Muse Spark 1.2 ialah kemas kini Muse Spark 1.1 Meta yang memfokuskan pengekodan, dengan penekanan pada pemahaman multimodal dan penaakulan visual. Demonstrasi pengeluar menghubungkan imej dan video dengan artifak digital seperti halaman web dan permainan, manakala jadual modelnya menyenaraikan konteks 1,048,576 token serta output teks. Entri ini berkaitan Standard 1.2, berbeza daripada Contributor 1.2 dan 1.3 yang kemudian.
Pengekodan visual
Keluaran ini menerangkan penterjemahan susun atur, hierarki dan gaya visual menjadi kod yang berfungsi, kemudian pemeriksaan artifak yang terhasil melalui alat. Untuk tugas yang berguna, bekalkan imej atau klip bersama tingkah laku yang perlu dilaksanakan. Tangkapan skrin boleh menunjukkan rupa tetapi mungkin membiarkan interaksi tidak dinyatakan, maka namakan kawalan, keadaan dan respons yang dijangka terhadap tindakan pengguna yang perlu disertakan dalam hasil.
Minta struktur yang kelihatan, pelaksanaan yang dicadangkan dan andaian secara berasingan. Sebagai contoh, tugas pembinaan semula halaman boleh mewajibkan bahagian yang dinamakan dan hubungan visual yang ditunjukkan dalam rujukan, kemudian meminta kod untuk satu interaksi yang ditetapkan. Pemaparan dan pengujian kod itu memerlukan persekitaran yang disambungkan; tangkapan skrin atau maklum balas pelaksanaan yang terhasil boleh menjadi input untuk pembetulan seterusnya.
Pengeluar mengenal pasti pemahaman carta dan penaakulan visual di luar penjanaan kod. Kekalkan paksi, unit dan label dalam carta dan minta pemerhatian yang menyokong setiap kesimpulan. Untuk rajah, kenal pasti hubungan yang perlu diterangkan dan label sumber yang perlu dikekalkan. Untuk imej dokumen, bezakan transkripsi perkataan yang kelihatan daripada ringkasan atau tafsiran.
Aliran kerja ruang dan audio-visual
Pengumuman 1.2 turut membincangkan varian robotik khusus dan sistem perancangan/tindakan dua peringkat. Ini ialah komponen eksperimen yang berbeza: model peringkat tinggi menaakul tentang adegan dan subtugas, manakala dasar penglihatan-bahasa-tindakan yang berasingan melaksanakan tindakan peringkat rendah. Model Standard dengan output teks tidak sepatutnya diterangkan sebagai penggerak robot hanya kerana keluaran keluarga mengandungi demonstrasi itu.
Untuk versi Standard, jadual model mendokumenkan teks, imej, video, audio dan PDF sebagai input. Tugas audio-visual boleh meminta peristiwa atau syarat yang dituturkan yang berkaitan dengan soalan dan mengembalikan huraian mengikut turutan bagi bahan sokongan. Kenal pasti segmen yang berkaitan dan bentuk jawapan dan bukannya meminta ringkasan tanpa arah bagi setiap modaliti.
Contoh pengeluar menggabungkan pemahaman video, penjanaan kapsyen terperinci dan pemeriksaan dibantu alat. Aliran kerja praktikal boleh membandingkan demonstrasi dengan prosedur bertulisnya, meminta persamaan dan perbezaan yang kelihatan, kemudian menyediakan hasil teks untuk langkah aplikasi kemudian. Prosa, kod dan penemuan berstruktur yang dijana ialah output yang didokumenkan; penjanaan imej atau pertuturan adalah milik komponen yang dinamakan secara berasingan.
Tetapan penaakulan dan konteks
Muse Spark menaakul secara dalaman sebelum menghasilkan teks yang kelihatan. Tahap usaha terdokumen yang terpakai kepada 1.2 ialah minimal, low, medium, high dan xhigh. Max adalah milik Standard 1.3, dan none bukan cara yang disokong untuk melumpuhkan penaakulan. Apabila tiada usaha dinyatakan, model menggunakan tahap yang ditentukan model.
Konteks 1,048,576 token boleh mengekalkan bahan sumber dan perbualan yang berkaitan, tetapi matlamat dan artifak akhir masih perlu ditetapkan. Untuk tugas dokumen panjang, kenal pasti soalan, labelkan setiap sumber dan simpan lokasinya di sebelah maklumat yang diekstrak. Token penaakulan dan jawapan yang kelihatan berkongsi bajet output, maka sediakan ruang yang cukup untuk penjelasan atau kod yang benar-benar diperlukan tugas.
Penaakulan dalaman mentah tidak didedahkan sebagai teks biasa. Antara muka sembang pengeluar juga tidak membawa jejak peribadi yang boleh dibaca merentas giliran untuk pemanggil luaran; kekalkan mesej yang kelihatan, sumber dan hasil alat yang dikembalikan yang diperlukan oleh susulan. Kebarangkalian log tidak disokong, maka model tidak menyediakan ciri itu sebagai ukuran keyakinan bagi kesimpulannya.
Alat dan artifak berstruktur
Aplikasi menerangkan fungsi pembangun, model menjana cadangan panggilan dan argumen, dan aplikasi melaksanakannya serta mengembalikan hasil bagi setiap panggilan. Model kemudian boleh memeriksa maklum balas sebenar dan memilih langkah seterusnya. Penekanan keluaran pada pemeriksaan input visual serta artifak yang dijana bergantung pada alat tersebut menjadi sebahagian daripada persekitaran.
Output berstruktur boleh mengehadkan teks kepada skema JSON yang ditetapkan. Rekod pengekstrakan visual boleh mengandungi imej sumber, objek atau label, nilai yang diperhatikan dan tafsiran. Semakan pengekodan boleh mengenal pasti simbol terjejas, ketidakpadanan dan perubahan yang dicadangkan. Mod strict pengeluar memerlukan akar objek biasa, semua sifat tersenarai diwajibkan dan sifat tambahan dilumpuhkan; skema rekursif ditolak.
Tetapkan ketepatan artifak secara praktikal: butiran sumber yang mesti dikekalkan, cara interaksi patut berfungsi dan maklum balas yang dikembalikan yang akan membuktikan tingkah laku itu. Sumber yang dibaca tidak memberikan had maksimum token input atau output secara berasingan di luar konteks model. Kekalkan edisi Standard 1.2 dan perbezaan antara artifak teks yang dicadangkan dengan hasil pelaksanaan atau pemaparan yang digunakan untuk menyemaknya.
", "aboutText": "Muse Spark 1.2 ialah kemas kini Muse Spark 1.1 Meta yang memfokuskan pengekodan, dengan penekanan pada pemahaman multimodal dan penaakulan visual. Demonstrasi pengeluar menghubungkan imej dan video dengan artifak digital seperti halaman web dan permainan, manakala jadual modelnya menyenaraikan konteks 1,048,576 token serta output teks. Entri ini berkaitan Standard 1.2, berbeza daripada Contributor 1.2 dan 1.3 yang kemudian.\n\nPengekodan visual\n\nKeluaran ini menerangkan penterjemahan susun atur, hierarki dan gaya visual menjadi kod yang berfungsi, kemudian pemeriksaan artifak yang terhasil melalui alat. Untuk tugas yang berguna, bekalkan imej atau klip bersama tingkah laku yang perlu dilaksanakan. Tangkapan skrin boleh menunjukkan rupa tetapi mungkin membiarkan interaksi tidak dinyatakan, maka namakan kawalan, keadaan dan respons yang dijangka terhadap tindakan pengguna yang perlu disertakan dalam hasil.\n\nMinta struktur yang kelihatan, pelaksanaan yang dicadangkan dan andaian secara berasingan. Sebagai contoh, tugas pembinaan semula halaman boleh mewajibkan bahagian yang dinamakan dan hubungan visual yang ditunjukkan dalam rujukan, kemudian meminta kod untuk satu interaksi yang ditetapkan. Pemaparan dan pengujian kod itu memerlukan persekitaran yang disambungkan; tangkapan skrin atau maklum balas pelaksanaan yang terhasil boleh menjadi input untuk pembetulan seterusnya.\n\nPengeluar mengenal pasti pemahaman carta dan penaakulan visual di luar penjanaan kod. Kekalkan paksi, unit dan label dalam carta dan minta pemerhatian yang menyokong setiap kesimpulan. Untuk rajah, kenal pasti hubungan yang perlu diterangkan dan label sumber yang perlu dikekalkan. Untuk imej dokumen, bezakan transkripsi perkataan yang kelihatan daripada ringkasan atau tafsiran.\n\nAliran kerja ruang dan audio-visual\n\nPengumuman 1.2 turut membincangkan varian robotik khusus dan sistem perancangan/tindakan dua peringkat. Ini ialah komponen eksperimen yang berbeza: model peringkat tinggi menaakul tentang adegan dan subtugas, manakala dasar penglihatan-bahasa-tindakan yang berasingan melaksanakan tindakan peringkat rendah. Model Standard dengan output teks tidak sepatutnya diterangkan sebagai penggerak robot hanya kerana keluaran keluarga mengandungi demonstrasi itu.\n\nUntuk versi Standard, jadual model mendokumenkan teks, imej, video, audio dan PDF sebagai input. Tugas audio-visual boleh meminta peristiwa atau syarat yang dituturkan yang berkaitan dengan soalan dan mengembalikan huraian mengikut turutan bagi bahan sokongan. Kenal pasti segmen yang berkaitan dan bentuk jawapan dan bukannya meminta ringkasan tanpa arah bagi setiap modaliti.\n\nContoh pengeluar menggabungkan pemahaman video, penjanaan kapsyen terperinci dan pemeriksaan dibantu alat. Aliran kerja praktikal boleh membandingkan demonstrasi dengan prosedur bertulisnya, meminta persamaan dan perbezaan yang kelihatan, kemudian menyediakan hasil teks untuk langkah aplikasi kemudian. Prosa, kod dan penemuan berstruktur yang dijana ialah output yang didokumenkan; penjanaan imej atau pertuturan adalah milik komponen yang dinamakan secara berasingan.\n\nTetapan penaakulan dan konteks\n\nMuse Spark menaakul secara dalaman sebelum menghasilkan teks yang kelihatan. Tahap usaha terdokumen yang terpakai kepada 1.2 ialah minimal, low, medium, high dan xhigh. Max adalah milik Standard 1.3, dan none bukan cara yang disokong untuk melumpuhkan penaakulan. Apabila tiada usaha dinyatakan, model menggunakan tahap yang ditentukan model.\n\nKonteks 1,048,576 token boleh mengekalkan bahan sumber dan perbualan yang berkaitan, tetapi matlamat dan artifak akhir masih perlu ditetapkan. Untuk tugas dokumen panjang, kenal pasti soalan, labelkan setiap sumber dan simpan lokasinya di sebelah maklumat yang diekstrak. Token penaakulan dan jawapan yang kelihatan berkongsi bajet output, maka sediakan ruang yang cukup untuk penjelasan atau kod yang benar-benar diperlukan tugas.\n\nPenaakulan dalaman mentah tidak didedahkan sebagai teks biasa. Antara muka sembang pengeluar juga tidak membawa jejak peribadi yang boleh dibaca merentas giliran untuk pemanggil luaran; kekalkan mesej yang kelihatan, sumber dan hasil alat yang dikembalikan yang diperlukan oleh susulan. Kebarangkalian log tidak disokong, maka model tidak menyediakan ciri itu sebagai ukuran keyakinan bagi kesimpulannya.\n\nAlat dan artifak berstruktur\n\nAplikasi menerangkan fungsi pembangun, model menjana cadangan panggilan dan argumen, dan aplikasi melaksanakannya serta mengembalikan hasil bagi setiap panggilan. Model kemudian boleh memeriksa maklum balas sebenar dan memilih langkah seterusnya. Penekanan keluaran pada pemeriksaan input visual serta artifak yang dijana bergantung pada alat tersebut menjadi sebahagian daripada persekitaran.\n\nOutput berstruktur boleh mengehadkan teks kepada skema JSON yang ditetapkan. Rekod pengekstrakan visual boleh mengandungi imej sumber, objek atau label, nilai yang diperhatikan dan tafsiran. Semakan pengekodan boleh mengenal pasti simbol terjejas, ketidakpadanan dan perubahan yang dicadangkan. Mod strict pengeluar memerlukan akar objek biasa, semua sifat tersenarai diwajibkan dan sifat tambahan dilumpuhkan; skema rekursif ditolak.\n\nTetapkan ketepatan artifak secara praktikal: butiran sumber yang mesti dikekalkan, cara interaksi patut berfungsi dan maklum balas yang dikembalikan yang akan membuktikan tingkah laku itu. Sumber yang dibaca tidak memberikan had maksimum token input atau output secara berasingan di luar konteks model. Kekalkan edisi Standard 1.2 dan perbezaan antara artifak teks yang dicadangkan dengan hasil pelaksanaan atau pemaparan yang digunakan untuk menyemaknya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.meta/muse-spark-1.2Muse Spark 1.2 ialah model penaakulan multimodal Meta yang memfokuskan pengekodan visual, carta dan pemahaman audio-visual. Model ini boleh menukar imej atau video yang dibekalkan menjadi cadangan kod web dan permainan melalui alat yang disambungkan, dengan output teks serta konteks pengeluar 1,048,576 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Muse Spark 1.2 ialah kemas kini Muse Spark 1.1 Meta yang memfokuskan pengekodan, dengan penekanan pada pemahaman multimodal dan penaakulan visual. Demonstrasi pengeluar menghubungkan imej dan video dengan artifak digital seperti halaman web dan permainan, manakala jadual modelnya menyenaraikan konteks 1,048,576 token serta output teks. Entri ini berkaitan Standard 1.2, berbeza daripada Contributor 1.2 dan 1.3 yang kemudian.
Pengekodan visual
Keluaran ini menerangkan penterjemahan susun atur, hierarki dan gaya visual menjadi kod yang berfungsi, kemudian pemeriksaan artifak yang terhasil melalui alat. Untuk tugas yang berguna, bekalkan imej atau klip bersama tingkah laku yang perlu dilaksanakan. Tangkapan skrin boleh menunjukkan rupa tetapi mungkin membiarkan interaksi tidak dinyatakan, maka namakan kawalan, keadaan dan respons yang dijangka terhadap tindakan pengguna yang perlu disertakan dalam hasil.
Minta struktur yang kelihatan, pelaksanaan yang dicadangkan dan andaian secara berasingan. Sebagai contoh, tugas pembinaan semula halaman boleh mewajibkan bahagian yang dinamakan dan hubungan visual yang ditunjukkan dalam rujukan, kemudian meminta kod untuk satu interaksi yang ditetapkan. Pemaparan dan pengujian kod itu memerlukan persekitaran yang disambungkan; tangkapan skrin atau maklum balas pelaksanaan yang terhasil boleh menjadi input untuk pembetulan seterusnya.
Pengeluar mengenal pasti pemahaman carta dan penaakulan visual di luar penjanaan kod. Kekalkan paksi, unit dan label dalam carta dan minta pemerhatian yang menyokong setiap kesimpulan. Untuk rajah, kenal pasti hubungan yang perlu diterangkan dan label sumber yang perlu dikekalkan. Untuk imej dokumen, bezakan transkripsi perkataan yang kelihatan daripada ringkasan atau tafsiran.
Aliran kerja ruang dan audio-visual
Pengumuman 1.2 turut membincangkan varian robotik khusus dan sistem perancangan/tindakan dua peringkat. Ini ialah komponen eksperimen yang berbeza: model peringkat tinggi menaakul tentang adegan dan subtugas, manakala dasar penglihatan-bahasa-tindakan yang berasingan melaksanakan tindakan peringkat rendah. Model Standard dengan output teks tidak sepatutnya diterangkan sebagai penggerak robot hanya kerana keluaran keluarga mengandungi demonstrasi itu.
Untuk versi Standard, jadual model mendokumenkan teks, imej, video, audio dan PDF sebagai input. Tugas audio-visual boleh meminta peristiwa atau syarat yang dituturkan yang berkaitan dengan soalan dan mengembalikan huraian mengikut turutan bagi bahan sokongan. Kenal pasti segmen yang berkaitan dan bentuk jawapan dan bukannya meminta ringkasan tanpa arah bagi setiap modaliti.
Contoh pengeluar menggabungkan pemahaman video, penjanaan kapsyen terperinci dan pemeriksaan dibantu alat. Aliran kerja praktikal boleh membandingkan demonstrasi dengan prosedur bertulisnya, meminta persamaan dan perbezaan yang kelihatan, kemudian menyediakan hasil teks untuk langkah aplikasi kemudian. Prosa, kod dan penemuan berstruktur yang dijana ialah output yang didokumenkan; penjanaan imej atau pertuturan adalah milik komponen yang dinamakan secara berasingan.
Tetapan penaakulan dan konteks
Muse Spark menaakul secara dalaman sebelum menghasilkan teks yang kelihatan. Tahap usaha terdokumen yang terpakai kepada 1.2 ialah minimal, low, medium, high dan xhigh. Max adalah milik Standard 1.3, dan none bukan cara yang disokong untuk melumpuhkan penaakulan. Apabila tiada usaha dinyatakan, model menggunakan tahap yang ditentukan model.
Konteks 1,048,576 token boleh mengekalkan bahan sumber dan perbualan yang berkaitan, tetapi matlamat dan artifak akhir masih perlu ditetapkan. Untuk tugas dokumen panjang, kenal pasti soalan, labelkan setiap sumber dan simpan lokasinya di sebelah maklumat yang diekstrak. Token penaakulan dan jawapan yang kelihatan berkongsi bajet output, maka sediakan ruang yang cukup untuk penjelasan atau kod yang benar-benar diperlukan tugas.
Penaakulan dalaman mentah tidak didedahkan sebagai teks biasa. Antara muka sembang pengeluar juga tidak membawa jejak peribadi yang boleh dibaca merentas giliran untuk pemanggil luaran; kekalkan mesej yang kelihatan, sumber dan hasil alat yang dikembalikan yang diperlukan oleh susulan. Kebarangkalian log tidak disokong, maka model tidak menyediakan ciri itu sebagai ukuran keyakinan bagi kesimpulannya.
Alat dan artifak berstruktur
Aplikasi menerangkan fungsi pembangun, model menjana cadangan panggilan dan argumen, dan aplikasi melaksanakannya serta mengembalikan hasil bagi setiap panggilan. Model kemudian boleh memeriksa maklum balas sebenar dan memilih langkah seterusnya. Penekanan keluaran pada pemeriksaan input visual serta artifak yang dijana bergantung pada alat tersebut menjadi sebahagian daripada persekitaran.
Output berstruktur boleh mengehadkan teks kepada skema JSON yang ditetapkan. Rekod pengekstrakan visual boleh mengandungi imej sumber, objek atau label, nilai yang diperhatikan dan tafsiran. Semakan pengekodan boleh mengenal pasti simbol terjejas, ketidakpadanan dan perubahan yang dicadangkan. Mod strict pengeluar memerlukan akar objek biasa, semua sifat tersenarai diwajibkan dan sifat tambahan dilumpuhkan; skema rekursif ditolak.
Tetapkan ketepatan artifak secara praktikal: butiran sumber yang mesti dikekalkan, cara interaksi patut berfungsi dan maklum balas yang dikembalikan yang akan membuktikan tingkah laku itu. Sumber yang dibaca tidak memberikan had maksimum token input atau output secara berasingan di luar konteks model. Kekalkan edisi Standard 1.2 dan perbezaan antara artifak teks yang dicadangkan dengan hasil pelaksanaan atau pemaparan yang digunakan untuk menyemaknya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta/muse-spark-1.2 | 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-1.2", "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-1.2',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-1.2',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-1.2
Gunakan laluan kaedah yang dipaparkan di atas.
meta/muse-spark-1.2Muse Spark 1.2 ialah model penaakulan multimodal Meta yang memfokuskan pengekodan visual, carta dan pemahaman audio-visual. Model ini boleh menukar imej atau video yang dibekalkan menjadi cadangan kod web dan permainan melalui alat yang disambungkan, dengan output teks serta konteks pengeluar 1,048,576 token.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Muse Spark 1.2 ialah kemas kini Muse Spark 1.1 Meta yang memfokuskan pengekodan, dengan penekanan pada pemahaman multimodal dan penaakulan visual. Demonstrasi pengeluar menghubungkan imej dan video dengan artifak digital seperti halaman web dan permainan, manakala jadual modelnya menyenaraikan konteks 1,048,576 token serta output teks. Entri ini berkaitan Standard 1.2, berbeza daripada Contributor 1.2 dan 1.3 yang kemudian.
Pengekodan visual
Keluaran ini menerangkan penterjemahan susun atur, hierarki dan gaya visual menjadi kod yang berfungsi, kemudian pemeriksaan artifak yang terhasil melalui alat. Untuk tugas yang berguna, bekalkan imej atau klip bersama tingkah laku yang perlu dilaksanakan. Tangkapan skrin boleh menunjukkan rupa tetapi mungkin membiarkan interaksi tidak dinyatakan, maka namakan kawalan, keadaan dan respons yang dijangka terhadap tindakan pengguna yang perlu disertakan dalam hasil.
Minta struktur yang kelihatan, pelaksanaan yang dicadangkan dan andaian secara berasingan. Sebagai contoh, tugas pembinaan semula halaman boleh mewajibkan bahagian yang dinamakan dan hubungan visual yang ditunjukkan dalam rujukan, kemudian meminta kod untuk satu interaksi yang ditetapkan. Pemaparan dan pengujian kod itu memerlukan persekitaran yang disambungkan; tangkapan skrin atau maklum balas pelaksanaan yang terhasil boleh menjadi input untuk pembetulan seterusnya.
Pengeluar mengenal pasti pemahaman carta dan penaakulan visual di luar penjanaan kod. Kekalkan paksi, unit dan label dalam carta dan minta pemerhatian yang menyokong setiap kesimpulan. Untuk rajah, kenal pasti hubungan yang perlu diterangkan dan label sumber yang perlu dikekalkan. Untuk imej dokumen, bezakan transkripsi perkataan yang kelihatan daripada ringkasan atau tafsiran.
Aliran kerja ruang dan audio-visual
Pengumuman 1.2 turut membincangkan varian robotik khusus dan sistem perancangan/tindakan dua peringkat. Ini ialah komponen eksperimen yang berbeza: model peringkat tinggi menaakul tentang adegan dan subtugas, manakala dasar penglihatan-bahasa-tindakan yang berasingan melaksanakan tindakan peringkat rendah. Model Standard dengan output teks tidak sepatutnya diterangkan sebagai penggerak robot hanya kerana keluaran keluarga mengandungi demonstrasi itu.
Untuk versi Standard, jadual model mendokumenkan teks, imej, video, audio dan PDF sebagai input. Tugas audio-visual boleh meminta peristiwa atau syarat yang dituturkan yang berkaitan dengan soalan dan mengembalikan huraian mengikut turutan bagi bahan sokongan. Kenal pasti segmen yang berkaitan dan bentuk jawapan dan bukannya meminta ringkasan tanpa arah bagi setiap modaliti.
Contoh pengeluar menggabungkan pemahaman video, penjanaan kapsyen terperinci dan pemeriksaan dibantu alat. Aliran kerja praktikal boleh membandingkan demonstrasi dengan prosedur bertulisnya, meminta persamaan dan perbezaan yang kelihatan, kemudian menyediakan hasil teks untuk langkah aplikasi kemudian. Prosa, kod dan penemuan berstruktur yang dijana ialah output yang didokumenkan; penjanaan imej atau pertuturan adalah milik komponen yang dinamakan secara berasingan.
Tetapan penaakulan dan konteks
Muse Spark menaakul secara dalaman sebelum menghasilkan teks yang kelihatan. Tahap usaha terdokumen yang terpakai kepada 1.2 ialah minimal, low, medium, high dan xhigh. Max adalah milik Standard 1.3, dan none bukan cara yang disokong untuk melumpuhkan penaakulan. Apabila tiada usaha dinyatakan, model menggunakan tahap yang ditentukan model.
Konteks 1,048,576 token boleh mengekalkan bahan sumber dan perbualan yang berkaitan, tetapi matlamat dan artifak akhir masih perlu ditetapkan. Untuk tugas dokumen panjang, kenal pasti soalan, labelkan setiap sumber dan simpan lokasinya di sebelah maklumat yang diekstrak. Token penaakulan dan jawapan yang kelihatan berkongsi bajet output, maka sediakan ruang yang cukup untuk penjelasan atau kod yang benar-benar diperlukan tugas.
Penaakulan dalaman mentah tidak didedahkan sebagai teks biasa. Antara muka sembang pengeluar juga tidak membawa jejak peribadi yang boleh dibaca merentas giliran untuk pemanggil luaran; kekalkan mesej yang kelihatan, sumber dan hasil alat yang dikembalikan yang diperlukan oleh susulan. Kebarangkalian log tidak disokong, maka model tidak menyediakan ciri itu sebagai ukuran keyakinan bagi kesimpulannya.
Alat dan artifak berstruktur
Aplikasi menerangkan fungsi pembangun, model menjana cadangan panggilan dan argumen, dan aplikasi melaksanakannya serta mengembalikan hasil bagi setiap panggilan. Model kemudian boleh memeriksa maklum balas sebenar dan memilih langkah seterusnya. Penekanan keluaran pada pemeriksaan input visual serta artifak yang dijana bergantung pada alat tersebut menjadi sebahagian daripada persekitaran.
Output berstruktur boleh mengehadkan teks kepada skema JSON yang ditetapkan. Rekod pengekstrakan visual boleh mengandungi imej sumber, objek atau label, nilai yang diperhatikan dan tafsiran. Semakan pengekodan boleh mengenal pasti simbol terjejas, ketidakpadanan dan perubahan yang dicadangkan. Mod strict pengeluar memerlukan akar objek biasa, semua sifat tersenarai diwajibkan dan sifat tambahan dilumpuhkan; skema rekursif ditolak.
Tetapkan ketepatan artifak secara praktikal: butiran sumber yang mesti dikekalkan, cara interaksi patut berfungsi dan maklum balas yang dikembalikan yang akan membuktikan tingkah laku itu. Sumber yang dibaca tidak memberikan had maksimum token input atau output secara berasingan di luar konteks model. Kekalkan edisi Standard 1.2 dan perbezaan antara artifak teks yang dicadangkan dengan hasil pelaksanaan atau pemaparan yang digunakan untuk menyemaknya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had meta/muse-spark-1.2 | 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 $0.0003 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "meta/muse-spark-1.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.2', '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-1.2', '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-1.2
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Implement a specified responsive layout\n\nDraft semantic HTML and CSS for a product comparison section with a title, introduction and three feature columns. At narrow widths, stack the columns in the same reading order. Each column needs a heading and three bullet points. Use the placeholder copy supplied in your code and explain the breakpoint choice; return source only, without claiming a rendered result.A bounded HTML/CSS section and a short explanation of stacking behavior and reading order.At the proposed narrow breakpoint, the DOM order and visual order match and no horizontal overflow is introduced.