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 l’association d’éléments visuels à des actions fournies par les outils. La sortie documentée est textuelle ; l’application qui entoure le modèle assure l’exécution réelle et les livrables rendus.
Planification des agents et contexte long
La version décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir le contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant donne un contexte de 1 048 576 tokens. Sa version 1.1 décrit le rappel des travaux antérieurs et la condensation des informations nécessaires aux étapes suivantes. Une tâche utile doit identifier l’objectif, le matériel source et le livrable final, avec une conservation explicite des décisions importantes et des résultats d’outils. Un grand contexte aide à garder ensemble les informations liées, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une question sur un long projet, étiquetez les documents source et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat achèverait chaque étape. Conservez les constats et les résultats visibles lors d’une demande suivante au lieu de supposer qu’une mémoire non spécifiée contient chaque fait antérieur.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques entre des applications changeantes, le modèle choisissant 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 consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic des bugs, la mise en œuvre de fonctionnalités et les migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et examen de la correction. Une demande pratique peut fournir le comportement en échec, le code source concerné et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à retracer ; pour une modification, précisez le résultat et les contraintes ; pour une mise en œuvre visuelle, incluez la capture d’écran et les interactions qu’elle ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son examen.
Entrées multimodales
Le tableau documente le texte, les images, la vidéo, l’audio et les PDF en entrée pour 1.1, avec une sortie textuelle. La version décrit le légendage détaillé d’images et de vidéos, la génération de code à partir de visuels et l’utilisation de détails perceptifs au fil d’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 quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une voix synthétisée ou une action externe achevée exige un composant fourni séparément. Préservez les identifiants de sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sortie structurée
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre le raisonnement interne privé ainsi que la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas lui-même que l’opération a été achevée. 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 les informations source séparées de l’interprétation lorsqu’elles servent des finalités différentes. Une forme structurée n’établit pas l’exactitude des faits ; les sources originales et les résultats d’outils réels déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste sa propre version. Les modifications de programmation propres à 1.2, les mises à jour de comportement de longue durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués du seul fait que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes le raisonnement privé à rejouer : conservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées ne déclarent pas de capacités maximales strictes séparées pour les tokens 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 les 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 l’association d’éléments visuels à des actions fournies par les outils. La sortie documentée est textuelle ; l’application qui entoure le modèle assure l’exécution réelle et les livrables rendus.\n\nPlanification des agents et contexte long\n\nLa version décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir le contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.\n\nLe tableau du fabricant donne un contexte de 1 048 576 tokens. Sa version 1.1 décrit le rappel des travaux antérieurs et la condensation des informations nécessaires aux étapes suivantes. Une tâche utile doit identifier l’objectif, le matériel source et le livrable final, avec une conservation explicite des décisions importantes et des résultats d’outils. Un grand contexte aide à garder ensemble les informations liées, mais ne définit pas l’exigence que le résultat doit satisfaire.\n\nPour une question sur un long projet, étiquetez les documents source et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat achèverait chaque étape. Conservez les constats et les résultats visibles lors d’une demande suivante au lieu de supposer qu’une mémoire non spécifiée contient chaque fait antérieur.\n\nUtilisation d’ordinateurs et programmation\n\nLe fabricant décrit des flux informatiques entre des applications changeantes, le modèle choisissant 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 consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.\n\nPour la programmation, la version décrit le diagnostic des bugs, la mise en œuvre de fonctionnalités et les migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et examen de la correction. Une demande pratique peut fournir le comportement en échec, le code source concerné et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers restent des opérations fournies par les outils de l’application.\n\nDonnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à retracer ; pour une modification, précisez le résultat et les contraintes ; pour une mise en œuvre visuelle, incluez la capture d’écran et les interactions qu’elle ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son examen.\n\nEntrées multimodales\n\nLe tableau documente le texte, les images, la vidéo, l’audio et les PDF en entrée pour 1.1, avec une sortie textuelle. La version décrit le légendage détaillé d’images et de vidéos, la génération de code à partir de visuels et l’utilisation de détails perceptifs au fil d’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 quelles informations parlées et visibles comptent.\n\nLa sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une voix synthétisée ou une action externe achevée exige un composant fourni séparément. Préservez les identifiants de sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au matériel original.\n\nRaisonnement, outils et sortie structurée\n\nLe guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre le raisonnement interne privé ainsi que la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme champs ordinaires de confiance ou d’explication.\n\nLes appels d’outils définis par le développeur suivent un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas lui-même que l’opération a été achevée. 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 les informations source séparées de l’interprétation lorsqu’elles servent des finalités différentes. Une forme structurée n’établit pas l’exactitude des faits ; les sources originales et les résultats d’outils réels déterminent toujours le contenu d’une réponse inspectable.\n\nLimites d’édition et de continuité\n\nMuse Spark 1.1 reste sa propre version. Les modifications de programmation propres à 1.2, les mises à jour de comportement de longue durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués du seul fait que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes le raisonnement privé à rejouer : conservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.\n\nLes sources consultées ne déclarent pas de capacités maximales strictes séparées pour les tokens 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 les opérations proposées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation d’ordinateurs et la programmation. Il travaille avec un contexte textuel et visuel volumineux, produit du texte et des actions d’outils proposées et dispose d’un contexte de 1 048 576 tokens annoncé par le fabricant 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 l’association d’éléments visuels à des actions fournies par les outils. La sortie documentée est textuelle ; l’application qui entoure le modèle assure l’exécution réelle et les livrables rendus.
Planification des agents et contexte long
La version décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir le contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant donne un contexte de 1 048 576 tokens. Sa version 1.1 décrit le rappel des travaux antérieurs et la condensation des informations nécessaires aux étapes suivantes. Une tâche utile doit identifier l’objectif, le matériel source et le livrable final, avec une conservation explicite des décisions importantes et des résultats d’outils. Un grand contexte aide à garder ensemble les informations liées, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une question sur un long projet, étiquetez les documents source et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat achèverait chaque étape. Conservez les constats et les résultats visibles lors d’une demande suivante au lieu de supposer qu’une mémoire non spécifiée contient chaque fait antérieur.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques entre des applications changeantes, le modèle choisissant 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 consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic des bugs, la mise en œuvre de fonctionnalités et les migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et examen de la correction. Une demande pratique peut fournir le comportement en échec, le code source concerné et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à retracer ; pour une modification, précisez le résultat et les contraintes ; pour une mise en œuvre visuelle, incluez la capture d’écran et les interactions qu’elle ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son examen.
Entrées multimodales
Le tableau documente le texte, les images, la vidéo, l’audio et les PDF en entrée pour 1.1, avec une sortie textuelle. La version décrit le légendage détaillé d’images et de vidéos, la génération de code à partir de visuels et l’utilisation de détails perceptifs au fil d’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 quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une voix synthétisée ou une action externe achevée exige un composant fourni séparément. Préservez les identifiants de sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sortie structurée
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre le raisonnement interne privé ainsi que la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas lui-même que l’opération a été achevée. 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 les informations source séparées de l’interprétation lorsqu’elles servent des finalités différentes. Une forme structurée n’établit pas l’exactitude des faits ; les sources originales et les résultats d’outils réels déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste sa propre version. Les modifications de programmation propres à 1.2, les mises à jour de comportement de longue durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués du seul fait que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes le raisonnement privé à rejouer : conservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées ne déclarent pas de capacités maximales strictes séparées pour les tokens 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 les opérations proposées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
meta/muse-spark-1.1Muse Spark 1.1 est le modèle de raisonnement multimodal de Meta pour les agents, l’utilisation d’ordinateurs et la programmation. Il travaille avec un contexte textuel et visuel volumineux, produit du texte et des actions d’outils proposées et dispose d’un contexte de 1 048 576 tokens annoncé par le fabricant 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 l’association d’éléments visuels à des actions fournies par les outils. La sortie documentée est textuelle ; l’application qui entoure le modèle assure l’exécution réelle et les livrables rendus.
Planification des agents et contexte long
La version décrit l’adaptation aux outils natifs, aux fonctions personnalisées et aux environnements d’agents. Comme agent principal, le modèle peut recueillir le contexte, élaborer un plan et déléguer un travail défini ; dans un rôle délégué, il suit la tâche assignée et peut signaler un obstacle à un niveau supérieur. Ce sont des capacités utilisées par un environnement d’agents plutôt qu’un ensemble de sous-agents automatiquement créés par une seule réponse textuelle.
Le tableau du fabricant donne un contexte de 1 048 576 tokens. Sa version 1.1 décrit le rappel des travaux antérieurs et la condensation des informations nécessaires aux étapes suivantes. Une tâche utile doit identifier l’objectif, le matériel source et le livrable final, avec une conservation explicite des décisions importantes et des résultats d’outils. Un grand contexte aide à garder ensemble les informations liées, mais ne définit pas l’exigence que le résultat doit satisfaire.
Pour une question sur un long projet, étiquetez les documents source et demandez l’exigence pertinente, son emplacement et la condition non résolue. Pour un plan, demandez les actions dans un ordre lié aux contraintes fournies et précisez quel résultat achèverait chaque étape. Conservez les constats et les résultats visibles lors d’une demande suivante au lieu de supposer qu’une mémoire non spécifiée contient chaque fait antérieur.
Utilisation d’ordinateurs et programmation
Le fabricant décrit des flux informatiques entre des applications changeantes, le modèle choisissant 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 consigne textuelle définir l’objectif de l’utilisateur. Demandez la commande pertinente, l’opération proposée et les éléments qui l’étayent, puis renvoyez le nouvel état réel si l’environnement effectue cette opération.
Pour la programmation, la version décrit le diagnostic des bugs, la mise en œuvre de fonctionnalités et les migrations de code. Sa démonstration de débogage combine génération de code, captures d’écran, localisation d’un échec et examen de la correction. Une demande pratique peut fournir le comportement en échec, le code source concerné et le résultat attendu, puis demander la modification proposée en conservant l’interface publique. L’exécution de code et la modification de fichiers restent des opérations fournies par les outils de l’application.
Donnez au modèle le code et les déclarations qui déterminent le comportement. Pour une explication, fournissez une entrée à retracer ; pour une modification, précisez le résultat et les contraintes ; pour une mise en œuvre visuelle, incluez la capture d’écran et les interactions qu’elle ne montre pas. Demandez le livrable séparément de ses hypothèses et des retours nécessaires à son examen.
Entrées multimodales
Le tableau documente le texte, les images, la vidéo, l’audio et les PDF en entrée pour 1.1, avec une sortie textuelle. La version décrit le légendage détaillé d’images et de vidéos, la génération de code à partir de visuels et l’utilisation de détails perceptifs au fil d’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 quelles informations parlées et visibles comptent.
La sortie du modèle reste une explication écrite, un résultat structuré ou du code proposé. Une image générée, une voix synthétisée ou une action externe achevée exige un composant fourni séparément. Préservez les identifiants de sources, les étiquettes, les unités et les segments pertinents afin que le résultat textuel puisse être comparé au matériel original.
Raisonnement, outils et sortie structurée
Le guide de raisonnement Muse Spark documente minimal, low, medium, high et xhigh pour cette édition. Max est un réglage ultérieur de Standard 1.3, et none n’est pas pris en charge. Le raisonnement a lieu même sans valeur d’effort explicite, et le budget de sortie couvre le raisonnement interne privé ainsi que la réponse visible. Le raisonnement brut et les probabilités logarithmiques ne sont pas exposés comme champs ordinaires de confiance ou d’explication.
Les appels d’outils définis par le développeur suivent un cycle : l’application fournit les opérations, le modèle prépare les arguments, l’application exécute chaque appel et renvoie son résultat, puis la réponse suivante utilise ce résultat. Un appel d’outil peut demander une information ou une opération ; il ne prouve pas lui-même que l’opération a été achevée. 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 les informations source séparées de l’interprétation lorsqu’elles servent des finalités différentes. Une forme structurée n’établit pas l’exactitude des faits ; les sources originales et les résultats d’outils réels déterminent toujours le contenu d’une réponse inspectable.
Limites d’édition et de continuité
Muse Spark 1.1 reste sa propre version. Les modifications de programmation propres à 1.2, les mises à jour de comportement de longue durée de 1.3 et le réglage max de Standard 1.3 ne doivent pas lui être attribués du seul fait que la famille est commune. L’interface de chat du fabricant ne fournit pas aux appelants externes le raisonnement privé à rejouer : conservez donc l’historique visible et utilisez les mécanismes de continuité proposés par l’interface connectée.
Les sources consultées ne déclarent pas de capacités maximales strictes séparées pour les tokens 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 les opérations proposées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites meta/muse-spark-1.1 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0025 / 1K tokens Sortie · Tokens en sortie $0.0085 / 1K tokens Entrée · Lecture du cache $0.0003 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra meta/muse-spark-1.1
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.