model

Meta: Muse Spark 1.3 Contributor

Markdown · JSON

Meta: Muse Spark 1.3 Contributor

Muse Spark 1.3 Contributor ialah edisi penaakulan dalam keluarga agentik dan pengekodan Meta untuk aliran kerja prototaip. Pengeluarnya menyenaraikan input teks, imej, video dan PDF, output teks serta konteks 1,048,576 token, dengan tahap penaakulan sehingga xhigh dan bukannya max pada Standard 1.3.

Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

Muse Spark 1.3 Contributor ialah edisi yang dinamakan secara berasingan dalam keluarga Muse Spark Meta untuk pemprototaipan dan eksperimen. Keluarga ini direka untuk kerja agentik dan pengekodan: gelung alat berbilang langkah, pembantu perisian dan penaakulan atas bahan sumber yang banyak. Kekalkan nama Contributor apabila memilih edisi dan bukannya menganggapnya sebagai entri Standard 1.3 dengan setiap tetapan dipindahkan tanpa perubahan.

Input dan konteks

Jadual model rasmi menyenaraikan teks, imej, video dan PDF sebagai input serta teks sebagai output, dengan tetingkap konteks 1,048,576 token. Tugas boleh menggabungkan keperluan bertulis, tangkapan skrin, klip yang berkaitan atau halaman dokumen dan meminta penjelasan bertulis, penemuan berstruktur atau kod yang dicadangkan. Hasil teks model boleh menjadi artifak dalam aplikasi sekeliling; pemaparan halaman atau pelaksanaan kod memerlukan persekitaran aplikasi tersebut.

Kenal pasti setiap sumber dan peranannya sebelum meminta hasil. Tugas antara muka prototaip boleh memadankan tangkapan skrin dengan tingkah laku yang dikehendaki dan fragmen kod sedia ada. Minta perbezaan yang kelihatan, perubahan pelaksanaan yang dicadangkan dan andaian yang masih memerlukan penjelasan. Tugas dokumen boleh menetapkan medan untuk diekstrak dan meminta halaman atau petikan sokongan di sebelah setiap penemuan.

Pengeluar menyatakan bahawa pemahaman audio dalam versi 1.3 belum disokong sepenuhnya dan mungkin menghasilkan respons yang merosot. Anggapnya sebagai had khusus versi dan bukannya menyalin keupayaan audio Muse Spark 1.2 atau model transkripsi yang dinamakan secara berasingan ke dalam huraian ini.

Tahap penaakulan dan bajet jawapan

Muse Spark menjana penaakulan dalaman sebelum jawapan yang kelihatan. Tahap usaha terdokumen yang terpakai di sini ialah minimal, low, medium, high dan xhigh. Tahap max khusus kepada Standard Muse Spark 1.3 dan tidak tersedia untuk model Contributor. Melumpuhkan penaakulan dengan none tidak disokong; mengabaikan tetapan itu masih membiarkan model menaakul pada tahap yang ditentukan model.

Bajet token output meliputi penaakulan dalaman dan teks yang kelihatan. Oleh itu, permintaan hasil bertulis yang panjang memerlukan ruang untuk kedua-duanya, terutamanya pada usaha penaakulan yang lebih tinggi. Penaakulan dalaman mentah kekal peribadi, dan kebarangkalian log tidak disokong sebagai ukuran keyakinan. Minta penjelasan, medan atau kod akhir yang diperlukan tugas dan bukannya menganggap jejak penaakulan asas akan dikembalikan sebagai teks yang boleh dibaca.

Untuk eksperimen pengekstrakan atau pemformatan terfokus, tetapkan rekod dan bahan sumber yang tepat. Untuk masalah pengekodan atau visual berbilang langkah, tetapkan keputusan perantaraan dan artifak akhir. Usaha penaakulan yang lebih tinggi mengubah peruntukan penaakulan; ia tidak dengan sendirinya menentukan hasil berguna yang dianggap selesai.

Alat dan penemuan berstruktur

Dokumentasi Muse Spark pengeluar menerangkan panggilan alat yang ditakrifkan pembangun dan output berstruktur. Aplikasi membekalkan takrif alat, model memutuskan operasi yang diperlukan dan menyediakan argumennya, dan aplikasi melaksanakan setiap panggilan serta mengembalikan hasil yang sepadan. Jawapan seterusnya boleh menggunakan hasil itu untuk memutuskan langkah seterusnya. Panggilan yang dicadangkan berbeza daripada operasi yang telah selesai.

Dokumentasi yang sama membezakan alat carian terbina dalam yang disambungkan daripada fungsi yang ditakrifkan pembangun. Carian atau pelaksanaan kod ialah sebahagian daripada persekitaran alat, bukannya modaliti kandungan tambahan bagi jawapan teks. Dalam prototaip, bekalkan hanya operasi yang berkaitan dengan soalan dan terangkan perkara yang dikembalikan oleh setiap operasi supaya jawapan berikutnya kekal berkait dengan maklumat sebenar yang diperoleh atau dikira.

Untuk pengekstrakan berstruktur, nyatakan nama medan, maklumat yang diperlukan dan perwakilan nilai yang tiada. Rekod praktikal boleh mengandungi pengecam sumber, fakta yang diperhatikan, tafsiran dan soalan yang masih memerlukan penjelasan. Asingkan rekod daripada prosa pilihan apabila aplikasi perlu memproses medan dengan cara yang boleh dipercayai. Antara muka skema pengeluar menolak skema rekursif dan mengehadkan sarangan kepada sepuluh peringkat. Mod strictnya memerlukan akar objek biasa, setiap sifat tersenarai diwajibkan dan sifat tambahan tidak dibenarkan. Struktur yang sepadan tidak membuktikan ketepatan fakta.

Tugas prototaip yang berguna

Pilih satu aliran kerja yang boleh menghasilkan artifak yang boleh disemak. Bekalkan keperluan, contoh visual dan kod yang menentukan tingkah laku semasa. Minta perbandingan ringkas, cadangan fragmen yang disemak semula dan contoh yang membezakan tingkah laku dijangka daripada tingkah laku semasa. Sertakan sebarang hasil carian atau pelaksanaan yang dikembalikan aplikasi sebelum meminta penjelasan akhir.

Untuk prototaip berorientasikan dokumen, berikan PDF dan soalan yang perlu dijawab, kemudian minta ringkasan berkaitan sumber atau jadual perbandingan. Untuk video, kenal pasti peristiwa atau hubungan visual yang perlu diperiksa dan minta huraian mengikut turutan bersama pemerhatian yang menyokongnya. Tetapkan panjang dan bahagian jawapan akhir supaya konteks besar model memenuhi soalan sebenar.

Sempadan edisi dan kesinambungan

Contributor kekal sebagai edisi 1.3 yang dinamakan tersendiri, dengan konteks dan jenis input yang didokumenkan. Panduan penaakulan Meta membezakan sejarah perbualan biasa daripada pemeliharaan penaakulan peribadi merentas giliran: antara muka sembang pengeluar tidak mengembalikan jejak peribadi itu kepada pemanggil luaran. Simpan mesej yang kelihatan, sumber dan hasil alat yang diperlukan untuk susulan dan bukannya menganggap setiap antara muka membawa penaakulan dalaman ke hadapan.

Sumber yang dibaca tidak menetapkan had maksimum mutlak token input atau output secara berasingan di luar tetingkap konteks. Kekalkan edisi, penyediaan input dan artifak yang diminta, serta hubungkan pelaksanaan alat dan penyampaian teks akhir dengan hasil yang benar-benar diperoleh dalam aliran kerja prototaip.

Tugas praktikal

Tugas praktikal

Contoh teknikal dalam bahasa Inggeris

Prototype and test a text-only helper

Design a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.

Hasil yang dijangka

A self-contained function, boundary-case assertions and explicit assumptions about input fields.

Semak hasil

Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta/muse-spark-1.3-contributor

meta/muse-spark-1.3-contributor

Meta /meta/muse-spark-1.3-contributor

Pengenalan

Muse Spark 1.3 Contributor ialah edisi penaakulan dalam keluarga agentik dan pengekodan Meta untuk aliran kerja prototaip. Pengeluarnya menyenaraikan input teks, imej, video dan PDF, output teks serta konteks 1,048,576 token, dengan tahap penaakulan sehingga xhigh dan bukannya max pada Standard 1.3.

Input yang diterima
Teks
Hasil
Teks

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Input
text
Output
text
Format output
json atau SSE
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
meta/muse-spark-1.3-contributor
Lalai—
MedanmessagesJenismessage[]KeperluanDiperlukanNilai & had
Item minimum: 1
Lalai—
Medanmessages[].roleJenisstringKeperluanDiperlukanNilai & 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[].contentJenisstring|content_part[]|nullKeperluanPilihanNilai & hadLalai—
Medanmessages[].tool_callsJenistool_call[]KeperluanPilihanNilai & hadLalai—
Medanmessages[].tool_call_idJenisstringKeperluanPilihanNilai & had
Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan
Lalai—
Medanmessages[].nameJenisstringKeperluanPilihanNilai & hadLalai—
Medanmessages[].reasoning_contentJenisstringKeperluanPilihanNilai & had
Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya
Lalai—
Medanmessages[].reasoning_detailsJenisobject|arrayKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanmax_tokensJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Bergantung pada model
Lalai—
Medanmax_completion_tokensJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Bergantung pada model
Lalai—
MedanstreamJenisbooleanKeperluanPilihanNilai & hadLalaifalse
Medanstream_options.include_usageJenisbooleanKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedantemperatureJenisnumberKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medantop_pJenisnumberKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedanstopJenisstring|string[]KeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedantoolsJenisfunction_tool[]KeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medantools[].typeJenisstringKeperluanPilihanNilai & had
function
Bergantung pada model
Lalai—
Medantools[].function.nameJenisstringKeperluanDiperlukanNilai & had
Terpakai apabila: alat fungsi dibekalkan
Lalai—
Medantools[].function.descriptionJenisstringKeperluanPilihanNilai & hadLalai—
Medantools[].function.parametersJenisJSON_schemaKeperluanPilihanNilai & hadLalai—
Medantool_choiceJenisstring|objectKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanparallel_tool_callsJenisbooleanKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanresponse_formatJenisobjectKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanreasoning_effortJenisstringKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedanreasoningJenisobjectKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanservice_tierJenisstringKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedaninstructionsJenisstringKeperluanPilihanNilai & had
Medan keserasian
Lalai—
MedanfunctionsJenisfunction[]KeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanfunction_callJenisstring|objectKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
Medanprompt_cache_optionsJenisobjectKeperluanPilihanNilai & had
Bergantung pada model
Lalai—
MedanmodalitiesJenisstring[]KeperluanPilihanNilai & had
text
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak pada laluan teks Ultra ini
Lalai—
Medancache_control.ttlJenisstringKeperluanPilihanNilai & had
Syarat: 1h ditolak pada lokasi cache prompt yang digunakan
Lalai—
Gabungan bahan input

Teks · Teks UTF8

messages[].content

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, messages
Parametermaterial_typesKontraktext
ParametermessagesKontraktatasusunan mesej dengan struktur role/content
Parameterfile_materialKontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan
Parameteroptional_controlsKontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametercontrol_scopeKontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan
Parameteroutput_modalitiesKontraktext
Parameterhosted_operationsKontrakfalse
Parametermultimodal_input_bindingKontraknull

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.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default
Usaha penaakulan · high
Kadar standard Apabila usaha penaakulan ditetapkan kepada high
Usaha penaakulan · low
Kadar standard Apabila usaha penaakulan ditetapkan kepada low
Usaha penaakulan · max
Kadar standard Apabila usaha penaakulan ditetapkan kepada max
Usaha penaakulan · medium
Kadar standard Apabila usaha penaakulan ditetapkan kepada medium
Usaha penaakulan · minimal
Kadar standard Apabila usaha penaakulan ditetapkan kepada minimal
Usaha penaakulan · xhigh
Kadar standard Apabila usaha penaakulan ditetapkan kepada xhigh

Kadar Ailoot

Harga mengikut konfigurasi

Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.

KonfigurasiJadual kadarToken konteks, melebihiToken konteks, sehingga dan termasukCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasToken konteks, melebihi—Token konteks, sehingga dan termasukTiada had atasCaj
Input · Token input $0.0002 / 1K token
Output · Token output $0.0004 / 1K token
Input · Bacaan cache $0.000004 / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token
KonfigurasiTahap panjang permintaan 1Jadual kadar—Token konteks, melebihi0Token konteks, sehingga dan termasukTiada had atasCaj
Input · Token input $0.0002 / 1K token
Output · Token output $0.0004 / 1K token
Input · Bacaan cache $0.000004 / 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 →

Contoh permintaan

Ailoot Ultra · OpenAI Chat

curlPython SDKPenstriman Python
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta/muse-spark-1.3-contributor", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("choices",[]):
    if x.get("message",{}).get("content"): print(x["message"]["content"])
PY_RESULT
from openai import OpenAI
import os

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

save_result(result.to_dict(mode="json"))
from openai import OpenAI
import os
from pathlib import Path

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        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
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Terima dan simpan hasil

Ailoot Ultra · OpenAI Chat

json atau SSE

Simpan semua hasil yang selesai

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.

Jika respons asal perlu disemak

Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.

Medan respons
MedanJenis
Medanchoices[].indexJenisinteger
Medanchoices[].message.contentJenisstring|null
Medanchoices[].message.tool_callsJenistool_call[]
Medanchoices[].message.reasoning_contentJenisstring
Medanchoices[].message.reasoning_detailsJenisobject|array
Medanchoices[].finish_reasonJenisstring|null
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra meta/muse-spark-1.3-contributor

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

meta/muse-spark-1.3-contributor

Ailoot Ultra · Anthropic Messages POST /v1/messages meta/muse-spark-1.3-contributor

meta/muse-spark-1.3-contributor

Meta /meta/muse-spark-1.3-contributor

Pengenalan

Muse Spark 1.3 Contributor ialah edisi penaakulan dalam keluarga agentik dan pengekodan Meta untuk aliran kerja prototaip. Pengeluarnya menyenaraikan input teks, imej, video dan PDF, output teks serta konteks 1,048,576 token, dengan tahap penaakulan sehingga xhigh dan bukannya max pada Standard 1.3.

Input yang diterima
Teks
Hasil
json · sse

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Anthropic Messages POST /v1/messages
Input
text
Output
json, sse
Format output
JSON atau SSE
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
meta/muse-spark-1.3-contributor
Lalai—
MedanmessagesJenismessage[]KeperluanDiperlukanNilai & hadLalai—
Medanmessages[].roleJenisstringKeperluanDiperlukanNilai & had
user, assistant
Lalai—
Medanmessages[].contentJenisstringKeperluanDiperlukanNilai & hadLalai—
Medanmax_tokensJenisintegerKeperluanDiperlukanNilai & hadLalai—
MedanstreamJenisbooleanKeperluanPilihanNilai & hadLalaifalse
Gabungan bahan input

Teks · Teks UTF-8

rentetan messages[].content

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, messages, max_tokens
Parameteroptional_controlsKontrakstream
Parametermaterial_typesKontraktext
Parametertext_file_materialKontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan.

Kitar hayat: synchronous_or_streamed

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Kadar standard Apabila mod pantas dipilih
Mod flex
Kadar standard Apabila mod flex dipilih
Usaha penaakulan maksimum
Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default
Usaha penaakulan · high
Kadar standard Apabila usaha penaakulan ditetapkan kepada high
Usaha penaakulan · low
Kadar standard Apabila usaha penaakulan ditetapkan kepada low
Usaha penaakulan · max
Kadar standard Apabila usaha penaakulan ditetapkan kepada max
Usaha penaakulan · medium
Kadar standard Apabila usaha penaakulan ditetapkan kepada medium
Usaha penaakulan · minimal
Kadar standard Apabila usaha penaakulan ditetapkan kepada minimal
Usaha penaakulan · xhigh
Kadar standard Apabila usaha penaakulan ditetapkan kepada xhigh

Kadar Ailoot

Harga mengikut konfigurasi

Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.

KonfigurasiJadual kadarToken konteks, melebihiToken konteks, sehingga dan termasukCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasToken konteks, melebihi—Token konteks, sehingga dan termasukTiada had atasCaj
Input · Token input $0.0002 / 1K token
Output · Token output $0.0004 / 1K token
Input · Bacaan cache $0.000004 / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token
KonfigurasiTahap panjang permintaan 1Jadual kadar—Token konteks, melebihi0Token konteks, sehingga dan termasukTiada had atasCaj
Input · Token input $0.0002 / 1K token
Output · Token output $0.0004 / 1K token
Input · Bacaan cache $0.000004 / 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 →

Contoh permintaan

Ailoot Ultra · Anthropic Messages

Badan JSON minimum yang lengkapcurl · gunakan dokumen UTF-8 andaPython · simpan hasil lengkap
{
  "model": "meta/muse-spark-1.3-contributor",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))
PY_RESULT
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

api_key = os.environ['AILOOT_API_KEY']
if not api_key.strip():
    raise SystemExit('Set AILOOT_API_KEY before making a request')
headers = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}
headers['x-api-key'] = api_key
request = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')
try:
    with urlopen(request, timeout=120) as response:
        raw = response.read()
        Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')
except HTTPError as error:
    Path('result.json').write_bytes(error.read())
    Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')
    raise
Path('result.json').write_bytes(raw)
import json
from pathlib import Path

result = json.loads(Path('result.json').read_text(encoding='utf-8'))
print(json.dumps(result, ensure_ascii=False, indent=2))

Terima dan simpan hasil

Ailoot Ultra · Anthropic Messages

JSON atau SSE

Simpan semua hasil yang selesai

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.

Jika respons asal perlu disemak

Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.

Medan respons
MedanJenis
MedanidJenisstring
MedanmodelJenisstring
Medancontent[]Jenistext|thinking|tool_use|other content block
Medanstop_reasonJenisstring|null
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.

Alias

Alias model

Ailoot Ultra meta/muse-spark-1.3-contributor

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

meta/muse-spark-1.3-contributor

FAQ · Meta: Muse Spark 1.3 Contributor
Apakah input dan hasil yang tersedia?

POST /v1/chat/completions · meta/muse-spark-1.3-contributor: text → text

POST /v1/messages · meta/muse-spark-1.3-contributor: text → json, sse

Apakah medan yang digunakan oleh permintaan?

POST /v1/chat/completions · meta/muse-spark-1.3-contributor: model, messages, stream, modalities, provider

POST /v1/messages · meta/muse-spark-1.3-contributor: model, messages, max_tokens, stream

Apakah had yang terpakai?

POST /v1/chat/completions · meta/muse-spark-1.3-contributor: messages.min_items: 1

Butiran lanjut

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan
Pilih pelan berdiskaun untuk permintaan berkala anda.
Kod promosi sehingga 50%
Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.
Perbelanjaan dalam sejarah
Model, token dan jumlah disimpan bagi setiap permintaan.

Pilih langganan · Lihat harga model

Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial
Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.
Lesen penjual semula
Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.
Dokumen pada laman
Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

Mohon lesen penjual semula · Tawaran dan perjanjian lesen