Muse Spark 1.1 adalah model penalaran multimodal dari Meta Superintelligence Labs untuk pekerjaan berbasis agen, pemrograman, dan alur kerja penggunaan komputer. Rilis awal pembuatnya menekankan perencanaan, orkestrasi, pengelolaan konteks, serta penggabungan bukti visual dengan tindakan yang disediakan alat. Keluaran yang didokumentasikan adalah teks; aplikasi yang menaungi model menyediakan eksekusi aktual dan artefak yang dirender.
Perencanaan agen dan konteks panjang
Rilisnya menjelaskan penyesuaian terhadap alat bawaan, fungsi khusus, dan lingkungan agen. Sebagai agen utama, model dapat mengumpulkan konteks, menyusun rencana, dan mendelegasikan pekerjaan yang terdefinisi; dalam peran yang didelegasikan, model mengikuti tugas yang diberikan dan dapat mengeskalasikan hambatan. Ini adalah kemampuan yang digunakan lingkungan agen, bukan sekumpulan subagen yang secara otomatis dibuat oleh satu respons teks.
Tabel model pembuatnya memberikan konteks 1,048,576 token. Rilis 1.1 menjelaskan kemampuan mengingat pekerjaan sebelumnya dan memadatkan informasi yang diperlukan untuk langkah selanjutnya. Tugas yang berguna perlu mengidentifikasi tujuan, bahan sumber, dan artefak akhir, dengan keputusan penting serta hasil alat dipertahankan secara jelas. Konteks besar membantu menjaga informasi terkait tetap bersama, tetapi tidak menentukan persyaratan mana yang harus dipenuhi hasilnya.
Untuk pertanyaan proyek panjang, beri label dokumen sumber dan mintalah persyaratan yang relevan, lokasinya, serta kondisi yang belum terselesaikan. Untuk rencana, mintalah tindakan dalam urutan yang terkait dengan batasan yang diberikan dan tentukan hasil yang akan menuntaskan setiap langkah. Pertahankan temuan dan hasil yang terlihat saat menindaklanjuti, alih-alih berasumsi bahwa memori yang tidak ditentukan memuat setiap fakta sebelumnya.
Penggunaan komputer dan pemrograman
Pembuatnya menjelaskan alur kerja komputer di berbagai aplikasi yang berubah, dengan model memilih antara interaksi antarmuka langsung dan otomatisasi melalui skrip dalam lingkungan yang terhubung. Tangkapan layar dapat menyediakan keadaan yang terlihat dan instruksi teks dapat menentukan tujuan pengguna. Mintalah kontrol yang relevan, operasi yang diusulkan, serta bukti pendukungnya, lalu kembalikan keadaan baru yang sebenarnya jika lingkungan menjalankan operasi itu.
Untuk pemrograman, rilisnya menjelaskan diagnosis bug, implementasi fitur, dan penanganan migrasi kode. Demonstrasi debugging-nya menggabungkan pembuatan kode, tangkapan layar, pencarian lokasi kegagalan, dan pemeriksaan koreksi. Permintaan praktis dapat memberikan perilaku yang gagal, sumber yang terdampak, serta hasil yang diharapkan, lalu meminta usulan perubahan dengan antarmuka publik tetap dipertahankan. Eksekusi kode dan modifikasi berkas tetap merupakan operasi yang disediakan alat aplikasi.
Berikan kepada model kode dan deklarasi yang menentukan perilaku. Untuk penjelasan, berikan masukan yang perlu ditelusuri; untuk modifikasi, tentukan hasil dan batasan; untuk implementasi visual, sertakan tangkapan layar serta interaksi yang tidak diperlihatkan gambar. Mintalah artefak secara terpisah dari asumsi dan umpan balik yang diperlukan untuk memeriksanya.
Masukan multimodal
Tabel model mendokumentasikan masukan teks, gambar, video, audio, dan PDF untuk 1.1, dengan keluaran teks. Rilisnya menjelaskan deskripsi gambar dan video yang terperinci, pembuatan kode dari visual, serta penggunaan detail perseptual sepanjang alur kerja yang lebih panjang. Pertanyaan dokumen dapat meminta kolom dengan rujukan sumber atau perbandingan; pertanyaan video dapat mengidentifikasi peristiwa atau urutan yang perlu dideskripsikan; pertanyaan audiovisual dapat menentukan informasi lisan dan visual yang penting.
Keluaran model tetap berupa penjelasan tertulis, hasil terstruktur, atau usulan kode. Gambar yang dihasilkan, suara sintetis, atau tindakan eksternal yang sudah selesai memerlukan komponen yang disediakan secara terpisah. Pertahankan pengenal sumber, label, satuan, dan segmen yang relevan agar hasil teks dapat dibandingkan dengan bahan asli.
Penalaran, alat, dan keluaran terstruktur
Panduan penalaran Muse Spark mendokumentasikan minimal, low, medium, high, dan xhigh untuk edisi ini. Max merupakan pengaturan Standard 1.3 yang lebih baru, dan none tidak didukung. Penalaran tetap berlangsung tanpa nilai upaya yang tegas, dan anggaran keluaran mencakup penalaran internal privat serta jawaban yang terlihat. Penalaran mentah dan probabilitas log tidak ditampilkan sebagai kolom keyakinan atau penjelasan biasa.
Pemanggilan alat yang ditentukan pengembang mengikuti siklus: aplikasi menyediakan operasi, model menyiapkan argumen, aplikasi menjalankan setiap panggilan dan mengembalikan hasilnya, lalu jawaban berikutnya menggunakan hasil tersebut. Panggilan alat dapat meminta informasi atau operasi; panggilan itu sendiri bukan bukti bahwa operasi telah selesai. Pertahankan hubungan panggilan asal dan hasilnya sepanjang percakapan.
Pembuatnya juga mendokumentasikan teks terstruktur yang dibatasi oleh skema JSON yang diberikan. Tentukan kolom yang dibutuhkan aplikasi beserta tipenya, dan pisahkan informasi sumber dari interpretasi ketika keduanya memiliki tujuan berbeda. Bentuk terstruktur tidak membuktikan kebenaran faktual; sumber asli dan hasil alat aktual tetap menentukan isi jawaban yang dapat diperiksa.
Batas edisi dan kesinambungan
Muse Spark 1.1 tetap merupakan rilisnya sendiri. Perubahan pemrograman khusus pada 1.2, pembaruan perilaku jangka panjang pada 1.3, dan pengaturan max milik Standard 1.3 tidak boleh dilekatkan kepadanya hanya karena berbagi keluarga. Antarmuka percakapan pembuatnya tidak memberikan penalaran privat kepada pemanggil eksternal untuk diputar ulang, jadi pertahankan riwayat yang terlihat dan gunakan mekanisme kesinambungan yang ditawarkan antarmuka terhubung.
Sumber yang dibaca tidak menyebutkan kapasitas maksimum keras yang terpisah untuk token masukan atau keluaran di luar konteks yang didokumentasikan. Tentukan artefak teks yang dibutuhkan dan pertahankan bukti yang diperlukan untuk setiap tindakan atau kesimpulan, sambil membedakan perencanaan serta persepsi model dari lingkungan yang menjalankan operasi usulannya.
", "aboutText": "Muse Spark 1.1 adalah model penalaran multimodal dari Meta Superintelligence Labs untuk pekerjaan berbasis agen, pemrograman, dan alur kerja penggunaan komputer. Rilis awal pembuatnya menekankan perencanaan, orkestrasi, pengelolaan konteks, serta penggabungan bukti visual dengan tindakan yang disediakan alat. Keluaran yang didokumentasikan adalah teks; aplikasi yang menaungi model menyediakan eksekusi aktual dan artefak yang dirender.\n\nPerencanaan agen dan konteks panjang\n\nRilisnya menjelaskan penyesuaian terhadap alat bawaan, fungsi khusus, dan lingkungan agen. Sebagai agen utama, model dapat mengumpulkan konteks, menyusun rencana, dan mendelegasikan pekerjaan yang terdefinisi; dalam peran yang didelegasikan, model mengikuti tugas yang diberikan dan dapat mengeskalasikan hambatan. Ini adalah kemampuan yang digunakan lingkungan agen, bukan sekumpulan subagen yang secara otomatis dibuat oleh satu respons teks.\n\nTabel model pembuatnya memberikan konteks 1,048,576 token. Rilis 1.1 menjelaskan kemampuan mengingat pekerjaan sebelumnya dan memadatkan informasi yang diperlukan untuk langkah selanjutnya. Tugas yang berguna perlu mengidentifikasi tujuan, bahan sumber, dan artefak akhir, dengan keputusan penting serta hasil alat dipertahankan secara jelas. Konteks besar membantu menjaga informasi terkait tetap bersama, tetapi tidak menentukan persyaratan mana yang harus dipenuhi hasilnya.\n\nUntuk pertanyaan proyek panjang, beri label dokumen sumber dan mintalah persyaratan yang relevan, lokasinya, serta kondisi yang belum terselesaikan. Untuk rencana, mintalah tindakan dalam urutan yang terkait dengan batasan yang diberikan dan tentukan hasil yang akan menuntaskan setiap langkah. Pertahankan temuan dan hasil yang terlihat saat menindaklanjuti, alih-alih berasumsi bahwa memori yang tidak ditentukan memuat setiap fakta sebelumnya.\n\nPenggunaan komputer dan pemrograman\n\nPembuatnya menjelaskan alur kerja komputer di berbagai aplikasi yang berubah, dengan model memilih antara interaksi antarmuka langsung dan otomatisasi melalui skrip dalam lingkungan yang terhubung. Tangkapan layar dapat menyediakan keadaan yang terlihat dan instruksi teks dapat menentukan tujuan pengguna. Mintalah kontrol yang relevan, operasi yang diusulkan, serta bukti pendukungnya, lalu kembalikan keadaan baru yang sebenarnya jika lingkungan menjalankan operasi itu.\n\nUntuk pemrograman, rilisnya menjelaskan diagnosis bug, implementasi fitur, dan penanganan migrasi kode. Demonstrasi debugging-nya menggabungkan pembuatan kode, tangkapan layar, pencarian lokasi kegagalan, dan pemeriksaan koreksi. Permintaan praktis dapat memberikan perilaku yang gagal, sumber yang terdampak, serta hasil yang diharapkan, lalu meminta usulan perubahan dengan antarmuka publik tetap dipertahankan. Eksekusi kode dan modifikasi berkas tetap merupakan operasi yang disediakan alat aplikasi.\n\nBerikan kepada model kode dan deklarasi yang menentukan perilaku. Untuk penjelasan, berikan masukan yang perlu ditelusuri; untuk modifikasi, tentukan hasil dan batasan; untuk implementasi visual, sertakan tangkapan layar serta interaksi yang tidak diperlihatkan gambar. Mintalah artefak secara terpisah dari asumsi dan umpan balik yang diperlukan untuk memeriksanya.\n\nMasukan multimodal\n\nTabel model mendokumentasikan masukan teks, gambar, video, audio, dan PDF untuk 1.1, dengan keluaran teks. Rilisnya menjelaskan deskripsi gambar dan video yang terperinci, pembuatan kode dari visual, serta penggunaan detail perseptual sepanjang alur kerja yang lebih panjang. Pertanyaan dokumen dapat meminta kolom dengan rujukan sumber atau perbandingan; pertanyaan video dapat mengidentifikasi peristiwa atau urutan yang perlu dideskripsikan; pertanyaan audiovisual dapat menentukan informasi lisan dan visual yang penting.\n\nKeluaran model tetap berupa penjelasan tertulis, hasil terstruktur, atau usulan kode. Gambar yang dihasilkan, suara sintetis, atau tindakan eksternal yang sudah selesai memerlukan komponen yang disediakan secara terpisah. Pertahankan pengenal sumber, label, satuan, dan segmen yang relevan agar hasil teks dapat dibandingkan dengan bahan asli.\n\nPenalaran, alat, dan keluaran terstruktur\n\nPanduan penalaran Muse Spark mendokumentasikan minimal, low, medium, high, dan xhigh untuk edisi ini. Max merupakan pengaturan Standard 1.3 yang lebih baru, dan none tidak didukung. Penalaran tetap berlangsung tanpa nilai upaya yang tegas, dan anggaran keluaran mencakup penalaran internal privat serta jawaban yang terlihat. Penalaran mentah dan probabilitas log tidak ditampilkan sebagai kolom keyakinan atau penjelasan biasa.\n\nPemanggilan alat yang ditentukan pengembang mengikuti siklus: aplikasi menyediakan operasi, model menyiapkan argumen, aplikasi menjalankan setiap panggilan dan mengembalikan hasilnya, lalu jawaban berikutnya menggunakan hasil tersebut. Panggilan alat dapat meminta informasi atau operasi; panggilan itu sendiri bukan bukti bahwa operasi telah selesai. Pertahankan hubungan panggilan asal dan hasilnya sepanjang percakapan.\n\nPembuatnya juga mendokumentasikan teks terstruktur yang dibatasi oleh skema JSON yang diberikan. Tentukan kolom yang dibutuhkan aplikasi beserta tipenya, dan pisahkan informasi sumber dari interpretasi ketika keduanya memiliki tujuan berbeda. Bentuk terstruktur tidak membuktikan kebenaran faktual; sumber asli dan hasil alat aktual tetap menentukan isi jawaban yang dapat diperiksa.\n\nBatas edisi dan kesinambungan\n\nMuse Spark 1.1 tetap merupakan rilisnya sendiri. Perubahan pemrograman khusus pada 1.2, pembaruan perilaku jangka panjang pada 1.3, dan pengaturan max milik Standard 1.3 tidak boleh dilekatkan kepadanya hanya karena berbagi keluarga. Antarmuka percakapan pembuatnya tidak memberikan penalaran privat kepada pemanggil eksternal untuk diputar ulang, jadi pertahankan riwayat yang terlihat dan gunakan mekanisme kesinambungan yang ditawarkan antarmuka terhubung.\n\nSumber yang dibaca tidak menyebutkan kapasitas maksimum keras yang terpisah untuk token masukan atau keluaran di luar konteks yang didokumentasikan. Tentukan artefak teks yang dibutuhkan dan pertahankan bukti yang diperlukan untuk setiap tindakan atau kesimpulan, sambil membedakan perencanaan serta persepsi model dari lingkungan yang menjalankan operasi usulannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 adalah model penalaran multimodal Meta untuk agen, penggunaan komputer, dan pemrograman. Model ini bekerja dengan konteks teks dan visual yang besar, menghasilkan teks serta usulan tindakan alat, dan memiliki konteks 1,048,576 token dari pembuatnya dengan tingkat penalaran hingga xhigh.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Muse Spark 1.1 adalah model penalaran multimodal dari Meta Superintelligence Labs untuk pekerjaan berbasis agen, pemrograman, dan alur kerja penggunaan komputer. Rilis awal pembuatnya menekankan perencanaan, orkestrasi, pengelolaan konteks, serta penggabungan bukti visual dengan tindakan yang disediakan alat. Keluaran yang didokumentasikan adalah teks; aplikasi yang menaungi model menyediakan eksekusi aktual dan artefak yang dirender.
Perencanaan agen dan konteks panjang
Rilisnya menjelaskan penyesuaian terhadap alat bawaan, fungsi khusus, dan lingkungan agen. Sebagai agen utama, model dapat mengumpulkan konteks, menyusun rencana, dan mendelegasikan pekerjaan yang terdefinisi; dalam peran yang didelegasikan, model mengikuti tugas yang diberikan dan dapat mengeskalasikan hambatan. Ini adalah kemampuan yang digunakan lingkungan agen, bukan sekumpulan subagen yang secara otomatis dibuat oleh satu respons teks.
Tabel model pembuatnya memberikan konteks 1,048,576 token. Rilis 1.1 menjelaskan kemampuan mengingat pekerjaan sebelumnya dan memadatkan informasi yang diperlukan untuk langkah selanjutnya. Tugas yang berguna perlu mengidentifikasi tujuan, bahan sumber, dan artefak akhir, dengan keputusan penting serta hasil alat dipertahankan secara jelas. Konteks besar membantu menjaga informasi terkait tetap bersama, tetapi tidak menentukan persyaratan mana yang harus dipenuhi hasilnya.
Untuk pertanyaan proyek panjang, beri label dokumen sumber dan mintalah persyaratan yang relevan, lokasinya, serta kondisi yang belum terselesaikan. Untuk rencana, mintalah tindakan dalam urutan yang terkait dengan batasan yang diberikan dan tentukan hasil yang akan menuntaskan setiap langkah. Pertahankan temuan dan hasil yang terlihat saat menindaklanjuti, alih-alih berasumsi bahwa memori yang tidak ditentukan memuat setiap fakta sebelumnya.
Penggunaan komputer dan pemrograman
Pembuatnya menjelaskan alur kerja komputer di berbagai aplikasi yang berubah, dengan model memilih antara interaksi antarmuka langsung dan otomatisasi melalui skrip dalam lingkungan yang terhubung. Tangkapan layar dapat menyediakan keadaan yang terlihat dan instruksi teks dapat menentukan tujuan pengguna. Mintalah kontrol yang relevan, operasi yang diusulkan, serta bukti pendukungnya, lalu kembalikan keadaan baru yang sebenarnya jika lingkungan menjalankan operasi itu.
Untuk pemrograman, rilisnya menjelaskan diagnosis bug, implementasi fitur, dan penanganan migrasi kode. Demonstrasi debugging-nya menggabungkan pembuatan kode, tangkapan layar, pencarian lokasi kegagalan, dan pemeriksaan koreksi. Permintaan praktis dapat memberikan perilaku yang gagal, sumber yang terdampak, serta hasil yang diharapkan, lalu meminta usulan perubahan dengan antarmuka publik tetap dipertahankan. Eksekusi kode dan modifikasi berkas tetap merupakan operasi yang disediakan alat aplikasi.
Berikan kepada model kode dan deklarasi yang menentukan perilaku. Untuk penjelasan, berikan masukan yang perlu ditelusuri; untuk modifikasi, tentukan hasil dan batasan; untuk implementasi visual, sertakan tangkapan layar serta interaksi yang tidak diperlihatkan gambar. Mintalah artefak secara terpisah dari asumsi dan umpan balik yang diperlukan untuk memeriksanya.
Masukan multimodal
Tabel model mendokumentasikan masukan teks, gambar, video, audio, dan PDF untuk 1.1, dengan keluaran teks. Rilisnya menjelaskan deskripsi gambar dan video yang terperinci, pembuatan kode dari visual, serta penggunaan detail perseptual sepanjang alur kerja yang lebih panjang. Pertanyaan dokumen dapat meminta kolom dengan rujukan sumber atau perbandingan; pertanyaan video dapat mengidentifikasi peristiwa atau urutan yang perlu dideskripsikan; pertanyaan audiovisual dapat menentukan informasi lisan dan visual yang penting.
Keluaran model tetap berupa penjelasan tertulis, hasil terstruktur, atau usulan kode. Gambar yang dihasilkan, suara sintetis, atau tindakan eksternal yang sudah selesai memerlukan komponen yang disediakan secara terpisah. Pertahankan pengenal sumber, label, satuan, dan segmen yang relevan agar hasil teks dapat dibandingkan dengan bahan asli.
Penalaran, alat, dan keluaran terstruktur
Panduan penalaran Muse Spark mendokumentasikan minimal, low, medium, high, dan xhigh untuk edisi ini. Max merupakan pengaturan Standard 1.3 yang lebih baru, dan none tidak didukung. Penalaran tetap berlangsung tanpa nilai upaya yang tegas, dan anggaran keluaran mencakup penalaran internal privat serta jawaban yang terlihat. Penalaran mentah dan probabilitas log tidak ditampilkan sebagai kolom keyakinan atau penjelasan biasa.
Pemanggilan alat yang ditentukan pengembang mengikuti siklus: aplikasi menyediakan operasi, model menyiapkan argumen, aplikasi menjalankan setiap panggilan dan mengembalikan hasilnya, lalu jawaban berikutnya menggunakan hasil tersebut. Panggilan alat dapat meminta informasi atau operasi; panggilan itu sendiri bukan bukti bahwa operasi telah selesai. Pertahankan hubungan panggilan asal dan hasilnya sepanjang percakapan.
Pembuatnya juga mendokumentasikan teks terstruktur yang dibatasi oleh skema JSON yang diberikan. Tentukan kolom yang dibutuhkan aplikasi beserta tipenya, dan pisahkan informasi sumber dari interpretasi ketika keduanya memiliki tujuan berbeda. Bentuk terstruktur tidak membuktikan kebenaran faktual; sumber asli dan hasil alat aktual tetap menentukan isi jawaban yang dapat diperiksa.
Batas edisi dan kesinambungan
Muse Spark 1.1 tetap merupakan rilisnya sendiri. Perubahan pemrograman khusus pada 1.2, pembaruan perilaku jangka panjang pada 1.3, dan pengaturan max milik Standard 1.3 tidak boleh dilekatkan kepadanya hanya karena berbagi keluarga. Antarmuka percakapan pembuatnya tidak memberikan penalaran privat kepada pemanggil eksternal untuk diputar ulang, jadi pertahankan riwayat yang terlihat dan gunakan mekanisme kesinambungan yang ditawarkan antarmuka terhubung.
Sumber yang dibaca tidak menyebutkan kapasitas maksimum keras yang terpisah untuk token masukan atau keluaran di luar konteks yang didokumentasikan. Tentukan artefak teks yang dibutuhkan dan pertahankan bukti yang diperlukan untuk setiap tindakan atau kesimpulan, sambil membedakan perencanaan serta persepsi model dari lingkungan yang menjalankan operasi usulannya.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan meta/muse-spark-1.1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.0085 / 1K token Masukan · Pembacaan cache $0.0003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.0085 / 1K token Masukan · Pembacaan cache $0.0003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra meta/muse-spark-1.1
Gunakan jalur metode yang ditampilkan di atas.
meta/muse-spark-1.1Muse Spark 1.1 adalah model penalaran multimodal Meta untuk agen, penggunaan komputer, dan pemrograman. Model ini bekerja dengan konteks teks dan visual yang besar, menghasilkan teks serta usulan tindakan alat, dan memiliki konteks 1,048,576 token dari pembuatnya dengan tingkat penalaran hingga xhigh.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Muse Spark 1.1 adalah model penalaran multimodal dari Meta Superintelligence Labs untuk pekerjaan berbasis agen, pemrograman, dan alur kerja penggunaan komputer. Rilis awal pembuatnya menekankan perencanaan, orkestrasi, pengelolaan konteks, serta penggabungan bukti visual dengan tindakan yang disediakan alat. Keluaran yang didokumentasikan adalah teks; aplikasi yang menaungi model menyediakan eksekusi aktual dan artefak yang dirender.
Perencanaan agen dan konteks panjang
Rilisnya menjelaskan penyesuaian terhadap alat bawaan, fungsi khusus, dan lingkungan agen. Sebagai agen utama, model dapat mengumpulkan konteks, menyusun rencana, dan mendelegasikan pekerjaan yang terdefinisi; dalam peran yang didelegasikan, model mengikuti tugas yang diberikan dan dapat mengeskalasikan hambatan. Ini adalah kemampuan yang digunakan lingkungan agen, bukan sekumpulan subagen yang secara otomatis dibuat oleh satu respons teks.
Tabel model pembuatnya memberikan konteks 1,048,576 token. Rilis 1.1 menjelaskan kemampuan mengingat pekerjaan sebelumnya dan memadatkan informasi yang diperlukan untuk langkah selanjutnya. Tugas yang berguna perlu mengidentifikasi tujuan, bahan sumber, dan artefak akhir, dengan keputusan penting serta hasil alat dipertahankan secara jelas. Konteks besar membantu menjaga informasi terkait tetap bersama, tetapi tidak menentukan persyaratan mana yang harus dipenuhi hasilnya.
Untuk pertanyaan proyek panjang, beri label dokumen sumber dan mintalah persyaratan yang relevan, lokasinya, serta kondisi yang belum terselesaikan. Untuk rencana, mintalah tindakan dalam urutan yang terkait dengan batasan yang diberikan dan tentukan hasil yang akan menuntaskan setiap langkah. Pertahankan temuan dan hasil yang terlihat saat menindaklanjuti, alih-alih berasumsi bahwa memori yang tidak ditentukan memuat setiap fakta sebelumnya.
Penggunaan komputer dan pemrograman
Pembuatnya menjelaskan alur kerja komputer di berbagai aplikasi yang berubah, dengan model memilih antara interaksi antarmuka langsung dan otomatisasi melalui skrip dalam lingkungan yang terhubung. Tangkapan layar dapat menyediakan keadaan yang terlihat dan instruksi teks dapat menentukan tujuan pengguna. Mintalah kontrol yang relevan, operasi yang diusulkan, serta bukti pendukungnya, lalu kembalikan keadaan baru yang sebenarnya jika lingkungan menjalankan operasi itu.
Untuk pemrograman, rilisnya menjelaskan diagnosis bug, implementasi fitur, dan penanganan migrasi kode. Demonstrasi debugging-nya menggabungkan pembuatan kode, tangkapan layar, pencarian lokasi kegagalan, dan pemeriksaan koreksi. Permintaan praktis dapat memberikan perilaku yang gagal, sumber yang terdampak, serta hasil yang diharapkan, lalu meminta usulan perubahan dengan antarmuka publik tetap dipertahankan. Eksekusi kode dan modifikasi berkas tetap merupakan operasi yang disediakan alat aplikasi.
Berikan kepada model kode dan deklarasi yang menentukan perilaku. Untuk penjelasan, berikan masukan yang perlu ditelusuri; untuk modifikasi, tentukan hasil dan batasan; untuk implementasi visual, sertakan tangkapan layar serta interaksi yang tidak diperlihatkan gambar. Mintalah artefak secara terpisah dari asumsi dan umpan balik yang diperlukan untuk memeriksanya.
Masukan multimodal
Tabel model mendokumentasikan masukan teks, gambar, video, audio, dan PDF untuk 1.1, dengan keluaran teks. Rilisnya menjelaskan deskripsi gambar dan video yang terperinci, pembuatan kode dari visual, serta penggunaan detail perseptual sepanjang alur kerja yang lebih panjang. Pertanyaan dokumen dapat meminta kolom dengan rujukan sumber atau perbandingan; pertanyaan video dapat mengidentifikasi peristiwa atau urutan yang perlu dideskripsikan; pertanyaan audiovisual dapat menentukan informasi lisan dan visual yang penting.
Keluaran model tetap berupa penjelasan tertulis, hasil terstruktur, atau usulan kode. Gambar yang dihasilkan, suara sintetis, atau tindakan eksternal yang sudah selesai memerlukan komponen yang disediakan secara terpisah. Pertahankan pengenal sumber, label, satuan, dan segmen yang relevan agar hasil teks dapat dibandingkan dengan bahan asli.
Penalaran, alat, dan keluaran terstruktur
Panduan penalaran Muse Spark mendokumentasikan minimal, low, medium, high, dan xhigh untuk edisi ini. Max merupakan pengaturan Standard 1.3 yang lebih baru, dan none tidak didukung. Penalaran tetap berlangsung tanpa nilai upaya yang tegas, dan anggaran keluaran mencakup penalaran internal privat serta jawaban yang terlihat. Penalaran mentah dan probabilitas log tidak ditampilkan sebagai kolom keyakinan atau penjelasan biasa.
Pemanggilan alat yang ditentukan pengembang mengikuti siklus: aplikasi menyediakan operasi, model menyiapkan argumen, aplikasi menjalankan setiap panggilan dan mengembalikan hasilnya, lalu jawaban berikutnya menggunakan hasil tersebut. Panggilan alat dapat meminta informasi atau operasi; panggilan itu sendiri bukan bukti bahwa operasi telah selesai. Pertahankan hubungan panggilan asal dan hasilnya sepanjang percakapan.
Pembuatnya juga mendokumentasikan teks terstruktur yang dibatasi oleh skema JSON yang diberikan. Tentukan kolom yang dibutuhkan aplikasi beserta tipenya, dan pisahkan informasi sumber dari interpretasi ketika keduanya memiliki tujuan berbeda. Bentuk terstruktur tidak membuktikan kebenaran faktual; sumber asli dan hasil alat aktual tetap menentukan isi jawaban yang dapat diperiksa.
Batas edisi dan kesinambungan
Muse Spark 1.1 tetap merupakan rilisnya sendiri. Perubahan pemrograman khusus pada 1.2, pembaruan perilaku jangka panjang pada 1.3, dan pengaturan max milik Standard 1.3 tidak boleh dilekatkan kepadanya hanya karena berbagi keluarga. Antarmuka percakapan pembuatnya tidak memberikan penalaran privat kepada pemanggil eksternal untuk diputar ulang, jadi pertahankan riwayat yang terlihat dan gunakan mekanisme kesinambungan yang ditawarkan antarmuka terhubung.
Sumber yang dibaca tidak menyebutkan kapasitas maksimum keras yang terpisah untuk token masukan atau keluaran di luar konteks yang didokumentasikan. Tentukan artefak teks yang dibutuhkan dan pertahankan bukti yang diperlukan untuk setiap tindakan atau kesimpulan, sambil membedakan perencanaan serta persepsi model dari lingkungan yang menjalankan operasi usulannya.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan meta/muse-spark-1.1 | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.0085 / 1K token Masukan · Pembacaan cache $0.0003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.0025 / 1K token Keluaran · Token keluaran $0.0085 / 1K token Masukan · Pembacaan cache $0.0003 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra meta/muse-spark-1.1
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.