Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail agentique et la programmation soutenus. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs dans les tâches prolongées, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée est l’édition Standard 1.3, dont les paramètres de raisonnement documentés incluent max; l’édition Contributor nommée séparément a ses propres limites de paramètres.
Travail d’agents de longue durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir l’information, réviser un plan lorsque les éléments probants changent et préserver des exigences détaillées au fil d’une tâche à plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs flux de travail dans un même fil, où les demandes entrantes sont rattachées à la tâche pertinente. Une demande utile devrait définir l’objectif, les sources, les exigences et le livrable qui constituera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits qui doivent être conservés et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés contradictoires et l’information nécessaire pour les résoudre. Pour une tâche de programmation, incluez le comportement prévu, les modules touchés et le code pertinent; demandez l’implémentation proposée et les éléments probants qui distingueraient le résultat attendu.
Le fabricant indique que 1.3 demande des précisions lorsqu’une demande est ambiguë et sollicite l’aide de l’utilisateur en cas de blocage. Il décrit aussi un meilleur jugement quant aux actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle plutôt qu’un remplacement des contrôles d’exécution de l’application. Donnez à l’agent l’information nécessaire pour décider et rendez le résultat requis explicite.
Programmation et éléments probants multimodaux
La version met l’accent sur des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un flux 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 indique des entrées texte, image, vidéo et PDF, avec une sortie textuelle et un contexte de 1 048 576 jetons. Les images ou les extraits vidéo peuvent fournir des éléments visuels avec la tâche écrite. Une question sur un graphique devrait conserver les axes, les légendes et les unités; une question sur une capture d’écran devrait identifier le comportement à reproduire ou à examiner. Une question sur un PDF peut demander une extraction ou une comparaison liée aux sources plutôt qu’un résumé général de toutes les pages.
Le fabricant note explicitement que la compréhension de l’audio dans 1.3 n’est pas entièrement prise en charge et que les réponses comprenant 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 environnante.
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; l’omission du paramètre laisse le modèle déterminer son niveau de raisonnement. Choisissez l’effort selon le problème réel et laissez de l’espace à la fois pour le raisonnement interne et le résultat écrit requis.
Les jetons de raisonnement et les jetons visibles partagent le budget de sortie. Le raisonnement interne brut demeure privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique conversationnel visible de la continuité du raisonnement privé : son interface de clavardage n’expose pas de trace que les appelants externes peuvent rejouer, tandis que son autre flux conversationnel documenté prend en charge une continuation du raisonnement gérée ou chiffrée. Conservez les sources, les messages visibles et les résultats réels des outils nécessaires à un suivi plutôt que de présumer que toutes les interfaces préservent le raisonnement privé de la même façon.
Outils et livrables structurés
L’application fournit des descriptions de fonctions définies par le développeur, le modèle crée les arguments d’appel requis, puis l’application exécute chaque appel et renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un même tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante pour que la réponse utilise de l’information réellement trouvée ou calculée.
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 modalités d’exécution différentes. Le modèle peut raisonner sur l’information dont il a besoin, mais la seule sélection du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’information privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante et le traitement de l’information source manquante. Dans le mode de schéma strict 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 dans un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats appuyés par les sources, la modification ou le document proposés et les conditions non résolues. Les sources consultées n’indiquent pas de capacité maximale stricte indépendante de jetons d’entrée ou de sortie au-delà du contexte documenté. Gardez l’identité Standard 1.3, le choix de raisonnement et les résultats d’exécution connectés explicites tout au long de la tâche.
", "aboutText": "Muse Spark 1.3 est le modèle de raisonnement de Meta pour le travail agentique et la programmation soutenus. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs dans les tâches prolongées, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée est l’édition Standard 1.3, dont les paramètres de raisonnement documentés incluent max; l’édition Contributor nommée séparément a ses propres limites de paramètres.\n\nTravail d’agents de longue durée\n\nLa publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir l’information, réviser un plan lorsque les éléments probants changent et préserver des exigences détaillées au fil d’une tâche à plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs flux de travail dans un même fil, où les demandes entrantes sont rattachées à la tâche pertinente. Une demande utile devrait définir l’objectif, les sources, les exigences et le livrable qui constituera l’achèvement.\n\nPour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits qui doivent être conservés et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés contradictoires et l’information nécessaire pour les résoudre. Pour une tâche de programmation, incluez le comportement prévu, les modules touchés et le code pertinent; demandez l’implémentation proposée et les éléments probants qui distingueraient le résultat attendu.\n\nLe fabricant indique que 1.3 demande des précisions lorsqu’une demande est ambiguë et sollicite l’aide de l’utilisateur en cas de blocage. Il décrit aussi un meilleur jugement quant aux actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle plutôt qu’un remplacement des contrôles d’exécution de l’application. Donnez à l’agent l’information nécessaire pour décider et rendez le résultat requis explicite.\n\nProgrammation et éléments probants multimodaux\n\nLa version met l’accent sur des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un flux 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 indique des entrées texte, image, vidéo et PDF, avec une sortie textuelle et un contexte de 1 048 576 jetons. Les images ou les extraits vidéo peuvent fournir des éléments visuels avec la tâche écrite. Une question sur un graphique devrait conserver les axes, les légendes et les unités; une question sur une capture d’écran devrait identifier le comportement à reproduire ou à examiner. Une question sur un PDF peut demander une extraction ou une comparaison liée aux sources plutôt qu’un résumé général de toutes les pages.\n\nLe fabricant note explicitement que la compréhension de l’audio dans 1.3 n’est pas entièrement prise en charge et que les réponses comprenant 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 environnante.\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; l’omission du paramètre laisse le modèle déterminer son niveau de raisonnement. Choisissez l’effort selon le problème réel et laissez de l’espace à la fois pour le raisonnement interne et le résultat écrit requis.\n\nLes jetons de raisonnement et les jetons visibles partagent le budget de sortie. Le raisonnement interne brut demeure privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique conversationnel visible de la continuité du raisonnement privé : son interface de clavardage n’expose pas de trace que les appelants externes peuvent rejouer, tandis que son autre flux conversationnel documenté prend en charge une continuation du raisonnement gérée ou chiffrée. Conservez les sources, les messages visibles et les résultats réels des outils nécessaires à un suivi plutôt que de présumer que toutes les interfaces préservent le raisonnement privé de la même façon.\n\nOutils et livrables structurés\n\nL’application fournit des descriptions de fonctions définies par le développeur, le modèle crée les arguments d’appel requis, puis l’application exécute chaque appel et renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un même tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante pour que la réponse utilise de l’information réellement trouvée ou calculée.\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 modalités d’exécution différentes. Le modèle peut raisonner sur l’information dont il a besoin, mais la seule sélection du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’information 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 et le traitement de l’information source manquante. Dans le mode de schéma strict 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 dans un enregistrement correctement formé sont vrais.\n\nPour un livrable final utile, demandez séparément les constats appuyés par les sources, la modification ou le document proposés et les conditions non résolues. Les sources consultées n’indiquent pas de capacité maximale stricte indépendante de jetons d’entrée ou de sortie au-delà du contexte documenté. Gardez l’identité Standard 1.3, le choix de raisonnement et les résultats d’exécution connectés explicites 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 de longue durée et les flux de programmation. Il suit les sources et les résultats antérieurs, prend en charge un contexte fabricant de 1 048 576 jetons et des niveaux de raisonnement allant 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 agentique et la programmation soutenus. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs dans les tâches prolongées, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée est l’édition Standard 1.3, dont les paramètres de raisonnement documentés incluent max; l’édition Contributor nommée séparément a ses propres limites de paramètres.
Travail d’agents de longue durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir l’information, réviser un plan lorsque les éléments probants changent et préserver des exigences détaillées au fil d’une tâche à plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs flux de travail dans un même fil, où les demandes entrantes sont rattachées à la tâche pertinente. Une demande utile devrait définir l’objectif, les sources, les exigences et le livrable qui constituera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits qui doivent être conservés et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés contradictoires et l’information nécessaire pour les résoudre. Pour une tâche de programmation, incluez le comportement prévu, les modules touchés et le code pertinent; demandez l’implémentation proposée et les éléments probants qui distingueraient le résultat attendu.
Le fabricant indique que 1.3 demande des précisions lorsqu’une demande est ambiguë et sollicite l’aide de l’utilisateur en cas de blocage. Il décrit aussi un meilleur jugement quant aux actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle plutôt qu’un remplacement des contrôles d’exécution de l’application. Donnez à l’agent l’information nécessaire pour décider et rendez le résultat requis explicite.
Programmation et éléments probants multimodaux
La version met l’accent sur des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un flux 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 indique des entrées texte, image, vidéo et PDF, avec une sortie textuelle et un contexte de 1 048 576 jetons. Les images ou les extraits vidéo peuvent fournir des éléments visuels avec la tâche écrite. Une question sur un graphique devrait conserver les axes, les légendes et les unités; une question sur une capture d’écran devrait identifier le comportement à reproduire ou à examiner. Une question sur un PDF peut demander une extraction ou une comparaison liée aux sources plutôt qu’un résumé général de toutes les pages.
Le fabricant note explicitement que la compréhension de l’audio dans 1.3 n’est pas entièrement prise en charge et que les réponses comprenant 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 environnante.
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; l’omission du paramètre laisse le modèle déterminer son niveau de raisonnement. Choisissez l’effort selon le problème réel et laissez de l’espace à la fois pour le raisonnement interne et le résultat écrit requis.
Les jetons de raisonnement et les jetons visibles partagent le budget de sortie. Le raisonnement interne brut demeure privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique conversationnel visible de la continuité du raisonnement privé : son interface de clavardage n’expose pas de trace que les appelants externes peuvent rejouer, tandis que son autre flux conversationnel documenté prend en charge une continuation du raisonnement gérée ou chiffrée. Conservez les sources, les messages visibles et les résultats réels des outils nécessaires à un suivi plutôt que de présumer que toutes les interfaces préservent le raisonnement privé de la même façon.
Outils et livrables structurés
L’application fournit des descriptions de fonctions définies par le développeur, le modèle crée les arguments d’appel requis, puis l’application exécute chaque appel et renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un même tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante pour que la réponse utilise de l’information réellement trouvée ou calculée.
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 modalités d’exécution différentes. Le modèle peut raisonner sur l’information dont il a besoin, mais la seule sélection du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’information privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante et le traitement de l’information source manquante. Dans le mode de schéma strict 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 dans un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats appuyés par les sources, la modification ou le document proposés et les conditions non résolues. Les sources consultées n’indiquent pas de capacité maximale stricte indépendante de jetons d’entrée ou de sortie au-delà du contexte documenté. Gardez l’identité Standard 1.3, le choix de raisonnement et les résultats d’exécution connectés explicites 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’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-1.3", "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, 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-1.3
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 de longue durée et les flux de programmation. Il suit les sources et les résultats antérieurs, prend en charge un contexte fabricant de 1 048 576 jetons et des niveaux de raisonnement allant 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 agentique et la programmation soutenus. Le fabricant met l’accent sur la conservation du contexte et des résultats antérieurs dans les tâches prolongées, le traitement de sources contradictoires et la production d’un livrable terminé. Cette entrée est l’édition Standard 1.3, dont les paramètres de raisonnement documentés incluent max; l’édition Contributor nommée séparément a ses propres limites de paramètres.
Travail d’agents de longue durée
La publication décrit un modèle entraîné dans différents environnements d’agents pour recueillir l’information, réviser un plan lorsque les éléments probants changent et préserver des exigences détaillées au fil d’une tâche à plusieurs étapes. Elle décrit aussi une meilleure gestion de plusieurs flux de travail dans un même fil, où les demandes entrantes sont rattachées à la tâche pertinente. Une demande utile devrait définir l’objectif, les sources, les exigences et le livrable qui constituera l’achèvement.
Pour une tâche documentaire professionnelle, fournissez les rapports sources, identifiez les faits qui doivent être conservés et demandez une note structurée avec les emplacements des sources. Si les sources se contredisent, demandez séparément les énoncés contradictoires et l’information nécessaire pour les résoudre. Pour une tâche de programmation, incluez le comportement prévu, les modules touchés et le code pertinent; demandez l’implémentation proposée et les éléments probants qui distingueraient le résultat attendu.
Le fabricant indique que 1.3 demande des précisions lorsqu’une demande est ambiguë et sollicite l’aide de l’utilisateur en cas de blocage. Il décrit aussi un meilleur jugement quant aux actions lourdes de conséquences. Ce sont des améliorations du comportement du modèle plutôt qu’un remplacement des contrôles d’exécution de l’application. Donnez à l’agent l’information nécessaire pour décider et rendez le résultat requis explicite.
Programmation et éléments probants multimodaux
La version met l’accent sur des tâches de programmation plus longues, des sorties plus propres et moins de tours inutiles par rapport à 1.2. Un flux 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 indique des entrées texte, image, vidéo et PDF, avec une sortie textuelle et un contexte de 1 048 576 jetons. Les images ou les extraits vidéo peuvent fournir des éléments visuels avec la tâche écrite. Une question sur un graphique devrait conserver les axes, les légendes et les unités; une question sur une capture d’écran devrait identifier le comportement à reproduire ou à examiner. Une question sur un PDF peut demander une extraction ou une comparaison liée aux sources plutôt qu’un résumé général de toutes les pages.
Le fabricant note explicitement que la compréhension de l’audio dans 1.3 n’est pas entièrement prise en charge et que les réponses comprenant 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 environnante.
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; l’omission du paramètre laisse le modèle déterminer son niveau de raisonnement. Choisissez l’effort selon le problème réel et laissez de l’espace à la fois pour le raisonnement interne et le résultat écrit requis.
Les jetons de raisonnement et les jetons visibles partagent le budget de sortie. Le raisonnement interne brut demeure privé et n’est pas renvoyé comme du texte lisible ordinaire. Le fabricant distingue l’historique conversationnel visible de la continuité du raisonnement privé : son interface de clavardage n’expose pas de trace que les appelants externes peuvent rejouer, tandis que son autre flux conversationnel documenté prend en charge une continuation du raisonnement gérée ou chiffrée. Conservez les sources, les messages visibles et les résultats réels des outils nécessaires à un suivi plutôt que de présumer que toutes les interfaces préservent le raisonnement privé de la même façon.
Outils et livrables structurés
L’application fournit des descriptions de fonctions définies par le développeur, le modèle crée les arguments d’appel requis, puis l’application exécute chaque appel et renvoie le résultat associé. Le modèle peut demander plusieurs fonctions dans un même tour. Renvoyez le résultat de chaque opération d’origine avant de demander la conclusion suivante pour que la réponse utilise de l’information réellement trouvée ou calculée.
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 modalités d’exécution différentes. Le modèle peut raisonner sur l’information dont il a besoin, mais la seule sélection du modèle ne fournit pas un accès au dépôt, un navigateur ou une source d’information privée.
Les sorties structurées peuvent contraindre le résultat à un schéma JSON fourni. Définissez les champs et les types nécessaires à l’étape suivante et le traitement de l’information source manquante. Dans le mode de schéma strict 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 dans un enregistrement correctement formé sont vrais.
Pour un livrable final utile, demandez séparément les constats appuyés par les sources, la modification ou le document proposés et les conditions non résolues. Les sources consultées n’indiquent pas de capacité maximale stricte indépendante de jetons d’entrée ou de sortie au-delà du contexte documenté. Gardez l’identité Standard 1.3, le choix de raisonnement et les résultats d’exécution connectés explicites 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 | 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 $0.0003 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-1.3
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.