Muse Spark 1.1 ialah model penaakulan multimodal Meta Superintelligence Labs untuk kerja agentik, pengekodan dan aliran kerja penggunaan komputer. Keluaran asal pengeluar menekankan perancangan, orkestrasi, pengurusan konteks dan penggabungan bukti visual dengan tindakan yang dibekalkan alat. Output yang didokumenkan ialah teks; aplikasi di sekeliling model menyediakan pelaksanaan sebenar dan artifak yang dipaparkan.
Perancangan ejen dan konteks panjang
Keluaran ini menerangkan penyesuaian kepada alat natif, fungsi tersuai dan persekitaran ejen. Sebagai ejen utama, model boleh mengumpulkan konteks, membentuk pelan dan mewakilkan kerja yang ditetapkan; dalam peranan yang diwakilkan, ia mengikuti tugas yang diberikan dan boleh mengeskalasikan halangan. Ini ialah keupayaan yang digunakan oleh persekitaran ejen dan bukannya himpunan subejen yang dicipta secara automatik oleh satu respons teks.
Jadual model pengeluar memberikan konteks 1,048,576 token. Keluaran 1.1nya menerangkan pengingatan kerja terdahulu dan pemadatan maklumat yang diperlukan untuk langkah kemudian. Tugas yang berguna perlu mengenal pasti objektif, bahan sumber dan artifak akhir, dengan keputusan penting serta hasil alat dikekalkan secara jelas. Konteks besar membantu menyimpan maklumat berkaitan bersama-sama tetapi tidak menetapkan keperluan yang mesti dipenuhi hasil.
Untuk soalan projek panjang, labelkan dokumen sumber dan minta keperluan yang berkaitan, lokasinya dan syarat yang belum diselesaikan. Untuk pelan, minta tindakan dalam turutan yang dikaitkan dengan kekangan yang dibekalkan dan nyatakan hasil yang akan melengkapkan setiap langkah. Kekalkan penemuan dan hasil yang kelihatan apabila membuat susulan dan bukannya menganggap memori yang tidak ditetapkan mengandungi setiap fakta terdahulu.
Penggunaan komputer dan pengekodan
Pengeluar menerangkan aliran kerja komputer merentas aplikasi yang berubah, dengan model memilih antara interaksi antara muka secara langsung dan automasi berskrip dalam persekitaran yang disambungkan. Tangkapan skrin boleh membekalkan keadaan yang kelihatan dan arahan teks boleh menetapkan matlamat pengguna. Minta kawalan yang berkaitan, operasi yang dicadangkan dan bukti yang menyokongnya, kemudian kembalikan keadaan baharu sebenar jika persekitaran melaksanakan operasi itu.
Untuk pengekodan, keluaran ini menerangkan diagnosis pepijat, pelaksanaan ciri dan pengendalian migrasi kod. Demonstrasi penyahpepijatannya menggabungkan penjanaan kod, tangkapan skrin, pencarian kegagalan dan pemeriksaan pembetulan. Permintaan praktikal boleh membekalkan tingkah laku yang gagal, sumber terjejas dan hasil yang dijangka, kemudian meminta perubahan yang dicadangkan dengan antara muka awam dikekalkan. Pelaksanaan kod dan pengubahsuaian fail kekal sebagai operasi yang disediakan oleh alat aplikasi.
Berikan model kod dan pengisytiharan yang menentukan tingkah laku. Untuk penjelasan, berikan input untuk dijejak; untuk pengubahsuaian, nyatakan hasil dan kekangan; untuk pelaksanaan visual, sertakan tangkapan skrin dan interaksi yang tidak ditunjukkan imej. Minta artifak secara berasingan daripada andaian dan maklum balas yang diperlukan untuk menyemaknya.
Input multimodal
Jadual model mendokumenkan input teks, imej, video, audio dan PDF untuk 1.1, dengan output teks. Keluaran ini menerangkan penjanaan kapsyen imej dan video yang terperinci, penjanaan visual kepada kod dan penggunaan butiran persepsi sepanjang aliran kerja yang lebih panjang. Soalan dokumen boleh meminta medan berkaitan sumber atau perbandingan; soalan video boleh mengenal pasti peristiwa atau turutan untuk dihuraikan; soalan audio-visual boleh menetapkan maklumat pertuturan dan visual yang penting.
Output model kekal sebagai penjelasan bertulis, hasil berstruktur atau kod yang dicadangkan. Imej yang dijana, pertuturan tersintesis atau tindakan luaran yang selesai memerlukan komponen yang disediakan secara berasingan. Kekalkan pengecam sumber, label, unit dan segmen yang berkaitan supaya hasil teks boleh dibandingkan dengan bahan asal.
Penaakulan, alat dan output berstruktur
Panduan penaakulan Muse Spark mendokumenkan minimal, low, medium, high dan xhigh untuk edisi ini. Max ialah tetapan Standard 1.3 yang kemudian, dan none tidak disokong. Penaakulan berlaku walaupun tanpa nilai usaha jelas, dan bajet output meliputi penaakulan dalaman peribadi serta jawapan yang kelihatan. Penaakulan mentah dan kebarangkalian log tidak didedahkan sebagai medan keyakinan atau penjelasan biasa.
Panggilan alat yang ditakrifkan pembangun mengikuti kitaran: aplikasi membekalkan operasi, model menyediakan argumen, aplikasi melaksanakan setiap panggilan dan mengembalikan hasilnya, dan jawapan seterusnya menggunakan hasil tersebut. Panggilan alat boleh meminta maklumat atau operasi; ia sendiri bukan bukti bahawa operasi selesai. Pastikan panggilan asal dan hasil berkait sepanjang perbualan.
Pengeluar turut mendokumenkan teks berstruktur yang dikekang oleh skema JSON yang dibekalkan. Tetapkan medan yang diperlukan aplikasi dan jenisnya, serta asingkan maklumat sumber daripada tafsiran apabila ia memenuhi tujuan berbeza. Bentuk berstruktur tidak membuktikan ketepatan fakta; sumber asal dan hasil alat sebenar masih menentukan kandungan jawapan yang boleh disemak.
Sempadan edisi dan kesinambungan
Muse Spark 1.1 kekal sebagai keluarannya sendiri. Perubahan pengekodan khusus 1.2, kemas kini tingkah laku jangka panjang 1.3 dan tetapan max Standard 1.3 tidak patut diberikan kepadanya hanya kerana keluarga dikongsi. Antara muka sembang pengeluar tidak memberikan penaakulan peribadi kepada pemanggil luaran untuk dimainkan semula, maka kekalkan sejarah yang kelihatan dan gunakan mekanisme kesinambungan yang ditawarkan antara muka yang disambungkan.
Sumber yang dibaca tidak menyatakan had maksimum mutlak token input atau output secara berasingan di luar konteks yang didokumenkan. Tetapkan artifak teks yang diperlukan dan kekalkan bukti yang diperlukan bagi setiap tindakan atau kesimpulan, sambil membezakan perancangan dan persepsi model daripada persekitaran yang melaksanakan operasi yang dicadangkannya.
", "aboutText": "Muse Spark 1.1 ialah model penaakulan multimodal Meta Superintelligence Labs untuk kerja agentik, pengekodan dan aliran kerja penggunaan komputer. Keluaran asal pengeluar menekankan perancangan, orkestrasi, pengurusan konteks dan penggabungan bukti visual dengan tindakan yang dibekalkan alat. Output yang didokumenkan ialah teks; aplikasi di sekeliling model menyediakan pelaksanaan sebenar dan artifak yang dipaparkan.\n\nPerancangan ejen dan konteks panjang\n\nKeluaran ini menerangkan penyesuaian kepada alat natif, fungsi tersuai dan persekitaran ejen. Sebagai ejen utama, model boleh mengumpulkan konteks, membentuk pelan dan mewakilkan kerja yang ditetapkan; dalam peranan yang diwakilkan, ia mengikuti tugas yang diberikan dan boleh mengeskalasikan halangan. Ini ialah keupayaan yang digunakan oleh persekitaran ejen dan bukannya himpunan subejen yang dicipta secara automatik oleh satu respons teks.\n\nJadual model pengeluar memberikan konteks 1,048,576 token. Keluaran 1.1nya menerangkan pengingatan kerja terdahulu dan pemadatan maklumat yang diperlukan untuk langkah kemudian. Tugas yang berguna perlu mengenal pasti objektif, bahan sumber dan artifak akhir, dengan keputusan penting serta hasil alat dikekalkan secara jelas. Konteks besar membantu menyimpan maklumat berkaitan bersama-sama tetapi tidak menetapkan keperluan yang mesti dipenuhi hasil.\n\nUntuk soalan projek panjang, labelkan dokumen sumber dan minta keperluan yang berkaitan, lokasinya dan syarat yang belum diselesaikan. Untuk pelan, minta tindakan dalam turutan yang dikaitkan dengan kekangan yang dibekalkan dan nyatakan hasil yang akan melengkapkan setiap langkah. Kekalkan penemuan dan hasil yang kelihatan apabila membuat susulan dan bukannya menganggap memori yang tidak ditetapkan mengandungi setiap fakta terdahulu.\n\nPenggunaan komputer dan pengekodan\n\nPengeluar menerangkan aliran kerja komputer merentas aplikasi yang berubah, dengan model memilih antara interaksi antara muka secara langsung dan automasi berskrip dalam persekitaran yang disambungkan. Tangkapan skrin boleh membekalkan keadaan yang kelihatan dan arahan teks boleh menetapkan matlamat pengguna. Minta kawalan yang berkaitan, operasi yang dicadangkan dan bukti yang menyokongnya, kemudian kembalikan keadaan baharu sebenar jika persekitaran melaksanakan operasi itu.\n\nUntuk pengekodan, keluaran ini menerangkan diagnosis pepijat, pelaksanaan ciri dan pengendalian migrasi kod. Demonstrasi penyahpepijatannya menggabungkan penjanaan kod, tangkapan skrin, pencarian kegagalan dan pemeriksaan pembetulan. Permintaan praktikal boleh membekalkan tingkah laku yang gagal, sumber terjejas dan hasil yang dijangka, kemudian meminta perubahan yang dicadangkan dengan antara muka awam dikekalkan. Pelaksanaan kod dan pengubahsuaian fail kekal sebagai operasi yang disediakan oleh alat aplikasi.\n\nBerikan model kod dan pengisytiharan yang menentukan tingkah laku. Untuk penjelasan, berikan input untuk dijejak; untuk pengubahsuaian, nyatakan hasil dan kekangan; untuk pelaksanaan visual, sertakan tangkapan skrin dan interaksi yang tidak ditunjukkan imej. Minta artifak secara berasingan daripada andaian dan maklum balas yang diperlukan untuk menyemaknya.\n\nInput multimodal\n\nJadual model mendokumenkan input teks, imej, video, audio dan PDF untuk 1.1, dengan output teks. Keluaran ini menerangkan penjanaan kapsyen imej dan video yang terperinci, penjanaan visual kepada kod dan penggunaan butiran persepsi sepanjang aliran kerja yang lebih panjang. Soalan dokumen boleh meminta medan berkaitan sumber atau perbandingan; soalan video boleh mengenal pasti peristiwa atau turutan untuk dihuraikan; soalan audio-visual boleh menetapkan maklumat pertuturan dan visual yang penting.\n\nOutput model kekal sebagai penjelasan bertulis, hasil berstruktur atau kod yang dicadangkan. Imej yang dijana, pertuturan tersintesis atau tindakan luaran yang selesai memerlukan komponen yang disediakan secara berasingan. Kekalkan pengecam sumber, label, unit dan segmen yang berkaitan supaya hasil teks boleh dibandingkan dengan bahan asal.\n\nPenaakulan, alat dan output berstruktur\n\nPanduan penaakulan Muse Spark mendokumenkan minimal, low, medium, high dan xhigh untuk edisi ini. Max ialah tetapan Standard 1.3 yang kemudian, dan none tidak disokong. Penaakulan berlaku walaupun tanpa nilai usaha jelas, dan bajet output meliputi penaakulan dalaman peribadi serta jawapan yang kelihatan. Penaakulan mentah dan kebarangkalian log tidak didedahkan sebagai medan keyakinan atau penjelasan biasa.\n\nPanggilan alat yang ditakrifkan pembangun mengikuti kitaran: aplikasi membekalkan operasi, model menyediakan argumen, aplikasi melaksanakan setiap panggilan dan mengembalikan hasilnya, dan jawapan seterusnya menggunakan hasil tersebut. Panggilan alat boleh meminta maklumat atau operasi; ia sendiri bukan bukti bahawa operasi selesai. Pastikan panggilan asal dan hasil berkait sepanjang perbualan.\n\nPengeluar turut mendokumenkan teks berstruktur yang dikekang oleh skema JSON yang dibekalkan. Tetapkan medan yang diperlukan aplikasi dan jenisnya, serta asingkan maklumat sumber daripada tafsiran apabila ia memenuhi tujuan berbeza. Bentuk berstruktur tidak membuktikan ketepatan fakta; sumber asal dan hasil alat sebenar masih menentukan kandungan jawapan yang boleh disemak.\n\nSempadan edisi dan kesinambungan\n\nMuse Spark 1.1 kekal sebagai keluarannya sendiri. Perubahan pengekodan khusus 1.2, kemas kini tingkah laku jangka panjang 1.3 dan tetapan max Standard 1.3 tidak patut diberikan kepadanya hanya kerana keluarga dikongsi. Antara muka sembang pengeluar tidak memberikan penaakulan peribadi kepada pemanggil luaran untuk dimainkan semula, maka kekalkan sejarah yang kelihatan dan gunakan mekanisme kesinambungan yang ditawarkan antara muka yang disambungkan.\n\nSumber yang dibaca tidak menyatakan had maksimum mutlak token input atau output secara berasingan di luar konteks yang didokumenkan. Tetapkan artifak teks yang diperlukan dan kekalkan bukti yang diperlukan bagi setiap tindakan atau kesimpulan, sambil membezakan perancangan dan persepsi model daripada persekitaran yang melaksanakan operasi yang dicadangkannya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
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 ialah model penaakulan multimodal Meta untuk ejen, penggunaan komputer dan pengekodan. Model ini bekerja dengan konteks teks dan visual yang banyak, menghasilkan teks serta tindakan alat yang dicadangkan, dan mempunyai konteks pengeluar 1,048,576 token dengan tahap penaakulan sehingga xhigh.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Muse Spark 1.1 ialah model penaakulan multimodal Meta Superintelligence Labs untuk kerja agentik, pengekodan dan aliran kerja penggunaan komputer. Keluaran asal pengeluar menekankan perancangan, orkestrasi, pengurusan konteks dan penggabungan bukti visual dengan tindakan yang dibekalkan alat. Output yang didokumenkan ialah teks; aplikasi di sekeliling model menyediakan pelaksanaan sebenar dan artifak yang dipaparkan.
Perancangan ejen dan konteks panjang
Keluaran ini menerangkan penyesuaian kepada alat natif, fungsi tersuai dan persekitaran ejen. Sebagai ejen utama, model boleh mengumpulkan konteks, membentuk pelan dan mewakilkan kerja yang ditetapkan; dalam peranan yang diwakilkan, ia mengikuti tugas yang diberikan dan boleh mengeskalasikan halangan. Ini ialah keupayaan yang digunakan oleh persekitaran ejen dan bukannya himpunan subejen yang dicipta secara automatik oleh satu respons teks.
Jadual model pengeluar memberikan konteks 1,048,576 token. Keluaran 1.1nya menerangkan pengingatan kerja terdahulu dan pemadatan maklumat yang diperlukan untuk langkah kemudian. Tugas yang berguna perlu mengenal pasti objektif, bahan sumber dan artifak akhir, dengan keputusan penting serta hasil alat dikekalkan secara jelas. Konteks besar membantu menyimpan maklumat berkaitan bersama-sama tetapi tidak menetapkan keperluan yang mesti dipenuhi hasil.
Untuk soalan projek panjang, labelkan dokumen sumber dan minta keperluan yang berkaitan, lokasinya dan syarat yang belum diselesaikan. Untuk pelan, minta tindakan dalam turutan yang dikaitkan dengan kekangan yang dibekalkan dan nyatakan hasil yang akan melengkapkan setiap langkah. Kekalkan penemuan dan hasil yang kelihatan apabila membuat susulan dan bukannya menganggap memori yang tidak ditetapkan mengandungi setiap fakta terdahulu.
Penggunaan komputer dan pengekodan
Pengeluar menerangkan aliran kerja komputer merentas aplikasi yang berubah, dengan model memilih antara interaksi antara muka secara langsung dan automasi berskrip dalam persekitaran yang disambungkan. Tangkapan skrin boleh membekalkan keadaan yang kelihatan dan arahan teks boleh menetapkan matlamat pengguna. Minta kawalan yang berkaitan, operasi yang dicadangkan dan bukti yang menyokongnya, kemudian kembalikan keadaan baharu sebenar jika persekitaran melaksanakan operasi itu.
Untuk pengekodan, keluaran ini menerangkan diagnosis pepijat, pelaksanaan ciri dan pengendalian migrasi kod. Demonstrasi penyahpepijatannya menggabungkan penjanaan kod, tangkapan skrin, pencarian kegagalan dan pemeriksaan pembetulan. Permintaan praktikal boleh membekalkan tingkah laku yang gagal, sumber terjejas dan hasil yang dijangka, kemudian meminta perubahan yang dicadangkan dengan antara muka awam dikekalkan. Pelaksanaan kod dan pengubahsuaian fail kekal sebagai operasi yang disediakan oleh alat aplikasi.
Berikan model kod dan pengisytiharan yang menentukan tingkah laku. Untuk penjelasan, berikan input untuk dijejak; untuk pengubahsuaian, nyatakan hasil dan kekangan; untuk pelaksanaan visual, sertakan tangkapan skrin dan interaksi yang tidak ditunjukkan imej. Minta artifak secara berasingan daripada andaian dan maklum balas yang diperlukan untuk menyemaknya.
Input multimodal
Jadual model mendokumenkan input teks, imej, video, audio dan PDF untuk 1.1, dengan output teks. Keluaran ini menerangkan penjanaan kapsyen imej dan video yang terperinci, penjanaan visual kepada kod dan penggunaan butiran persepsi sepanjang aliran kerja yang lebih panjang. Soalan dokumen boleh meminta medan berkaitan sumber atau perbandingan; soalan video boleh mengenal pasti peristiwa atau turutan untuk dihuraikan; soalan audio-visual boleh menetapkan maklumat pertuturan dan visual yang penting.
Output model kekal sebagai penjelasan bertulis, hasil berstruktur atau kod yang dicadangkan. Imej yang dijana, pertuturan tersintesis atau tindakan luaran yang selesai memerlukan komponen yang disediakan secara berasingan. Kekalkan pengecam sumber, label, unit dan segmen yang berkaitan supaya hasil teks boleh dibandingkan dengan bahan asal.
Penaakulan, alat dan output berstruktur
Panduan penaakulan Muse Spark mendokumenkan minimal, low, medium, high dan xhigh untuk edisi ini. Max ialah tetapan Standard 1.3 yang kemudian, dan none tidak disokong. Penaakulan berlaku walaupun tanpa nilai usaha jelas, dan bajet output meliputi penaakulan dalaman peribadi serta jawapan yang kelihatan. Penaakulan mentah dan kebarangkalian log tidak didedahkan sebagai medan keyakinan atau penjelasan biasa.
Panggilan alat yang ditakrifkan pembangun mengikuti kitaran: aplikasi membekalkan operasi, model menyediakan argumen, aplikasi melaksanakan setiap panggilan dan mengembalikan hasilnya, dan jawapan seterusnya menggunakan hasil tersebut. Panggilan alat boleh meminta maklumat atau operasi; ia sendiri bukan bukti bahawa operasi selesai. Pastikan panggilan asal dan hasil berkait sepanjang perbualan.
Pengeluar turut mendokumenkan teks berstruktur yang dikekang oleh skema JSON yang dibekalkan. Tetapkan medan yang diperlukan aplikasi dan jenisnya, serta asingkan maklumat sumber daripada tafsiran apabila ia memenuhi tujuan berbeza. Bentuk berstruktur tidak membuktikan ketepatan fakta; sumber asal dan hasil alat sebenar masih menentukan kandungan jawapan yang boleh disemak.
Sempadan edisi dan kesinambungan
Muse Spark 1.1 kekal sebagai keluarannya sendiri. Perubahan pengekodan khusus 1.2, kemas kini tingkah laku jangka panjang 1.3 dan tetapan max Standard 1.3 tidak patut diberikan kepadanya hanya kerana keluarga dikongsi. Antara muka sembang pengeluar tidak memberikan penaakulan peribadi kepada pemanggil luaran untuk dimainkan semula, maka kekalkan sejarah yang kelihatan dan gunakan mekanisme kesinambungan yang ditawarkan antara muka yang disambungkan.
Sumber yang dibaca tidak menyatakan had maksimum mutlak token input atau output secara berasingan di luar konteks yang didokumenkan. Tetapkan artifak teks yang diperlukan dan kekalkan bukti yang diperlukan bagi setiap tindakan atau kesimpulan, sambil membezakan perancangan dan persepsi model daripada persekitaran yang melaksanakan operasi yang dicadangkannya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta/muse-spark-1.1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
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 berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.0085 / 1K token Input · Bacaan cache $0.0003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.0085 / 1K token Input · Bacaan cache $0.0003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra meta/muse-spark-1.1
Gunakan laluan kaedah yang dipaparkan di atas.
meta/muse-spark-1.1Muse Spark 1.1 ialah model penaakulan multimodal Meta untuk ejen, penggunaan komputer dan pengekodan. Model ini bekerja dengan konteks teks dan visual yang banyak, menghasilkan teks serta tindakan alat yang dicadangkan, dan mempunyai konteks pengeluar 1,048,576 token dengan tahap penaakulan sehingga xhigh.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Muse Spark 1.1 ialah model penaakulan multimodal Meta Superintelligence Labs untuk kerja agentik, pengekodan dan aliran kerja penggunaan komputer. Keluaran asal pengeluar menekankan perancangan, orkestrasi, pengurusan konteks dan penggabungan bukti visual dengan tindakan yang dibekalkan alat. Output yang didokumenkan ialah teks; aplikasi di sekeliling model menyediakan pelaksanaan sebenar dan artifak yang dipaparkan.
Perancangan ejen dan konteks panjang
Keluaran ini menerangkan penyesuaian kepada alat natif, fungsi tersuai dan persekitaran ejen. Sebagai ejen utama, model boleh mengumpulkan konteks, membentuk pelan dan mewakilkan kerja yang ditetapkan; dalam peranan yang diwakilkan, ia mengikuti tugas yang diberikan dan boleh mengeskalasikan halangan. Ini ialah keupayaan yang digunakan oleh persekitaran ejen dan bukannya himpunan subejen yang dicipta secara automatik oleh satu respons teks.
Jadual model pengeluar memberikan konteks 1,048,576 token. Keluaran 1.1nya menerangkan pengingatan kerja terdahulu dan pemadatan maklumat yang diperlukan untuk langkah kemudian. Tugas yang berguna perlu mengenal pasti objektif, bahan sumber dan artifak akhir, dengan keputusan penting serta hasil alat dikekalkan secara jelas. Konteks besar membantu menyimpan maklumat berkaitan bersama-sama tetapi tidak menetapkan keperluan yang mesti dipenuhi hasil.
Untuk soalan projek panjang, labelkan dokumen sumber dan minta keperluan yang berkaitan, lokasinya dan syarat yang belum diselesaikan. Untuk pelan, minta tindakan dalam turutan yang dikaitkan dengan kekangan yang dibekalkan dan nyatakan hasil yang akan melengkapkan setiap langkah. Kekalkan penemuan dan hasil yang kelihatan apabila membuat susulan dan bukannya menganggap memori yang tidak ditetapkan mengandungi setiap fakta terdahulu.
Penggunaan komputer dan pengekodan
Pengeluar menerangkan aliran kerja komputer merentas aplikasi yang berubah, dengan model memilih antara interaksi antara muka secara langsung dan automasi berskrip dalam persekitaran yang disambungkan. Tangkapan skrin boleh membekalkan keadaan yang kelihatan dan arahan teks boleh menetapkan matlamat pengguna. Minta kawalan yang berkaitan, operasi yang dicadangkan dan bukti yang menyokongnya, kemudian kembalikan keadaan baharu sebenar jika persekitaran melaksanakan operasi itu.
Untuk pengekodan, keluaran ini menerangkan diagnosis pepijat, pelaksanaan ciri dan pengendalian migrasi kod. Demonstrasi penyahpepijatannya menggabungkan penjanaan kod, tangkapan skrin, pencarian kegagalan dan pemeriksaan pembetulan. Permintaan praktikal boleh membekalkan tingkah laku yang gagal, sumber terjejas dan hasil yang dijangka, kemudian meminta perubahan yang dicadangkan dengan antara muka awam dikekalkan. Pelaksanaan kod dan pengubahsuaian fail kekal sebagai operasi yang disediakan oleh alat aplikasi.
Berikan model kod dan pengisytiharan yang menentukan tingkah laku. Untuk penjelasan, berikan input untuk dijejak; untuk pengubahsuaian, nyatakan hasil dan kekangan; untuk pelaksanaan visual, sertakan tangkapan skrin dan interaksi yang tidak ditunjukkan imej. Minta artifak secara berasingan daripada andaian dan maklum balas yang diperlukan untuk menyemaknya.
Input multimodal
Jadual model mendokumenkan input teks, imej, video, audio dan PDF untuk 1.1, dengan output teks. Keluaran ini menerangkan penjanaan kapsyen imej dan video yang terperinci, penjanaan visual kepada kod dan penggunaan butiran persepsi sepanjang aliran kerja yang lebih panjang. Soalan dokumen boleh meminta medan berkaitan sumber atau perbandingan; soalan video boleh mengenal pasti peristiwa atau turutan untuk dihuraikan; soalan audio-visual boleh menetapkan maklumat pertuturan dan visual yang penting.
Output model kekal sebagai penjelasan bertulis, hasil berstruktur atau kod yang dicadangkan. Imej yang dijana, pertuturan tersintesis atau tindakan luaran yang selesai memerlukan komponen yang disediakan secara berasingan. Kekalkan pengecam sumber, label, unit dan segmen yang berkaitan supaya hasil teks boleh dibandingkan dengan bahan asal.
Penaakulan, alat dan output berstruktur
Panduan penaakulan Muse Spark mendokumenkan minimal, low, medium, high dan xhigh untuk edisi ini. Max ialah tetapan Standard 1.3 yang kemudian, dan none tidak disokong. Penaakulan berlaku walaupun tanpa nilai usaha jelas, dan bajet output meliputi penaakulan dalaman peribadi serta jawapan yang kelihatan. Penaakulan mentah dan kebarangkalian log tidak didedahkan sebagai medan keyakinan atau penjelasan biasa.
Panggilan alat yang ditakrifkan pembangun mengikuti kitaran: aplikasi membekalkan operasi, model menyediakan argumen, aplikasi melaksanakan setiap panggilan dan mengembalikan hasilnya, dan jawapan seterusnya menggunakan hasil tersebut. Panggilan alat boleh meminta maklumat atau operasi; ia sendiri bukan bukti bahawa operasi selesai. Pastikan panggilan asal dan hasil berkait sepanjang perbualan.
Pengeluar turut mendokumenkan teks berstruktur yang dikekang oleh skema JSON yang dibekalkan. Tetapkan medan yang diperlukan aplikasi dan jenisnya, serta asingkan maklumat sumber daripada tafsiran apabila ia memenuhi tujuan berbeza. Bentuk berstruktur tidak membuktikan ketepatan fakta; sumber asal dan hasil alat sebenar masih menentukan kandungan jawapan yang boleh disemak.
Sempadan edisi dan kesinambungan
Muse Spark 1.1 kekal sebagai keluarannya sendiri. Perubahan pengekodan khusus 1.2, kemas kini tingkah laku jangka panjang 1.3 dan tetapan max Standard 1.3 tidak patut diberikan kepadanya hanya kerana keluarga dikongsi. Antara muka sembang pengeluar tidak memberikan penaakulan peribadi kepada pemanggil luaran untuk dimainkan semula, maka kekalkan sejarah yang kelihatan dan gunakan mekanisme kesinambungan yang ditawarkan antara muka yang disambungkan.
Sumber yang dibaca tidak menyatakan had maksimum mutlak token input atau output secara berasingan di luar konteks yang didokumenkan. Tetapkan artifak teks yang diperlukan dan kekalkan bukti yang diperlukan bagi setiap tindakan atau kesimpulan, sambil membezakan perancangan dan persepsi model daripada persekitaran yang melaksanakan operasi yang dicadangkannya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta/muse-spark-1.1 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan 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 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.0085 / 1K token Input · Bacaan cache $0.0003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0025 / 1K token Output · Token output $0.0085 / 1K token Input · Bacaan cache $0.0003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra meta/muse-spark-1.1
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
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.