Muse Spark 1.1 è il modello di ragionamento multimodale di Meta Superintelligence Labs per attività basate su agenti, programmazione e flussi di uso del computer. La versione originale del produttore pone l'accento su pianificazione, orchestrazione, gestione del contesto e combinazione di evidenze visive con azioni fornite dagli strumenti. L'output documentato è testo; l'applicazione attorno al modello fornisce l'esecuzione effettiva e gli artefatti renderizzati.
Pianificazione degli agenti e contesto lungo
La versione descrive l'adattamento a strumenti nativi, funzioni personalizzate e ambienti per agenti. Come agente principale, il modello può raccogliere contesto, formulare un piano e delegare lavoro definito; in un ruolo delegato, segue il compito assegnato e può segnalare un ostacolo a un livello superiore. Sono capacità usate da un ambiente per agenti anziché una raccolta di sottoagenti creata automaticamente da una singola risposta testuale.
La tabella dei modelli del produttore indica un contesto di 1.048.576 token. La versione 1.1 descrive il richiamo del lavoro precedente e la compattazione delle informazioni necessarie ai passaggi successivi. Un compito utile deve identificare obiettivo, materiale di partenza e artefatto finale, mantenendo esplicitamente decisioni importanti e risultati degli strumenti. Un contesto ampio aiuta a mantenere insieme le informazioni correlate ma non definisce quale requisito il risultato debba soddisfare.
Per una domanda su un progetto lungo, etichetta i documenti sorgente e richiedi il requisito pertinente, la sua posizione e la condizione irrisolta. Per un piano, chiedi le azioni in un ordine legato ai vincoli forniti e specifica quale risultato completerebbe ogni passaggio. Mantieni i risultati visibili e gli esiti quando prosegui, anziché presumere che una memoria non specificata contenga ogni fatto precedente.
Uso del computer e programmazione
Il produttore descrive flussi sul computer attraverso applicazioni che cambiano, con il modello che sceglie tra interazione diretta con l'interfaccia e automazione tramite script in un ambiente collegato. Uno screenshot può fornire lo stato visibile e un'istruzione testuale può definire l'obiettivo dell'utente. Richiedi il controllo pertinente, l'operazione proposta e le evidenze che la sostengono, poi restituisci lo stato nuovo effettivo se l'ambiente esegue tale operazione.
Per la programmazione, la versione descrive diagnosi di bug, implementazione di funzionalità e gestione di migrazioni del codice. La dimostrazione di debug combina generazione di codice, screenshot, individuazione di un errore e ispezione della correzione. Una richiesta pratica può fornire il comportamento problematico, il sorgente interessato e il risultato atteso, poi chiedere la modifica proposta mantenendo l'interfaccia pubblica. L'esecuzione del codice e la modifica dei file restano operazioni fornite dagli strumenti dell'applicazione.
Fornisci al modello il codice e le dichiarazioni che determinano il comportamento. Per una spiegazione, fornisci un input da tracciare; per una modifica, specifica risultato e vincoli; per un'implementazione visiva, includi lo screenshot e le interazioni che l'immagine non mostra. Richiedi l'artefatto separatamente dalle sue ipotesi e dal feedback necessario per controllarlo.
Input multimodali
La tabella del modello documenta input di testo, immagini, video, audio e PDF per 1.1, con output testuale. La versione descrive didascalie dettagliate di immagini e video, generazione di codice da elementi visivi e uso dei dettagli percettivi lungo un flusso più lungo. Una domanda su documenti può richiedere campi collegati alle fonti o un confronto; una domanda su video può identificare l'evento o la sequenza da descrivere; una domanda audiovisiva può specificare quali informazioni parlate e visibili contano.
L'output del modello rimane una spiegazione scritta, un risultato strutturato o codice proposto. Un'immagine generata, voce sintetizzata o un'azione esterna completata richiedono un componente fornito separatamente. Mantieni identificatori delle fonti, etichette, unità e segmenti pertinenti, così che il risultato testuale possa essere confrontato con il materiale originale.
Ragionamento, strumenti e output strutturato
La guida al ragionamento di Muse Spark documenta minimal, low, medium, high e xhigh per questa edizione. Max è un'impostazione successiva di Standard 1.3 e none non è supportato. Il ragionamento avviene anche senza un valore esplicito di impegno e il budget di output copre sia il ragionamento interno privato sia la risposta visibile. Il ragionamento grezzo e le probabilità logaritmiche non sono esposti come normali campi di affidabilità o spiegazione.
Le chiamate a strumenti definiti dallo sviluppatore seguono un ciclo: l'applicazione fornisce le operazioni, il modello prepara gli argomenti, l'applicazione esegue ogni chiamata e restituisce il suo risultato e la risposta successiva usa l'esito. Una chiamata allo strumento può richiedere informazioni o un'operazione; non è di per sé una prova che l'operazione sia stata completata. Mantieni la chiamata di origine e il risultato associati lungo la conversazione.
Il produttore documenta anche testo strutturato vincolato da uno schema JSON fornito. Definisci i campi richiesti dall'applicazione e i loro tipi e mantieni le informazioni delle fonti separate dall'interpretazione quando hanno scopi diversi. La forma strutturata non dimostra la correttezza fattuale; le fonti originali e i risultati effettivi degli strumenti determinano comunque il contenuto di una risposta ispezionabile.
Limiti dell'edizione e della continuità
Muse Spark 1.1 rimane una propria versione. Le modifiche specifiche di programmazione di 1.2, gli aggiornamenti del comportamento di lungo periodo di 1.3 e l'impostazione max di Standard 1.3 non vanno attribuiti a questa edizione soltanto perché condividono la famiglia. L'interfaccia chat del produttore non fornisce ai chiamanti esterni il ragionamento privato da riprodurre, quindi conserva la cronologia visibile e usa i meccanismi di continuità offerti dall'interfaccia collegata.
Le fonti lette non dichiarano capacità massime rigide separate di token di input o output oltre il contesto documentato. Definisci l'artefatto testuale richiesto e mantieni le evidenze necessarie per ogni azione o conclusione, distinguendo pianificazione e percezione del modello dall'ambiente che esegue le operazioni proposte.
", "aboutText": "Muse Spark 1.1 è il modello di ragionamento multimodale di Meta Superintelligence Labs per attività basate su agenti, programmazione e flussi di uso del computer. La versione originale del produttore pone l'accento su pianificazione, orchestrazione, gestione del contesto e combinazione di evidenze visive con azioni fornite dagli strumenti. L'output documentato è testo; l'applicazione attorno al modello fornisce l'esecuzione effettiva e gli artefatti renderizzati.\n\nPianificazione degli agenti e contesto lungo\n\nLa versione descrive l'adattamento a strumenti nativi, funzioni personalizzate e ambienti per agenti. Come agente principale, il modello può raccogliere contesto, formulare un piano e delegare lavoro definito; in un ruolo delegato, segue il compito assegnato e può segnalare un ostacolo a un livello superiore. Sono capacità usate da un ambiente per agenti anziché una raccolta di sottoagenti creata automaticamente da una singola risposta testuale.\n\nLa tabella dei modelli del produttore indica un contesto di 1.048.576 token. La versione 1.1 descrive il richiamo del lavoro precedente e la compattazione delle informazioni necessarie ai passaggi successivi. Un compito utile deve identificare obiettivo, materiale di partenza e artefatto finale, mantenendo esplicitamente decisioni importanti e risultati degli strumenti. Un contesto ampio aiuta a mantenere insieme le informazioni correlate ma non definisce quale requisito il risultato debba soddisfare.\n\nPer una domanda su un progetto lungo, etichetta i documenti sorgente e richiedi il requisito pertinente, la sua posizione e la condizione irrisolta. Per un piano, chiedi le azioni in un ordine legato ai vincoli forniti e specifica quale risultato completerebbe ogni passaggio. Mantieni i risultati visibili e gli esiti quando prosegui, anziché presumere che una memoria non specificata contenga ogni fatto precedente.\n\nUso del computer e programmazione\n\nIl produttore descrive flussi sul computer attraverso applicazioni che cambiano, con il modello che sceglie tra interazione diretta con l'interfaccia e automazione tramite script in un ambiente collegato. Uno screenshot può fornire lo stato visibile e un'istruzione testuale può definire l'obiettivo dell'utente. Richiedi il controllo pertinente, l'operazione proposta e le evidenze che la sostengono, poi restituisci lo stato nuovo effettivo se l'ambiente esegue tale operazione.\n\nPer la programmazione, la versione descrive diagnosi di bug, implementazione di funzionalità e gestione di migrazioni del codice. La dimostrazione di debug combina generazione di codice, screenshot, individuazione di un errore e ispezione della correzione. Una richiesta pratica può fornire il comportamento problematico, il sorgente interessato e il risultato atteso, poi chiedere la modifica proposta mantenendo l'interfaccia pubblica. L'esecuzione del codice e la modifica dei file restano operazioni fornite dagli strumenti dell'applicazione.\n\nFornisci al modello il codice e le dichiarazioni che determinano il comportamento. Per una spiegazione, fornisci un input da tracciare; per una modifica, specifica risultato e vincoli; per un'implementazione visiva, includi lo screenshot e le interazioni che l'immagine non mostra. Richiedi l'artefatto separatamente dalle sue ipotesi e dal feedback necessario per controllarlo.\n\nInput multimodali\n\nLa tabella del modello documenta input di testo, immagini, video, audio e PDF per 1.1, con output testuale. La versione descrive didascalie dettagliate di immagini e video, generazione di codice da elementi visivi e uso dei dettagli percettivi lungo un flusso più lungo. Una domanda su documenti può richiedere campi collegati alle fonti o un confronto; una domanda su video può identificare l'evento o la sequenza da descrivere; una domanda audiovisiva può specificare quali informazioni parlate e visibili contano.\n\nL'output del modello rimane una spiegazione scritta, un risultato strutturato o codice proposto. Un'immagine generata, voce sintetizzata o un'azione esterna completata richiedono un componente fornito separatamente. Mantieni identificatori delle fonti, etichette, unità e segmenti pertinenti, così che il risultato testuale possa essere confrontato con il materiale originale.\n\nRagionamento, strumenti e output strutturato\n\nLa guida al ragionamento di Muse Spark documenta minimal, low, medium, high e xhigh per questa edizione. Max è un'impostazione successiva di Standard 1.3 e none non è supportato. Il ragionamento avviene anche senza un valore esplicito di impegno e il budget di output copre sia il ragionamento interno privato sia la risposta visibile. Il ragionamento grezzo e le probabilità logaritmiche non sono esposti come normali campi di affidabilità o spiegazione.\n\nLe chiamate a strumenti definiti dallo sviluppatore seguono un ciclo: l'applicazione fornisce le operazioni, il modello prepara gli argomenti, l'applicazione esegue ogni chiamata e restituisce il suo risultato e la risposta successiva usa l'esito. Una chiamata allo strumento può richiedere informazioni o un'operazione; non è di per sé una prova che l'operazione sia stata completata. Mantieni la chiamata di origine e il risultato associati lungo la conversazione.\n\nIl produttore documenta anche testo strutturato vincolato da uno schema JSON fornito. Definisci i campi richiesti dall'applicazione e i loro tipi e mantieni le informazioni delle fonti separate dall'interpretazione quando hanno scopi diversi. La forma strutturata non dimostra la correttezza fattuale; le fonti originali e i risultati effettivi degli strumenti determinano comunque il contenuto di una risposta ispezionabile.\n\nLimiti dell'edizione e della continuità\n\nMuse Spark 1.1 rimane una propria versione. Le modifiche specifiche di programmazione di 1.2, gli aggiornamenti del comportamento di lungo periodo di 1.3 e l'impostazione max di Standard 1.3 non vanno attribuiti a questa edizione soltanto perché condividono la famiglia. L'interfaccia chat del produttore non fornisce ai chiamanti esterni il ragionamento privato da riprodurre, quindi conserva la cronologia visibile e usa i meccanismi di continuità offerti dall'interfaccia collegata.\n\nLe fonti lette non dichiarano capacità massime rigide separate di token di input o output oltre il contesto documentato. Definisci l'artefatto testuale richiesto e mantieni le evidenze necessarie per ogni azione o conclusione, distinguendo pianificazione e percezione del modello dall'ambiente che esegue le operazioni proposte.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è il modello di ragionamento multimodale di Meta per agenti, uso del computer e programmazione. Lavora con ampio contesto testuale e visivo, produce testo e azioni proposte per gli strumenti e ha un contesto del produttore di 1.048.576 token con livelli di ragionamento fino a xhigh.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Muse Spark 1.1 è il modello di ragionamento multimodale di Meta Superintelligence Labs per attività basate su agenti, programmazione e flussi di uso del computer. La versione originale del produttore pone l'accento su pianificazione, orchestrazione, gestione del contesto e combinazione di evidenze visive con azioni fornite dagli strumenti. L'output documentato è testo; l'applicazione attorno al modello fornisce l'esecuzione effettiva e gli artefatti renderizzati.
Pianificazione degli agenti e contesto lungo
La versione descrive l'adattamento a strumenti nativi, funzioni personalizzate e ambienti per agenti. Come agente principale, il modello può raccogliere contesto, formulare un piano e delegare lavoro definito; in un ruolo delegato, segue il compito assegnato e può segnalare un ostacolo a un livello superiore. Sono capacità usate da un ambiente per agenti anziché una raccolta di sottoagenti creata automaticamente da una singola risposta testuale.
La tabella dei modelli del produttore indica un contesto di 1.048.576 token. La versione 1.1 descrive il richiamo del lavoro precedente e la compattazione delle informazioni necessarie ai passaggi successivi. Un compito utile deve identificare obiettivo, materiale di partenza e artefatto finale, mantenendo esplicitamente decisioni importanti e risultati degli strumenti. Un contesto ampio aiuta a mantenere insieme le informazioni correlate ma non definisce quale requisito il risultato debba soddisfare.
Per una domanda su un progetto lungo, etichetta i documenti sorgente e richiedi il requisito pertinente, la sua posizione e la condizione irrisolta. Per un piano, chiedi le azioni in un ordine legato ai vincoli forniti e specifica quale risultato completerebbe ogni passaggio. Mantieni i risultati visibili e gli esiti quando prosegui, anziché presumere che una memoria non specificata contenga ogni fatto precedente.
Uso del computer e programmazione
Il produttore descrive flussi sul computer attraverso applicazioni che cambiano, con il modello che sceglie tra interazione diretta con l'interfaccia e automazione tramite script in un ambiente collegato. Uno screenshot può fornire lo stato visibile e un'istruzione testuale può definire l'obiettivo dell'utente. Richiedi il controllo pertinente, l'operazione proposta e le evidenze che la sostengono, poi restituisci lo stato nuovo effettivo se l'ambiente esegue tale operazione.
Per la programmazione, la versione descrive diagnosi di bug, implementazione di funzionalità e gestione di migrazioni del codice. La dimostrazione di debug combina generazione di codice, screenshot, individuazione di un errore e ispezione della correzione. Una richiesta pratica può fornire il comportamento problematico, il sorgente interessato e il risultato atteso, poi chiedere la modifica proposta mantenendo l'interfaccia pubblica. L'esecuzione del codice e la modifica dei file restano operazioni fornite dagli strumenti dell'applicazione.
Fornisci al modello il codice e le dichiarazioni che determinano il comportamento. Per una spiegazione, fornisci un input da tracciare; per una modifica, specifica risultato e vincoli; per un'implementazione visiva, includi lo screenshot e le interazioni che l'immagine non mostra. Richiedi l'artefatto separatamente dalle sue ipotesi e dal feedback necessario per controllarlo.
Input multimodali
La tabella del modello documenta input di testo, immagini, video, audio e PDF per 1.1, con output testuale. La versione descrive didascalie dettagliate di immagini e video, generazione di codice da elementi visivi e uso dei dettagli percettivi lungo un flusso più lungo. Una domanda su documenti può richiedere campi collegati alle fonti o un confronto; una domanda su video può identificare l'evento o la sequenza da descrivere; una domanda audiovisiva può specificare quali informazioni parlate e visibili contano.
L'output del modello rimane una spiegazione scritta, un risultato strutturato o codice proposto. Un'immagine generata, voce sintetizzata o un'azione esterna completata richiedono un componente fornito separatamente. Mantieni identificatori delle fonti, etichette, unità e segmenti pertinenti, così che il risultato testuale possa essere confrontato con il materiale originale.
Ragionamento, strumenti e output strutturato
La guida al ragionamento di Muse Spark documenta minimal, low, medium, high e xhigh per questa edizione. Max è un'impostazione successiva di Standard 1.3 e none non è supportato. Il ragionamento avviene anche senza un valore esplicito di impegno e il budget di output copre sia il ragionamento interno privato sia la risposta visibile. Il ragionamento grezzo e le probabilità logaritmiche non sono esposti come normali campi di affidabilità o spiegazione.
Le chiamate a strumenti definiti dallo sviluppatore seguono un ciclo: l'applicazione fornisce le operazioni, il modello prepara gli argomenti, l'applicazione esegue ogni chiamata e restituisce il suo risultato e la risposta successiva usa l'esito. Una chiamata allo strumento può richiedere informazioni o un'operazione; non è di per sé una prova che l'operazione sia stata completata. Mantieni la chiamata di origine e il risultato associati lungo la conversazione.
Il produttore documenta anche testo strutturato vincolato da uno schema JSON fornito. Definisci i campi richiesti dall'applicazione e i loro tipi e mantieni le informazioni delle fonti separate dall'interpretazione quando hanno scopi diversi. La forma strutturata non dimostra la correttezza fattuale; le fonti originali e i risultati effettivi degli strumenti determinano comunque il contenuto di una risposta ispezionabile.
Limiti dell'edizione e della continuità
Muse Spark 1.1 rimane una propria versione. Le modifiche specifiche di programmazione di 1.2, gli aggiornamenti del comportamento di lungo periodo di 1.3 e l'impostazione max di Standard 1.3 non vanno attribuiti a questa edizione soltanto perché condividono la famiglia. L'interfaccia chat del produttore non fornisce ai chiamanti esterni il ragionamento privato da riprodurre, quindi conserva la cronologia visibile e usa i meccanismi di continuità offerti dall'interfaccia collegata.
Le fonti lette non dichiarano capacità massime rigide separate di token di input o output oltre il contesto documentato. Definisci l'artefatto testuale richiesto e mantieni le evidenze necessarie per ogni azione o conclusione, distinguendo pianificazione e percezione del modello dall'ambiente che esegue le operazioni proposte.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta/muse-spark-1.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.0085 / 1K token Input · Lettura dalla cache $0.0003 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.0085 / 1K token Input · Lettura dalla cache $0.0003 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra meta/muse-spark-1.1
Usa i percorsi dei metodi indicati sopra.
meta/muse-spark-1.1Muse Spark 1.1 è il modello di ragionamento multimodale di Meta per agenti, uso del computer e programmazione. Lavora con ampio contesto testuale e visivo, produce testo e azioni proposte per gli strumenti e ha un contesto del produttore di 1.048.576 token con livelli di ragionamento fino a xhigh.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Muse Spark 1.1 è il modello di ragionamento multimodale di Meta Superintelligence Labs per attività basate su agenti, programmazione e flussi di uso del computer. La versione originale del produttore pone l'accento su pianificazione, orchestrazione, gestione del contesto e combinazione di evidenze visive con azioni fornite dagli strumenti. L'output documentato è testo; l'applicazione attorno al modello fornisce l'esecuzione effettiva e gli artefatti renderizzati.
Pianificazione degli agenti e contesto lungo
La versione descrive l'adattamento a strumenti nativi, funzioni personalizzate e ambienti per agenti. Come agente principale, il modello può raccogliere contesto, formulare un piano e delegare lavoro definito; in un ruolo delegato, segue il compito assegnato e può segnalare un ostacolo a un livello superiore. Sono capacità usate da un ambiente per agenti anziché una raccolta di sottoagenti creata automaticamente da una singola risposta testuale.
La tabella dei modelli del produttore indica un contesto di 1.048.576 token. La versione 1.1 descrive il richiamo del lavoro precedente e la compattazione delle informazioni necessarie ai passaggi successivi. Un compito utile deve identificare obiettivo, materiale di partenza e artefatto finale, mantenendo esplicitamente decisioni importanti e risultati degli strumenti. Un contesto ampio aiuta a mantenere insieme le informazioni correlate ma non definisce quale requisito il risultato debba soddisfare.
Per una domanda su un progetto lungo, etichetta i documenti sorgente e richiedi il requisito pertinente, la sua posizione e la condizione irrisolta. Per un piano, chiedi le azioni in un ordine legato ai vincoli forniti e specifica quale risultato completerebbe ogni passaggio. Mantieni i risultati visibili e gli esiti quando prosegui, anziché presumere che una memoria non specificata contenga ogni fatto precedente.
Uso del computer e programmazione
Il produttore descrive flussi sul computer attraverso applicazioni che cambiano, con il modello che sceglie tra interazione diretta con l'interfaccia e automazione tramite script in un ambiente collegato. Uno screenshot può fornire lo stato visibile e un'istruzione testuale può definire l'obiettivo dell'utente. Richiedi il controllo pertinente, l'operazione proposta e le evidenze che la sostengono, poi restituisci lo stato nuovo effettivo se l'ambiente esegue tale operazione.
Per la programmazione, la versione descrive diagnosi di bug, implementazione di funzionalità e gestione di migrazioni del codice. La dimostrazione di debug combina generazione di codice, screenshot, individuazione di un errore e ispezione della correzione. Una richiesta pratica può fornire il comportamento problematico, il sorgente interessato e il risultato atteso, poi chiedere la modifica proposta mantenendo l'interfaccia pubblica. L'esecuzione del codice e la modifica dei file restano operazioni fornite dagli strumenti dell'applicazione.
Fornisci al modello il codice e le dichiarazioni che determinano il comportamento. Per una spiegazione, fornisci un input da tracciare; per una modifica, specifica risultato e vincoli; per un'implementazione visiva, includi lo screenshot e le interazioni che l'immagine non mostra. Richiedi l'artefatto separatamente dalle sue ipotesi e dal feedback necessario per controllarlo.
Input multimodali
La tabella del modello documenta input di testo, immagini, video, audio e PDF per 1.1, con output testuale. La versione descrive didascalie dettagliate di immagini e video, generazione di codice da elementi visivi e uso dei dettagli percettivi lungo un flusso più lungo. Una domanda su documenti può richiedere campi collegati alle fonti o un confronto; una domanda su video può identificare l'evento o la sequenza da descrivere; una domanda audiovisiva può specificare quali informazioni parlate e visibili contano.
L'output del modello rimane una spiegazione scritta, un risultato strutturato o codice proposto. Un'immagine generata, voce sintetizzata o un'azione esterna completata richiedono un componente fornito separatamente. Mantieni identificatori delle fonti, etichette, unità e segmenti pertinenti, così che il risultato testuale possa essere confrontato con il materiale originale.
Ragionamento, strumenti e output strutturato
La guida al ragionamento di Muse Spark documenta minimal, low, medium, high e xhigh per questa edizione. Max è un'impostazione successiva di Standard 1.3 e none non è supportato. Il ragionamento avviene anche senza un valore esplicito di impegno e il budget di output copre sia il ragionamento interno privato sia la risposta visibile. Il ragionamento grezzo e le probabilità logaritmiche non sono esposti come normali campi di affidabilità o spiegazione.
Le chiamate a strumenti definiti dallo sviluppatore seguono un ciclo: l'applicazione fornisce le operazioni, il modello prepara gli argomenti, l'applicazione esegue ogni chiamata e restituisce il suo risultato e la risposta successiva usa l'esito. Una chiamata allo strumento può richiedere informazioni o un'operazione; non è di per sé una prova che l'operazione sia stata completata. Mantieni la chiamata di origine e il risultato associati lungo la conversazione.
Il produttore documenta anche testo strutturato vincolato da uno schema JSON fornito. Definisci i campi richiesti dall'applicazione e i loro tipi e mantieni le informazioni delle fonti separate dall'interpretazione quando hanno scopi diversi. La forma strutturata non dimostra la correttezza fattuale; le fonti originali e i risultati effettivi degli strumenti determinano comunque il contenuto di una risposta ispezionabile.
Limiti dell'edizione e della continuità
Muse Spark 1.1 rimane una propria versione. Le modifiche specifiche di programmazione di 1.2, gli aggiornamenti del comportamento di lungo periodo di 1.3 e l'impostazione max di Standard 1.3 non vanno attribuiti a questa edizione soltanto perché condividono la famiglia. L'interfaccia chat del produttore non fornisce ai chiamanti esterni il ragionamento privato da riprodurre, quindi conserva la cronologia visibile e usa i meccanismi di continuità offerti dall'interfaccia collegata.
Le fonti lette non dichiarano capacità massime rigide separate di token di input o output oltre il contesto documentato. Definisci l'artefatto testuale richiesto e mantieni le evidenze necessarie per ogni azione o conclusione, distinguendo pianificazione e percezione del modello dall'ambiente che esegue le operazioni proposte.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti meta/muse-spark-1.1 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.0085 / 1K token Input · Lettura dalla cache $0.0003 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0025 / 1K token Output · Token in output $0.0085 / 1K token Input · Lettura dalla cache $0.0003 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra meta/muse-spark-1.1
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.