Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail soutenu d’agents et de programmation. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs au cours de tâches longues, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée correspond à l’édition Standard 1.3, dont les réglages de raisonnement documentés incluent max ; l’édition Contributor nommée séparément possède ses propres limites de réglage.
Travail d’agents sur la durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir des informations, revoir un plan lorsque les éléments changent et préserver des exigences détaillées au fil d’une tâche en plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs workflows dans un même fil, les demandes entrantes étant rattachées à la tâche pertinente. Une demande utile doit définir l’objectif, les sources, les exigences et le livrable qui marquera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits à conserver et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés en conflit et les informations nécessaires pour les départager. Pour une tâche de programmation, incluez le comportement attendu, les modules concernés et le code pertinent ; demandez l’implémentation proposée et les éléments qui permettraient de distinguer le résultat attendu.
Le fabricant indique que la version 1.3 demande des précisions lorsqu’une requête est ambiguë et sollicite l’aide de l’utilisateur lorsqu’elle est bloquée. Il décrit aussi un meilleur jugement concernant les actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle, et non un remplacement des contrôles d’exécution de l’application. Donnez à l’agent les informations nécessaires pour décider et rendez explicite le résultat requis.
Programmation et éléments multimodaux
La publication vise des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un workflow d’agent de programmation peut inspecter une capture d’écran, repérer le code pertinent, proposer une correction et utiliser les retours d’exécution ou de rendu renvoyés par ses outils. Précisez l’interface qui doit rester compatible et demandez le livrable modifié séparément de ses hypothèses et de son explication.
Le tableau officiel des modèles répertorie des entrées texte, image, vidéo et PDF, une sortie textuelle et un contexte de 1 048 576 tokens. Des images ou des extraits peuvent apporter des éléments visibles à côté de la tâche écrite. Une question sur un graphique doit conserver les axes, les légendes et les unités ; une question sur une capture d’écran doit identifier le comportement à reproduire ou à inspecter. Une question PDF peut demander une extraction ou une comparaison reliée aux sources plutôt qu’un résumé général de chaque page.
Le fabricant précise explicitement que la compréhension audio en 1.3 n’est pas entièrement prise en charge et que les réponses contenant de l’audio peuvent se dégrader. Cela se distingue de la capacité audiovisuelle documentée de 1.2. Le résultat textuel du modèle ne génère pas non plus à lui seul une image, un enregistrement parlé ou un fichier terminé sans les outils de l’application.
Effort de raisonnement et continuité
Les niveaux documentés sont minimal, low, medium, high, xhigh et max. Max est propre à Standard 1.3. Muse Spark ne permet pas de désactiver le raisonnement avec none ; omettre le réglage laisse un niveau de raisonnement déterminé par le modèle. Choisissez l’effort en fonction du problème réel et laissez de la place à la fois pour le raisonnement interne et pour le résultat écrit requis.
Les tokens de raisonnement et les tokens visibles partagent le budget de sortie. Le raisonnement interne brut reste privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique visible de la conversation de la continuité du raisonnement privé : son interface de chat n’expose pas de trace que les appelants externes pourraient rejouer, tandis que son autre workflow conversationnel documenté prend en charge une continuation gérée ou chiffrée du raisonnement. Préservez les sources, les messages visibles et les résultats réels des outils nécessaires au suivi au lieu de supposer que toutes les interfaces conservent le raisonnement privé de la même manière.
Outils et livrables structurés
L’application fournit les descriptions de fonctions définies par le développeur, le modèle crée les arguments requis et l’application exécute chaque appel puis renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante afin que la réponse utilise les informations réellement retrouvées ou calculées.
Le fabricant documente séparément des outils de recherche intégrés qui s’exécutent dans son service connecté. Les fonctions du développeur et ces outils intégrés ont des modes d’exécution différents. Le modèle peut raisonner sur les informations dont il a besoin, mais le simple choix du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’informations privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante ainsi que le traitement des informations sources manquantes. Dans le mode strict de schéma du fabricant, la racine est un objet simple, chaque propriété est obligatoire et les propriétés supplémentaires sont interdites ; les schémas récursifs sont rejetés. Ce sont des contraintes de l’interface structurée du fabricant, et non la preuve que les faits d’un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats étayés par les sources, la modification ou le document proposé et les conditions non résolues. Les sources consultées ne donnent pas de capacité maximale stricte indépendante de tokens d’entrée ou de sortie au-delà du contexte documenté. Gardez explicites l’identité Standard 1.3, le choix de raisonnement et les résultats de l’exécution connectée tout au long de la tâche.
", "aboutText": "Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail soutenu d’agents et de programmation. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs au cours de tâches longues, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée correspond à l’édition Standard 1.3, dont les réglages de raisonnement documentés incluent max ; l’édition Contributor nommée séparément possède ses propres limites de réglage.\n\nTravail d’agents sur la durée\n\nLa publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir des informations, revoir un plan lorsque les éléments changent et préserver des exigences détaillées au fil d’une tâche en plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs workflows dans un même fil, les demandes entrantes étant rattachées à la tâche pertinente. Une demande utile doit définir l’objectif, les sources, les exigences et le livrable qui marquera l’achèvement.\n\nPour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits à conserver et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés en conflit et les informations nécessaires pour les départager. Pour une tâche de programmation, incluez le comportement attendu, les modules concernés et le code pertinent ; demandez l’implémentation proposée et les éléments qui permettraient de distinguer le résultat attendu.\n\nLe fabricant indique que la version 1.3 demande des précisions lorsqu’une requête est ambiguë et sollicite l’aide de l’utilisateur lorsqu’elle est bloquée. Il décrit aussi un meilleur jugement concernant les actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle, et non un remplacement des contrôles d’exécution de l’application. Donnez à l’agent les informations nécessaires pour décider et rendez explicite le résultat requis.\n\nProgrammation et éléments multimodaux\n\nLa publication vise des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un workflow d’agent de programmation peut inspecter une capture d’écran, repérer le code pertinent, proposer une correction et utiliser les retours d’exécution ou de rendu renvoyés par ses outils. Précisez l’interface qui doit rester compatible et demandez le livrable modifié séparément de ses hypothèses et de son explication.\n\nLe tableau officiel des modèles répertorie des entrées texte, image, vidéo et PDF, une sortie textuelle et un contexte de 1 048 576 tokens. Des images ou des extraits peuvent apporter des éléments visibles à côté de la tâche écrite. Une question sur un graphique doit conserver les axes, les légendes et les unités ; une question sur une capture d’écran doit identifier le comportement à reproduire ou à inspecter. Une question PDF peut demander une extraction ou une comparaison reliée aux sources plutôt qu’un résumé général de chaque page.\n\nLe fabricant précise explicitement que la compréhension audio en 1.3 n’est pas entièrement prise en charge et que les réponses contenant de l’audio peuvent se dégrader. Cela se distingue de la capacité audiovisuelle documentée de 1.2. Le résultat textuel du modèle ne génère pas non plus à lui seul une image, un enregistrement parlé ou un fichier terminé sans les outils de l’application.\n\nEffort de raisonnement et continuité\n\nLes niveaux documentés sont minimal, low, medium, high, xhigh et max. Max est propre à Standard 1.3. Muse Spark ne permet pas de désactiver le raisonnement avec none ; omettre le réglage laisse un niveau de raisonnement déterminé par le modèle. Choisissez l’effort en fonction du problème réel et laissez de la place à la fois pour le raisonnement interne et pour le résultat écrit requis.\n\nLes tokens de raisonnement et les tokens visibles partagent le budget de sortie. Le raisonnement interne brut reste privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique visible de la conversation de la continuité du raisonnement privé : son interface de chat n’expose pas de trace que les appelants externes pourraient rejouer, tandis que son autre workflow conversationnel documenté prend en charge une continuation gérée ou chiffrée du raisonnement. Préservez les sources, les messages visibles et les résultats réels des outils nécessaires au suivi au lieu de supposer que toutes les interfaces conservent le raisonnement privé de la même manière.\n\nOutils et livrables structurés\n\nL’application fournit les descriptions de fonctions définies par le développeur, le modèle crée les arguments requis et l’application exécute chaque appel puis renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante afin que la réponse utilise les informations réellement retrouvées ou calculées.\n\nLe fabricant documente séparément des outils de recherche intégrés qui s’exécutent dans son service connecté. Les fonctions du développeur et ces outils intégrés ont des modes d’exécution différents. Le modèle peut raisonner sur les informations dont il a besoin, mais le simple choix du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’informations privée.\n\nLes sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante ainsi que le traitement des informations sources manquantes. Dans le mode strict de schéma du fabricant, la racine est un objet simple, chaque propriété est obligatoire et les propriétés supplémentaires sont interdites ; les schémas récursifs sont rejetés. Ce sont des contraintes de l’interface structurée du fabricant, et non la preuve que les faits d’un enregistrement correctement formé sont vrais.\n\nPour un livrable final utile, demandez séparément les constats étayés par les sources, la modification ou le document proposé et les conditions non résolues. Les sources consultées ne donnent pas de capacité maximale stricte indépendante de tokens d’entrée ou de sortie au-delà du contexte documenté. Gardez explicites l’identité Standard 1.3, le choix de raisonnement et les résultats de l’exécution connectée tout au long de la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 est le modèle de raisonnement multimodal de Meta pour les agents sur la durée et les workflows de programmation. Il suit les sources et les résultats antérieurs, prend en charge un contexte fabricant de 1 048 576 tokens et des niveaux de raisonnement jusqu’à max dans cette édition Standard, et renvoie du texte et des actions d’outils proposées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail soutenu d’agents et de programmation. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs au cours de tâches longues, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée correspond à l’édition Standard 1.3, dont les réglages de raisonnement documentés incluent max ; l’édition Contributor nommée séparément possède ses propres limites de réglage.
Travail d’agents sur la durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir des informations, revoir un plan lorsque les éléments changent et préserver des exigences détaillées au fil d’une tâche en plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs workflows dans un même fil, les demandes entrantes étant rattachées à la tâche pertinente. Une demande utile doit définir l’objectif, les sources, les exigences et le livrable qui marquera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits à conserver et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés en conflit et les informations nécessaires pour les départager. Pour une tâche de programmation, incluez le comportement attendu, les modules concernés et le code pertinent ; demandez l’implémentation proposée et les éléments qui permettraient de distinguer le résultat attendu.
Le fabricant indique que la version 1.3 demande des précisions lorsqu’une requête est ambiguë et sollicite l’aide de l’utilisateur lorsqu’elle est bloquée. Il décrit aussi un meilleur jugement concernant les actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle, et non un remplacement des contrôles d’exécution de l’application. Donnez à l’agent les informations nécessaires pour décider et rendez explicite le résultat requis.
Programmation et éléments multimodaux
La publication vise des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un workflow d’agent de programmation peut inspecter une capture d’écran, repérer le code pertinent, proposer une correction et utiliser les retours d’exécution ou de rendu renvoyés par ses outils. Précisez l’interface qui doit rester compatible et demandez le livrable modifié séparément de ses hypothèses et de son explication.
Le tableau officiel des modèles répertorie des entrées texte, image, vidéo et PDF, une sortie textuelle et un contexte de 1 048 576 tokens. Des images ou des extraits peuvent apporter des éléments visibles à côté de la tâche écrite. Une question sur un graphique doit conserver les axes, les légendes et les unités ; une question sur une capture d’écran doit identifier le comportement à reproduire ou à inspecter. Une question PDF peut demander une extraction ou une comparaison reliée aux sources plutôt qu’un résumé général de chaque page.
Le fabricant précise explicitement que la compréhension audio en 1.3 n’est pas entièrement prise en charge et que les réponses contenant de l’audio peuvent se dégrader. Cela se distingue de la capacité audiovisuelle documentée de 1.2. Le résultat textuel du modèle ne génère pas non plus à lui seul une image, un enregistrement parlé ou un fichier terminé sans les outils de l’application.
Effort de raisonnement et continuité
Les niveaux documentés sont minimal, low, medium, high, xhigh et max. Max est propre à Standard 1.3. Muse Spark ne permet pas de désactiver le raisonnement avec none ; omettre le réglage laisse un niveau de raisonnement déterminé par le modèle. Choisissez l’effort en fonction du problème réel et laissez de la place à la fois pour le raisonnement interne et pour le résultat écrit requis.
Les tokens de raisonnement et les tokens visibles partagent le budget de sortie. Le raisonnement interne brut reste privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique visible de la conversation de la continuité du raisonnement privé : son interface de chat n’expose pas de trace que les appelants externes pourraient rejouer, tandis que son autre workflow conversationnel documenté prend en charge une continuation gérée ou chiffrée du raisonnement. Préservez les sources, les messages visibles et les résultats réels des outils nécessaires au suivi au lieu de supposer que toutes les interfaces conservent le raisonnement privé de la même manière.
Outils et livrables structurés
L’application fournit les descriptions de fonctions définies par le développeur, le modèle crée les arguments requis et l’application exécute chaque appel puis renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante afin que la réponse utilise les informations réellement retrouvées ou calculées.
Le fabricant documente séparément des outils de recherche intégrés qui s’exécutent dans son service connecté. Les fonctions du développeur et ces outils intégrés ont des modes d’exécution différents. Le modèle peut raisonner sur les informations dont il a besoin, mais le simple choix du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’informations privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante ainsi que le traitement des informations sources manquantes. Dans le mode strict de schéma du fabricant, la racine est un objet simple, chaque propriété est obligatoire et les propriétés supplémentaires sont interdites ; les schémas récursifs sont rejetés. Ce sont des contraintes de l’interface structurée du fabricant, et non la preuve que les faits d’un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats étayés par les sources, la modification ou le document proposé et les conditions non résolues. Les sources consultées ne donnent pas de capacité maximale stricte indépendante de tokens d’entrée ou de sortie au-delà du contexte documenté. Gardez explicites l’identité Standard 1.3, le choix de raisonnement et les résultats de l’exécution connectée tout au long de la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.3 | 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-1.3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-1.3
Utilisez les chemins de méthode indiqués ci-dessus.
meta/muse-spark-1.3Muse Spark 1.3 est le modèle de raisonnement multimodal de Meta pour les agents sur la durée et les workflows de programmation. Il suit les sources et les résultats antérieurs, prend en charge un contexte fabricant de 1 048 576 tokens et des niveaux de raisonnement jusqu’à max dans cette édition Standard, et renvoie du texte et des actions d’outils proposées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail soutenu d’agents et de programmation. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs au cours de tâches longues, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée correspond à l’édition Standard 1.3, dont les réglages de raisonnement documentés incluent max ; l’édition Contributor nommée séparément possède ses propres limites de réglage.
Travail d’agents sur la durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir des informations, revoir un plan lorsque les éléments changent et préserver des exigences détaillées au fil d’une tâche en plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs workflows dans un même fil, les demandes entrantes étant rattachées à la tâche pertinente. Une demande utile doit définir l’objectif, les sources, les exigences et le livrable qui marquera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits à conserver et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés en conflit et les informations nécessaires pour les départager. Pour une tâche de programmation, incluez le comportement attendu, les modules concernés et le code pertinent ; demandez l’implémentation proposée et les éléments qui permettraient de distinguer le résultat attendu.
Le fabricant indique que la version 1.3 demande des précisions lorsqu’une requête est ambiguë et sollicite l’aide de l’utilisateur lorsqu’elle est bloquée. Il décrit aussi un meilleur jugement concernant les actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle, et non un remplacement des contrôles d’exécution de l’application. Donnez à l’agent les informations nécessaires pour décider et rendez explicite le résultat requis.
Programmation et éléments multimodaux
La publication vise des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un workflow d’agent de programmation peut inspecter une capture d’écran, repérer le code pertinent, proposer une correction et utiliser les retours d’exécution ou de rendu renvoyés par ses outils. Précisez l’interface qui doit rester compatible et demandez le livrable modifié séparément de ses hypothèses et de son explication.
Le tableau officiel des modèles répertorie des entrées texte, image, vidéo et PDF, une sortie textuelle et un contexte de 1 048 576 tokens. Des images ou des extraits peuvent apporter des éléments visibles à côté de la tâche écrite. Une question sur un graphique doit conserver les axes, les légendes et les unités ; une question sur une capture d’écran doit identifier le comportement à reproduire ou à inspecter. Une question PDF peut demander une extraction ou une comparaison reliée aux sources plutôt qu’un résumé général de chaque page.
Le fabricant précise explicitement que la compréhension audio en 1.3 n’est pas entièrement prise en charge et que les réponses contenant de l’audio peuvent se dégrader. Cela se distingue de la capacité audiovisuelle documentée de 1.2. Le résultat textuel du modèle ne génère pas non plus à lui seul une image, un enregistrement parlé ou un fichier terminé sans les outils de l’application.
Effort de raisonnement et continuité
Les niveaux documentés sont minimal, low, medium, high, xhigh et max. Max est propre à Standard 1.3. Muse Spark ne permet pas de désactiver le raisonnement avec none ; omettre le réglage laisse un niveau de raisonnement déterminé par le modèle. Choisissez l’effort en fonction du problème réel et laissez de la place à la fois pour le raisonnement interne et pour le résultat écrit requis.
Les tokens de raisonnement et les tokens visibles partagent le budget de sortie. Le raisonnement interne brut reste privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique visible de la conversation de la continuité du raisonnement privé : son interface de chat n’expose pas de trace que les appelants externes pourraient rejouer, tandis que son autre workflow conversationnel documenté prend en charge une continuation gérée ou chiffrée du raisonnement. Préservez les sources, les messages visibles et les résultats réels des outils nécessaires au suivi au lieu de supposer que toutes les interfaces conservent le raisonnement privé de la même manière.
Outils et livrables structurés
L’application fournit les descriptions de fonctions définies par le développeur, le modèle crée les arguments requis et l’application exécute chaque appel puis renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante afin que la réponse utilise les informations réellement retrouvées ou calculées.
Le fabricant documente séparément des outils de recherche intégrés qui s’exécutent dans son service connecté. Les fonctions du développeur et ces outils intégrés ont des modes d’exécution différents. Le modèle peut raisonner sur les informations dont il a besoin, mais le simple choix du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’informations privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante ainsi que le traitement des informations sources manquantes. Dans le mode strict de schéma du fabricant, la racine est un objet simple, chaque propriété est obligatoire et les propriétés supplémentaires sont interdites ; les schémas récursifs sont rejetés. Ce sont des contraintes de l’interface structurée du fabricant, et non la preuve que les faits d’un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats étayés par les sources, la modification ou le document proposé et les conditions non résolues. Les sources consultées ne donnent pas de capacité maximale stricte indépendante de tokens d’entrée ou de sortie au-delà du contexte documenté. Gardez explicites l’identité Standard 1.3, le choix de raisonnement et les résultats de l’exécution connectée tout au long de la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.3 | 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 $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-1.3
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.