Reducer code, a transition table and tests covering valid and ignored transitions.Check that finish from idle is ignored and that the proposal does not claim a rendered or executed widget.