Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail agentique, la programmation et les flux d’utilisation d’ordinateurs. La version originale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par les outils. La sortie documentée est le texte; l’application autour du modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et long contexte
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir du contexte, former un plan et déléguer du travail défini; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant indique un contexte de 1 048 576 jetons. Sa version 1.1 décrit le rappel du travail antérieur et la condensation de l’information nécessaire aux étapes ultérieures. Une tâche utile devrait identifier l’objectif, le matériel source et le livrable final, avec les décisions importantes et les résultats d’outils conservés explicitement. Un grand contexte aide à garder l’information connexe ensemble, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une longue question de projet, identifiez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez le résultat qui terminerait chaque étape. Conservez les constats et les résultats visibles lors d’un suivi plutôt que de présumer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques dans des applications changeantes, où le modèle choisit entre l’interaction directe avec l’interface et l’automatisation par scripts dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une instruction textuelle peut définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments probants qui l’appuient, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic de bogues, l’implémentation de fonctionnalités et les migrations de code. Sa démonstration de débogage combine la génération de code, les captures d’écran, le repérage d’un échec et l’inspection de la correction. Une demande pratique peut fournir le comportement en échec, la source touchée et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers demeurent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre; pour une modification, précisez le résultat et les contraintes; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires pour l’inspecter.
Entrées multimodales
Le tableau documente les entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La version décrit la production de légendes détaillées d’images et de vidéos, la conversion visuel-vers-code et l’utilisation des détails perçus dans un flux plus long. Une question documentaire peut demander des champs liés aux sources ou une comparaison; une question vidéo peut identifier l’événement ou la séquence à décrire; une question audiovisuelle peut préciser les informations parlées et visibles importantes.
La sortie du modèle demeure une explication écrite, un résultat structuré ou du code proposé. Une image générée, de la parole synthétisée ou une action externe terminée nécessite un composant fourni séparément. Conservez les identifiants des sources, les étiquettes, les unités et les segments pertinents pour que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un paramètre ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit des opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander de l’information ou une opération; il ne constitue pas à lui seul la preuve que l’opération est terminée. Gardez l’appel d’origine et le résultat associés tout au long de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et gardez l’information source séparée de l’interprétation lorsqu’elles servent des objectifs différents. La forme structurée n’établit pas l’exactitude factuelle; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 demeure sa propre version. Les changements de programmation précis de 1.2, les améliorations de comportement de longue durée de 1.3 et le paramètre max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de clavardage du fabricant ne donne pas aux appelants externes le raisonnement privé à rejouer; préservez donc l’historique visible et utilisez les mécanismes de continuité offerts par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de jetons d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments probants nécessaires à chaque action ou conclusion, en gardant la planification et la perception du modèle distinctes de l’environnement qui exécute ses opérations proposées.
", "aboutText": "Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail agentique, la programmation et les flux d’utilisation d’ordinateurs. La version originale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par les outils. La sortie documentée est le texte; l’application autour du modèle fournit l’exécution réelle et les livrables rendus.\n\nPlanification d’agents et long contexte\n\nLa publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir du contexte, former un plan et déléguer du travail défini; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.\n\nLe tableau du fabricant indique un contexte de 1 048 576 jetons. Sa version 1.1 décrit le rappel du travail antérieur et la condensation de l’information nécessaire aux étapes ultérieures. Une tâche utile devrait identifier l’objectif, le matériel source et le livrable final, avec les décisions importantes et les résultats d’outils conservés explicitement. Un grand contexte aide à garder l’information connexe ensemble, mais ne définit pas l’exigence que le résultat doit satisfaire.\n\nPour une longue question de projet, identifiez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez le résultat qui terminerait chaque étape. Conservez les constats et les résultats visibles lors d’un suivi plutôt que de présumer qu’une mémoire non précisée contient tous les faits antérieurs.\n\nUtilisation d’ordinateurs et programmation\n\nLe fabricant décrit des flux informatiques dans des applications changeantes, où le modèle choisit entre l’interaction directe avec l’interface et l’automatisation par scripts dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une instruction textuelle peut définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments probants qui l’appuient, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.\n\nPour la programmation, la version décrit le diagnostic de bogues, l’implémentation de fonctionnalités et les migrations de code. Sa démonstration de débogage combine la génération de code, les captures d’écran, le repérage d’un échec et l’inspection de la correction. Une demande pratique peut fournir le comportement en échec, la source touchée et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers demeurent des opérations fournies par les outils de l’application.\n\nDonnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre; pour une modification, précisez le résultat et les contraintes; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires pour l’inspecter.\n\nEntrées multimodales\n\nLe tableau documente les entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La version décrit la production de légendes détaillées d’images et de vidéos, la conversion visuel-vers-code et l’utilisation des détails perçus dans un flux plus long. Une question documentaire peut demander des champs liés aux sources ou une comparaison; une question vidéo peut identifier l’événement ou la séquence à décrire; une question audiovisuelle peut préciser les informations parlées et visibles importantes.\n\nLa sortie du modèle demeure une explication écrite, un résultat structuré ou du code proposé. Une image générée, de la parole synthétisée ou une action externe terminée nécessite un composant fourni séparément. Conservez les identifiants des sources, les étiquettes, les unités et les segments pertinents pour que le résultat textuel puisse être comparé au matériel original.\n\nRaisonnement, outils et sorties structurées\n\nLe guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un paramètre ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.\n\nLes appels d’outils définis par le développeur suivent un cycle : l’application fournit des opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander de l’information ou une opération; il ne constitue pas à lui seul la preuve que l’opération est terminée. Gardez l’appel d’origine et le résultat associés tout au long de la conversation.\n\nLe fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et gardez l’information source séparée de l’interprétation lorsqu’elles servent des objectifs différents. La forme structurée n’établit pas l’exactitude factuelle; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.\n\nLimites d’édition et de continuité\n\nMuse Spark 1.1 demeure sa propre version. Les changements de programmation précis de 1.2, les améliorations de comportement de longue durée de 1.3 et le paramètre max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de clavardage du fabricant ne donne pas aux appelants externes le raisonnement privé à rejouer; préservez donc l’historique visible et utilisez les mécanismes de continuité offerts par l’interface connectée.\n\nLes sources consultées n’indiquent pas de capacités maximales strictes distinctes de jetons d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments probants nécessaires à chaque action ou conclusion, en gardant la planification et la perception du modèle distinctes de l’environnement qui exécute ses opérations proposées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation d’ordinateurs et la programmation. Il travaille avec un contexte textuel et visuel substantiel, produit du texte et des actions d’outils proposées, et offre un contexte fabricant de 1 048 576 jetons avec des niveaux de raisonnement allant jusqu’à xhigh.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail agentique, la programmation et les flux d’utilisation d’ordinateurs. La version originale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par les outils. La sortie documentée est le texte; l’application autour du modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et long contexte
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir du contexte, former un plan et déléguer du travail défini; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant indique un contexte de 1 048 576 jetons. Sa version 1.1 décrit le rappel du travail antérieur et la condensation de l’information nécessaire aux étapes ultérieures. Une tâche utile devrait identifier l’objectif, le matériel source et le livrable final, avec les décisions importantes et les résultats d’outils conservés explicitement. Un grand contexte aide à garder l’information connexe ensemble, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une longue question de projet, identifiez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez le résultat qui terminerait chaque étape. Conservez les constats et les résultats visibles lors d’un suivi plutôt que de présumer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques dans des applications changeantes, où le modèle choisit entre l’interaction directe avec l’interface et l’automatisation par scripts dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une instruction textuelle peut définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments probants qui l’appuient, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic de bogues, l’implémentation de fonctionnalités et les migrations de code. Sa démonstration de débogage combine la génération de code, les captures d’écran, le repérage d’un échec et l’inspection de la correction. Une demande pratique peut fournir le comportement en échec, la source touchée et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers demeurent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre; pour une modification, précisez le résultat et les contraintes; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires pour l’inspecter.
Entrées multimodales
Le tableau documente les entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La version décrit la production de légendes détaillées d’images et de vidéos, la conversion visuel-vers-code et l’utilisation des détails perçus dans un flux plus long. Une question documentaire peut demander des champs liés aux sources ou une comparaison; une question vidéo peut identifier l’événement ou la séquence à décrire; une question audiovisuelle peut préciser les informations parlées et visibles importantes.
La sortie du modèle demeure une explication écrite, un résultat structuré ou du code proposé. Une image générée, de la parole synthétisée ou une action externe terminée nécessite un composant fourni séparément. Conservez les identifiants des sources, les étiquettes, les unités et les segments pertinents pour que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un paramètre ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit des opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander de l’information ou une opération; il ne constitue pas à lui seul la preuve que l’opération est terminée. Gardez l’appel d’origine et le résultat associés tout au long de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et gardez l’information source séparée de l’interprétation lorsqu’elles servent des objectifs différents. La forme structurée n’établit pas l’exactitude factuelle; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 demeure sa propre version. Les changements de programmation précis de 1.2, les améliorations de comportement de longue durée de 1.3 et le paramètre max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de clavardage du fabricant ne donne pas aux appelants externes le raisonnement privé à rejouer; préservez donc l’historique visible et utilisez les mécanismes de continuité offerts par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de jetons d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments probants nécessaires à chaque action ou conclusion, en gardant la planification et la perception du modèle distinctes de l’environnement qui exécute ses opérations proposées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.0085 / 1K jetons Entrée · Lecture du cache $0.0003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.0085 / 1K jetons Entrée · Lecture du cache $0.0003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
meta/muse-spark-1.1Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation d’ordinateurs et la programmation. Il travaille avec un contexte textuel et visuel substantiel, produit du texte et des actions d’outils proposées, et offre un contexte fabricant de 1 048 576 jetons avec des niveaux de raisonnement allant jusqu’à xhigh.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta Superintelligence Labs pour le travail agentique, la programmation et les flux d’utilisation d’ordinateurs. La version originale du fabricant met l’accent sur la planification, l’orchestration, la gestion du contexte et la combinaison d’éléments visuels avec des actions fournies par les outils. La sortie documentée est le texte; l’application autour du modèle fournit l’exécution réelle et les livrables rendus.
Planification d’agents et long contexte
La publication décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir du contexte, former un plan et déléguer du travail défini; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant indique un contexte de 1 048 576 jetons. Sa version 1.1 décrit le rappel du travail antérieur et la condensation de l’information nécessaire aux étapes ultérieures. Une tâche utile devrait identifier l’objectif, le matériel source et le livrable final, avec les décisions importantes et les résultats d’outils conservés explicitement. Un grand contexte aide à garder l’information connexe ensemble, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une longue question de projet, identifiez les documents sources et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez le résultat qui terminerait chaque étape. Conservez les constats et les résultats visibles lors d’un suivi plutôt que de présumer qu’une mémoire non précisée contient tous les faits antérieurs.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques dans des applications changeantes, où le modèle choisit entre l’interaction directe avec l’interface et l’automatisation par scripts dans un environnement connecté. Une capture d’écran peut fournir l’état visible et une instruction textuelle peut définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments probants qui l’appuient, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic de bogues, l’implémentation de fonctionnalités et les migrations de code. Sa démonstration de débogage combine la génération de code, les captures d’écran, le repérage d’un échec et l’inspection de la correction. Une demande pratique peut fournir le comportement en échec, la source touchée et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers demeurent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à suivre; pour une modification, précisez le résultat et les contraintes; pour une implémentation visuelle, incluez la capture d’écran et les interactions que l’image ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires pour l’inspecter.
Entrées multimodales
Le tableau documente les entrées texte, image, vidéo, audio et PDF pour 1.1, avec une sortie textuelle. La version décrit la production de légendes détaillées d’images et de vidéos, la conversion visuel-vers-code et l’utilisation des détails perçus dans un flux plus long. Une question documentaire peut demander des champs liés aux sources ou une comparaison; une question vidéo peut identifier l’événement ou la séquence à décrire; une question audiovisuelle peut préciser les informations parlées et visibles importantes.
La sortie du modèle demeure une explication écrite, un résultat structuré ou du code proposé. Une image générée, de la parole synthétisée ou une action externe terminée nécessite un composant fourni séparément. Conservez les identifiants des sources, les étiquettes, les unités et les segments pertinents pour que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sorties structurées
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un paramètre ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre à la fois le raisonnement interne privé et la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme des champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit des opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander de l’information ou une opération; il ne constitue pas à lui seul la preuve que l’opération est terminée. Gardez l’appel d’origine et le résultat associés tout au long de la conversation.
Le fabricant documente aussi du texte structuré contraint par un schéma JSON fourni. Définissez les champs requis par l’application et leurs types, et gardez l’information source séparée de l’interprétation lorsqu’elles servent des objectifs différents. La forme structurée n’établit pas l’exactitude factuelle; les sources originales et les résultats réels des outils déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 demeure sa propre version. Les changements de programmation précis de 1.2, les améliorations de comportement de longue durée de 1.3 et le paramètre max de Standard 1.3 ne doivent pas lui être attribués simplement parce que la famille est commune. L’interface de clavardage du fabricant ne donne pas aux appelants externes le raisonnement privé à rejouer; préservez donc l’historique visible et utilisez les mécanismes de continuité offerts par l’interface connectée.
Les sources consultées n’indiquent pas de capacités maximales strictes distinctes de jetons d’entrée ou de sortie au-delà du contexte documenté. Définissez le livrable textuel requis et conservez les éléments probants nécessaires à chaque action ou conclusion, en gardant la planification et la perception du modèle distinctes de l’environnement qui exécute ses opérations proposées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.0085 / 1K jetons Entrée · Lecture du cache $0.0003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.0025 / 1K jetons Sortie · Jetons en sortie $0.0085 / 1K jetons Entrée · Lecture du cache $0.0003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.