Muse Spark 1.1 er Meta Superintelligence Labs' multimodale resonneringsmodell for agentarbeid, kodearbeid og arbeidsflyter med datamaskinbruk. Produsentens opprinnelige utgave fremhever planlegging, orkestrering, konteksthåndtering og kombinasjonen av visuelt kildegrunnlag med handlinger levert av verktøy. De dokumenterte utdataene er tekst; applikasjonen rundt modellen leverer selve utføringen og de gjengitte artefaktene.
Agentplanlegging og lang kontekst
Utgaven beskriver tilpasning til native verktøy, egendefinerte funksjoner og agentmiljøer. Som hovedagent kan modellen samle kontekst, lage en plan og delegere definert arbeid; i en delegert rolle følger den den tildelte oppgaven og kan eskalere en hindring. Dette er funksjoner som brukes av et agentmiljø, fremfor en samling underagenter som automatisk opprettes av ett tekstsvar.
Produsentens modelltabell angir en kontekst på 1,048,576 tokener. 1.1-utgaven beskriver å huske tidligere arbeid og komprimere informasjonen som trengs i senere trinn. En nyttig oppgave bør identifisere mål, kildemateriale og sluttartefakt, med viktige beslutninger og verktøyresultater uttrykkelig bevart. En stor kontekst bidrar til å holde beslektet informasjon samlet, men definerer ikke hvilket krav resultatet må oppfylle.
For et langt prosjektspørsmål merker du kildedokumentene og ber om det relevante kravet, plasseringen og det uavklarte vilkåret. For en plan ber du om handlingene i en rekkefølge knyttet til de oppgitte begrensningene og angir hvilket resultat som vil fullføre hvert trinn. Behold de synlige funnene og resultatene ved oppfølging, fremfor å anta at et uspesifisert minne inneholder alle tidligere fakta.
Datamaskinbruk og kodearbeid
Produsenten beskriver datamaskinarbeidsflyter på tvers av skiftende applikasjoner, der modellen velger mellom direkte grensesnittinteraksjon og skriptbasert automatisering i et tilkoblet miljø. Et skjermbilde kan gi den synlige tilstanden, og en tekstinstruksjon kan definere brukerens mål. Be om den relevante kontrollen, den foreslåtte operasjonen og kildegrunnlaget som støtter den, og returner deretter den faktiske nye tilstanden dersom miljøet utfører operasjonen.
For kodearbeid beskriver utgaven diagnostisering av feil, implementering av funksjoner og håndtering av kodemigreringer. Feilsøkingsdemonstrasjonen kombinerer kodegenerering, skjermbilder, lokalisering av en feil og undersøkelse av rettelsen. En praktisk forespørsel kan legge ved feilende atferd, berørt kildekode og forventet resultat og deretter be om den foreslåtte endringen med det offentlige grensesnittet bevart. Kodekjøring og filendring forblir operasjoner som leveres av applikasjonsverktøyene.
Gi modellen koden og deklarasjonene som bestemmer atferden. For en forklaring legger du ved en inndata som skal spores; for en endring angir du resultat og begrensninger; for en visuell implementering tar du med skjermbildet og interaksjonene bildet ikke viser. Be om artefaktet atskilt fra forutsetningene og tilbakemeldingen som trengs for å undersøke det.
Multimodale inndata
Modelltabellen dokumenterer tekst, bilder, video, lyd og PDF som inndata for 1.1, med tekstutdata. Utgaven beskriver detaljerte bilde- og videobeskrivelser, generering av kode fra visuelt materiale og bruk av perseptuelle detaljer gjennom en lengre arbeidsflyt. Et dokumentspørsmål kan be om kildeknyttede felt eller en sammenligning; et videospørsmål kan identifisere hendelsen eller sekvensen som skal beskrives; et audiovisuelt spørsmål kan angi hvilken muntlig og synlig informasjon som er viktig.
Modellens utdata forblir en skriftlig forklaring, et strukturert resultat eller foreslått kode. Et generert bilde, syntetisert tale eller en fullført ekstern handling krever en separat levert komponent. Behold kildeidentifikatorer, etiketter, enheter og relevante segmenter, slik at tekstresultatet kan sammenlignes med originalmaterialet.
Resonnering, verktøy og strukturerte utdata
Muse Sparks resonneringsveiledning dokumenterer minimal, low, medium, high og xhigh for denne utgaven. Max er en senere innstilling i Standard 1.3, og none støttes ikke. Resonnering skjer også uten en uttrykkelig innsatsverdi, og utdatabudsjettet dekker både den private interne resonneringen og det synlige svaret. Rå resonnering og logaritmiske sannsynligheter eksponeres ikke som vanlige konfidens- eller forklaringsfelt.
Utviklerdefinerte verktøykall følger en syklus: applikasjonen leverer operasjoner, modellen forbereder argumenter, applikasjonen utfører hvert kall og returnerer resultatet, og neste svar bruker utfallet. Et verktøykall kan be om informasjon eller en operasjon; det er ikke i seg selv bevis for at operasjonen ble fullført. Hold det opprinnelige kallet og resultatet knyttet sammen gjennom samtalen.
Produsenten dokumenterer også strukturert tekst begrenset av et vedlagt JSON-skjema. Definer feltene applikasjonen trenger, og typene deres, og hold kildeinformasjon atskilt fra tolkning når de har forskjellige formål. En strukturert form fastslår ikke faktisk korrekthet; originalkildene og de faktiske verktøyresultatene bestemmer fortsatt innholdet i et svar som kan undersøkes.
Utgave- og kontinuitetsgrenser
Muse Spark 1.1 forblir sin egen utgave. De spesifikke kodeendringene i 1.2, oppdateringene for langvarig oppgaveatferd i 1.3 og innstillingen max i Standard 1.3 skal ikke tilordnes den bare fordi familien er felles. Produsentens chatgrensesnitt gir ikke eksterne kallere privat resonnering som kan spilles av på nytt, så behold synlig historikk og bruk kontinuitetsmekanismene det tilkoblede grensesnittet tilbyr.
De leste kildene angir ingen separate absolutte maksimale kapasiteter for inndata- eller utdatatokener utover den dokumenterte konteksten. Definer det nødvendige tekstartefaktet og behold kildegrunnlaget som trengs for hver handling eller konklusjon, og hold modellens planlegging og persepsjon atskilt fra miljøet som utfører de foreslåtte operasjonene.
", "aboutText": "Muse Spark 1.1 er Meta Superintelligence Labs' multimodale resonneringsmodell for agentarbeid, kodearbeid og arbeidsflyter med datamaskinbruk. Produsentens opprinnelige utgave fremhever planlegging, orkestrering, konteksthåndtering og kombinasjonen av visuelt kildegrunnlag med handlinger levert av verktøy. De dokumenterte utdataene er tekst; applikasjonen rundt modellen leverer selve utføringen og de gjengitte artefaktene.\n\nAgentplanlegging og lang kontekst\n\nUtgaven beskriver tilpasning til native verktøy, egendefinerte funksjoner og agentmiljøer. Som hovedagent kan modellen samle kontekst, lage en plan og delegere definert arbeid; i en delegert rolle følger den den tildelte oppgaven og kan eskalere en hindring. Dette er funksjoner som brukes av et agentmiljø, fremfor en samling underagenter som automatisk opprettes av ett tekstsvar.\n\nProdusentens modelltabell angir en kontekst på 1,048,576 tokener. 1.1-utgaven beskriver å huske tidligere arbeid og komprimere informasjonen som trengs i senere trinn. En nyttig oppgave bør identifisere mål, kildemateriale og sluttartefakt, med viktige beslutninger og verktøyresultater uttrykkelig bevart. En stor kontekst bidrar til å holde beslektet informasjon samlet, men definerer ikke hvilket krav resultatet må oppfylle.\n\nFor et langt prosjektspørsmål merker du kildedokumentene og ber om det relevante kravet, plasseringen og det uavklarte vilkåret. For en plan ber du om handlingene i en rekkefølge knyttet til de oppgitte begrensningene og angir hvilket resultat som vil fullføre hvert trinn. Behold de synlige funnene og resultatene ved oppfølging, fremfor å anta at et uspesifisert minne inneholder alle tidligere fakta.\n\nDatamaskinbruk og kodearbeid\n\nProdusenten beskriver datamaskinarbeidsflyter på tvers av skiftende applikasjoner, der modellen velger mellom direkte grensesnittinteraksjon og skriptbasert automatisering i et tilkoblet miljø. Et skjermbilde kan gi den synlige tilstanden, og en tekstinstruksjon kan definere brukerens mål. Be om den relevante kontrollen, den foreslåtte operasjonen og kildegrunnlaget som støtter den, og returner deretter den faktiske nye tilstanden dersom miljøet utfører operasjonen.\n\nFor kodearbeid beskriver utgaven diagnostisering av feil, implementering av funksjoner og håndtering av kodemigreringer. Feilsøkingsdemonstrasjonen kombinerer kodegenerering, skjermbilder, lokalisering av en feil og undersøkelse av rettelsen. En praktisk forespørsel kan legge ved feilende atferd, berørt kildekode og forventet resultat og deretter be om den foreslåtte endringen med det offentlige grensesnittet bevart. Kodekjøring og filendring forblir operasjoner som leveres av applikasjonsverktøyene.\n\nGi modellen koden og deklarasjonene som bestemmer atferden. For en forklaring legger du ved en inndata som skal spores; for en endring angir du resultat og begrensninger; for en visuell implementering tar du med skjermbildet og interaksjonene bildet ikke viser. Be om artefaktet atskilt fra forutsetningene og tilbakemeldingen som trengs for å undersøke det.\n\nMultimodale inndata\n\nModelltabellen dokumenterer tekst, bilder, video, lyd og PDF som inndata for 1.1, med tekstutdata. Utgaven beskriver detaljerte bilde- og videobeskrivelser, generering av kode fra visuelt materiale og bruk av perseptuelle detaljer gjennom en lengre arbeidsflyt. Et dokumentspørsmål kan be om kildeknyttede felt eller en sammenligning; et videospørsmål kan identifisere hendelsen eller sekvensen som skal beskrives; et audiovisuelt spørsmål kan angi hvilken muntlig og synlig informasjon som er viktig.\n\nModellens utdata forblir en skriftlig forklaring, et strukturert resultat eller foreslått kode. Et generert bilde, syntetisert tale eller en fullført ekstern handling krever en separat levert komponent. Behold kildeidentifikatorer, etiketter, enheter og relevante segmenter, slik at tekstresultatet kan sammenlignes med originalmaterialet.\n\nResonnering, verktøy og strukturerte utdata\n\nMuse Sparks resonneringsveiledning dokumenterer minimal, low, medium, high og xhigh for denne utgaven. Max er en senere innstilling i Standard 1.3, og none støttes ikke. Resonnering skjer også uten en uttrykkelig innsatsverdi, og utdatabudsjettet dekker både den private interne resonneringen og det synlige svaret. Rå resonnering og logaritmiske sannsynligheter eksponeres ikke som vanlige konfidens- eller forklaringsfelt.\n\nUtviklerdefinerte verktøykall følger en syklus: applikasjonen leverer operasjoner, modellen forbereder argumenter, applikasjonen utfører hvert kall og returnerer resultatet, og neste svar bruker utfallet. Et verktøykall kan be om informasjon eller en operasjon; det er ikke i seg selv bevis for at operasjonen ble fullført. Hold det opprinnelige kallet og resultatet knyttet sammen gjennom samtalen.\n\nProdusenten dokumenterer også strukturert tekst begrenset av et vedlagt JSON-skjema. Definer feltene applikasjonen trenger, og typene deres, og hold kildeinformasjon atskilt fra tolkning når de har forskjellige formål. En strukturert form fastslår ikke faktisk korrekthet; originalkildene og de faktiske verktøyresultatene bestemmer fortsatt innholdet i et svar som kan undersøkes.\n\nUtgave- og kontinuitetsgrenser\n\nMuse Spark 1.1 forblir sin egen utgave. De spesifikke kodeendringene i 1.2, oppdateringene for langvarig oppgaveatferd i 1.3 og innstillingen max i Standard 1.3 skal ikke tilordnes den bare fordi familien er felles. Produsentens chatgrensesnitt gir ikke eksterne kallere privat resonnering som kan spilles av på nytt, så behold synlig historikk og bruk kontinuitetsmekanismene det tilkoblede grensesnittet tilbyr.\n\nDe leste kildene angir ingen separate absolutte maksimale kapasiteter for inndata- eller utdatatokener utover den dokumenterte konteksten. Definer det nødvendige tekstartefaktet og behold kildegrunnlaget som trengs for hver handling eller konklusjon, og hold modellens planlegging og persepsjon atskilt fra miljøet som utfører de foreslåtte operasjonene.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Metas multimodale resonneringsmodell for agenter, datamaskinbruk og kodearbeid. Den arbeider med omfattende tekstlig og visuell kontekst, produserer tekst og foreslåtte verktøyhandlinger og har en produsentangitt kontekst på 1,048,576 tokener med resonneringsnivåer til og med xhigh.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Muse Spark 1.1 er Meta Superintelligence Labs' multimodale resonneringsmodell for agentarbeid, kodearbeid og arbeidsflyter med datamaskinbruk. Produsentens opprinnelige utgave fremhever planlegging, orkestrering, konteksthåndtering og kombinasjonen av visuelt kildegrunnlag med handlinger levert av verktøy. De dokumenterte utdataene er tekst; applikasjonen rundt modellen leverer selve utføringen og de gjengitte artefaktene.
Agentplanlegging og lang kontekst
Utgaven beskriver tilpasning til native verktøy, egendefinerte funksjoner og agentmiljøer. Som hovedagent kan modellen samle kontekst, lage en plan og delegere definert arbeid; i en delegert rolle følger den den tildelte oppgaven og kan eskalere en hindring. Dette er funksjoner som brukes av et agentmiljø, fremfor en samling underagenter som automatisk opprettes av ett tekstsvar.
Produsentens modelltabell angir en kontekst på 1,048,576 tokener. 1.1-utgaven beskriver å huske tidligere arbeid og komprimere informasjonen som trengs i senere trinn. En nyttig oppgave bør identifisere mål, kildemateriale og sluttartefakt, med viktige beslutninger og verktøyresultater uttrykkelig bevart. En stor kontekst bidrar til å holde beslektet informasjon samlet, men definerer ikke hvilket krav resultatet må oppfylle.
For et langt prosjektspørsmål merker du kildedokumentene og ber om det relevante kravet, plasseringen og det uavklarte vilkåret. For en plan ber du om handlingene i en rekkefølge knyttet til de oppgitte begrensningene og angir hvilket resultat som vil fullføre hvert trinn. Behold de synlige funnene og resultatene ved oppfølging, fremfor å anta at et uspesifisert minne inneholder alle tidligere fakta.
Datamaskinbruk og kodearbeid
Produsenten beskriver datamaskinarbeidsflyter på tvers av skiftende applikasjoner, der modellen velger mellom direkte grensesnittinteraksjon og skriptbasert automatisering i et tilkoblet miljø. Et skjermbilde kan gi den synlige tilstanden, og en tekstinstruksjon kan definere brukerens mål. Be om den relevante kontrollen, den foreslåtte operasjonen og kildegrunnlaget som støtter den, og returner deretter den faktiske nye tilstanden dersom miljøet utfører operasjonen.
For kodearbeid beskriver utgaven diagnostisering av feil, implementering av funksjoner og håndtering av kodemigreringer. Feilsøkingsdemonstrasjonen kombinerer kodegenerering, skjermbilder, lokalisering av en feil og undersøkelse av rettelsen. En praktisk forespørsel kan legge ved feilende atferd, berørt kildekode og forventet resultat og deretter be om den foreslåtte endringen med det offentlige grensesnittet bevart. Kodekjøring og filendring forblir operasjoner som leveres av applikasjonsverktøyene.
Gi modellen koden og deklarasjonene som bestemmer atferden. For en forklaring legger du ved en inndata som skal spores; for en endring angir du resultat og begrensninger; for en visuell implementering tar du med skjermbildet og interaksjonene bildet ikke viser. Be om artefaktet atskilt fra forutsetningene og tilbakemeldingen som trengs for å undersøke det.
Multimodale inndata
Modelltabellen dokumenterer tekst, bilder, video, lyd og PDF som inndata for 1.1, med tekstutdata. Utgaven beskriver detaljerte bilde- og videobeskrivelser, generering av kode fra visuelt materiale og bruk av perseptuelle detaljer gjennom en lengre arbeidsflyt. Et dokumentspørsmål kan be om kildeknyttede felt eller en sammenligning; et videospørsmål kan identifisere hendelsen eller sekvensen som skal beskrives; et audiovisuelt spørsmål kan angi hvilken muntlig og synlig informasjon som er viktig.
Modellens utdata forblir en skriftlig forklaring, et strukturert resultat eller foreslått kode. Et generert bilde, syntetisert tale eller en fullført ekstern handling krever en separat levert komponent. Behold kildeidentifikatorer, etiketter, enheter og relevante segmenter, slik at tekstresultatet kan sammenlignes med originalmaterialet.
Resonnering, verktøy og strukturerte utdata
Muse Sparks resonneringsveiledning dokumenterer minimal, low, medium, high og xhigh for denne utgaven. Max er en senere innstilling i Standard 1.3, og none støttes ikke. Resonnering skjer også uten en uttrykkelig innsatsverdi, og utdatabudsjettet dekker både den private interne resonneringen og det synlige svaret. Rå resonnering og logaritmiske sannsynligheter eksponeres ikke som vanlige konfidens- eller forklaringsfelt.
Utviklerdefinerte verktøykall følger en syklus: applikasjonen leverer operasjoner, modellen forbereder argumenter, applikasjonen utfører hvert kall og returnerer resultatet, og neste svar bruker utfallet. Et verktøykall kan be om informasjon eller en operasjon; det er ikke i seg selv bevis for at operasjonen ble fullført. Hold det opprinnelige kallet og resultatet knyttet sammen gjennom samtalen.
Produsenten dokumenterer også strukturert tekst begrenset av et vedlagt JSON-skjema. Definer feltene applikasjonen trenger, og typene deres, og hold kildeinformasjon atskilt fra tolkning når de har forskjellige formål. En strukturert form fastslår ikke faktisk korrekthet; originalkildene og de faktiske verktøyresultatene bestemmer fortsatt innholdet i et svar som kan undersøkes.
Utgave- og kontinuitetsgrenser
Muse Spark 1.1 forblir sin egen utgave. De spesifikke kodeendringene i 1.2, oppdateringene for langvarig oppgaveatferd i 1.3 og innstillingen max i Standard 1.3 skal ikke tilordnes den bare fordi familien er felles. Produsentens chatgrensesnitt gir ikke eksterne kallere privat resonnering som kan spilles av på nytt, så behold synlig historikk og bruk kontinuitetsmekanismene det tilkoblede grensesnittet tilbyr.
De leste kildene angir ingen separate absolutte maksimale kapasiteter for inndata- eller utdatatokener utover den dokumenterte konteksten. Definer det nødvendige tekstartefaktet og behold kildegrunnlaget som trengs for hver handling eller konklusjon, og hold modellens planlegging og persepsjon atskilt fra miljøet som utfører de foreslåtte operasjonene.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta/muse-spark-1.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.0085 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.0085 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra meta/muse-spark-1.1
Bruk metodestiene som vises ovenfor.
meta/muse-spark-1.1Muse Spark 1.1 er Metas multimodale resonneringsmodell for agenter, datamaskinbruk og kodearbeid. Den arbeider med omfattende tekstlig og visuell kontekst, produserer tekst og foreslåtte verktøyhandlinger og har en produsentangitt kontekst på 1,048,576 tokener med resonneringsnivåer til og med xhigh.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Muse Spark 1.1 er Meta Superintelligence Labs' multimodale resonneringsmodell for agentarbeid, kodearbeid og arbeidsflyter med datamaskinbruk. Produsentens opprinnelige utgave fremhever planlegging, orkestrering, konteksthåndtering og kombinasjonen av visuelt kildegrunnlag med handlinger levert av verktøy. De dokumenterte utdataene er tekst; applikasjonen rundt modellen leverer selve utføringen og de gjengitte artefaktene.
Agentplanlegging og lang kontekst
Utgaven beskriver tilpasning til native verktøy, egendefinerte funksjoner og agentmiljøer. Som hovedagent kan modellen samle kontekst, lage en plan og delegere definert arbeid; i en delegert rolle følger den den tildelte oppgaven og kan eskalere en hindring. Dette er funksjoner som brukes av et agentmiljø, fremfor en samling underagenter som automatisk opprettes av ett tekstsvar.
Produsentens modelltabell angir en kontekst på 1,048,576 tokener. 1.1-utgaven beskriver å huske tidligere arbeid og komprimere informasjonen som trengs i senere trinn. En nyttig oppgave bør identifisere mål, kildemateriale og sluttartefakt, med viktige beslutninger og verktøyresultater uttrykkelig bevart. En stor kontekst bidrar til å holde beslektet informasjon samlet, men definerer ikke hvilket krav resultatet må oppfylle.
For et langt prosjektspørsmål merker du kildedokumentene og ber om det relevante kravet, plasseringen og det uavklarte vilkåret. For en plan ber du om handlingene i en rekkefølge knyttet til de oppgitte begrensningene og angir hvilket resultat som vil fullføre hvert trinn. Behold de synlige funnene og resultatene ved oppfølging, fremfor å anta at et uspesifisert minne inneholder alle tidligere fakta.
Datamaskinbruk og kodearbeid
Produsenten beskriver datamaskinarbeidsflyter på tvers av skiftende applikasjoner, der modellen velger mellom direkte grensesnittinteraksjon og skriptbasert automatisering i et tilkoblet miljø. Et skjermbilde kan gi den synlige tilstanden, og en tekstinstruksjon kan definere brukerens mål. Be om den relevante kontrollen, den foreslåtte operasjonen og kildegrunnlaget som støtter den, og returner deretter den faktiske nye tilstanden dersom miljøet utfører operasjonen.
For kodearbeid beskriver utgaven diagnostisering av feil, implementering av funksjoner og håndtering av kodemigreringer. Feilsøkingsdemonstrasjonen kombinerer kodegenerering, skjermbilder, lokalisering av en feil og undersøkelse av rettelsen. En praktisk forespørsel kan legge ved feilende atferd, berørt kildekode og forventet resultat og deretter be om den foreslåtte endringen med det offentlige grensesnittet bevart. Kodekjøring og filendring forblir operasjoner som leveres av applikasjonsverktøyene.
Gi modellen koden og deklarasjonene som bestemmer atferden. For en forklaring legger du ved en inndata som skal spores; for en endring angir du resultat og begrensninger; for en visuell implementering tar du med skjermbildet og interaksjonene bildet ikke viser. Be om artefaktet atskilt fra forutsetningene og tilbakemeldingen som trengs for å undersøke det.
Multimodale inndata
Modelltabellen dokumenterer tekst, bilder, video, lyd og PDF som inndata for 1.1, med tekstutdata. Utgaven beskriver detaljerte bilde- og videobeskrivelser, generering av kode fra visuelt materiale og bruk av perseptuelle detaljer gjennom en lengre arbeidsflyt. Et dokumentspørsmål kan be om kildeknyttede felt eller en sammenligning; et videospørsmål kan identifisere hendelsen eller sekvensen som skal beskrives; et audiovisuelt spørsmål kan angi hvilken muntlig og synlig informasjon som er viktig.
Modellens utdata forblir en skriftlig forklaring, et strukturert resultat eller foreslått kode. Et generert bilde, syntetisert tale eller en fullført ekstern handling krever en separat levert komponent. Behold kildeidentifikatorer, etiketter, enheter og relevante segmenter, slik at tekstresultatet kan sammenlignes med originalmaterialet.
Resonnering, verktøy og strukturerte utdata
Muse Sparks resonneringsveiledning dokumenterer minimal, low, medium, high og xhigh for denne utgaven. Max er en senere innstilling i Standard 1.3, og none støttes ikke. Resonnering skjer også uten en uttrykkelig innsatsverdi, og utdatabudsjettet dekker både den private interne resonneringen og det synlige svaret. Rå resonnering og logaritmiske sannsynligheter eksponeres ikke som vanlige konfidens- eller forklaringsfelt.
Utviklerdefinerte verktøykall følger en syklus: applikasjonen leverer operasjoner, modellen forbereder argumenter, applikasjonen utfører hvert kall og returnerer resultatet, og neste svar bruker utfallet. Et verktøykall kan be om informasjon eller en operasjon; det er ikke i seg selv bevis for at operasjonen ble fullført. Hold det opprinnelige kallet og resultatet knyttet sammen gjennom samtalen.
Produsenten dokumenterer også strukturert tekst begrenset av et vedlagt JSON-skjema. Definer feltene applikasjonen trenger, og typene deres, og hold kildeinformasjon atskilt fra tolkning når de har forskjellige formål. En strukturert form fastslår ikke faktisk korrekthet; originalkildene og de faktiske verktøyresultatene bestemmer fortsatt innholdet i et svar som kan undersøkes.
Utgave- og kontinuitetsgrenser
Muse Spark 1.1 forblir sin egen utgave. De spesifikke kodeendringene i 1.2, oppdateringene for langvarig oppgaveatferd i 1.3 og innstillingen max i Standard 1.3 skal ikke tilordnes den bare fordi familien er felles. Produsentens chatgrensesnitt gir ikke eksterne kallere privat resonnering som kan spilles av på nytt, så behold synlig historikk og bruk kontinuitetsmekanismene det tilkoblede grensesnittet tilbyr.
De leste kildene angir ingen separate absolutte maksimale kapasiteter for inndata- eller utdatatokener utover den dokumenterte konteksten. Definer det nødvendige tekstartefaktet og behold kildegrunnlaget som trengs for hver handling eller konklusjon, og hold modellens planlegging og persepsjon atskilt fra miljøet som utfører de foreslåtte operasjonene.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser meta/muse-spark-1.1 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.0085 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0025 / 1K tokener Utdata · Utgående tokener $0.0085 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0003 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra meta/muse-spark-1.1
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.