Muse Spark 1.2 is een op programmeren gerichte update van Muse Spark 1.1 van Meta, met nadruk op multimodaal begrip en visueel redeneren. De demonstraties van de maker verbinden afbeeldingen en video met digitale resultaten zoals webpagina’s en games, terwijl de modeltabel een context van 1.048.576 tokens en tekstuitvoer vermeldt. Deze vermelding betreft Standard 1.2, los van Contributor 1.2 en de latere 1.3.
Visueel programmeren
De release beschrijft het vertalen van visuele indeling, hiërarchie en stijl naar werkende code en het vervolgens inspecteren van het resultaat met tools. Lever voor een bruikbare taak de afbeelding of clip samen met het te implementeren gedrag aan. Een screenshot kan het uiterlijk tonen maar interacties onbepaald laten; benoem daarom de bedieningselementen, toestanden en verwachte reactie op gebruikersacties die het resultaat moet bevatten.
Vraag afzonderlijk om de zichtbare structuur, de voorgestelde implementatie en de aannamen. Een taak voor paginareconstructie kan bijvoorbeeld de benoemde secties en visuele relaties uit de referentie vereisen en vervolgens vragen om de code voor één afgebakende interactie. Het renderen en uitproberen van die code vereist de gekoppelde omgeving; het resulterende screenshot of de uitvoeringsfeedback kan invoer voor de volgende correctie worden.
De maker noemt naast codegeneratie ook grafiekbegrip en visueel redeneren. Behoud de assen, eenheden en labels in een grafiek en vraag om de waarneming die elke conclusie ondersteunt. Benoem voor een diagram het uit te leggen verband en de te behouden bronlabels. Maak bij een documentafbeelding onderscheid tussen een transcriptie van de zichtbare tekst en een samenvatting of interpretatie.
Ruimtelijke en audiovisuele workflows
De aankondiging van 1.2 bespreekt ook een gespecialiseerde roboticavariant en een systeem met twee niveaus voor planning en actie. Dit zijn afzonderlijke experimentele onderdelen: een model op hoog niveau redeneert over de scène en deeltaken, terwijl een afzonderlijk vision-language-action-beleid acties op laag niveau uitvoert. Het Standard-model met tekstuitvoer mag niet als een robotactuator worden beschreven alleen omdat de familierelease die demonstratie bevat.
Voor de Standard-versie documenteert de modeltabel tekst, afbeeldingen, video, audio en PDF’s als invoer. Een audiovisuele taak kan vragen naar de gebeurtenis of gesproken voorwaarde die relevant is voor een vraag en een geordend verslag van het ondersteunende materiaal teruggeven. Benoem het relevante segment en de vorm van het antwoord, in plaats van om een ongerichte samenvatting van elke modaliteit te vragen.
De voorbeelden van de maker combineren videobegrip, gedetailleerde beschrijvingen en inspectie met tools. Een praktische workflow kan een demonstratie vergelijken met de schriftelijke procedure, vragen om de zichtbare overeenkomsten en verschillen en vervolgens een tekstresultaat voor een latere applicatiestap voorbereiden. Gegenereerde tekst, code en gestructureerde bevindingen zijn de gedocumenteerde uitvoer; beeld- of spraakgeneratie hoort bij afzonderlijk benoemde componenten.
Redeneerinstellingen en context
Muse Spark redeneert intern voordat het zichtbare tekst produceert. De gedocumenteerde inspanningsniveaus voor 1.2 zijn minimal, low, medium, high en xhigh. max hoort bij Standard 1.3 en none is geen ondersteunde manier om redeneren uit te schakelen. Wanneer geen inspanning wordt gespecificeerd, gebruikt het model een zelf bepaald niveau.
De context van 1.048.576 tokens kan samenhangend bronmateriaal en gesprekken vasthouden, maar het doel en het eindresultaat moeten nog steeds worden gedefinieerd. Benoem voor een lange documenttaak de vraag, geef elke bron een label en behoud de locatie naast de geëxtraheerde informatie. Redeneertokens en tokens van het zichtbare antwoord delen het uitvoerbudget; reserveer daarom voldoende ruimte voor de uitleg of code die de taak daadwerkelijk nodig heeft.
De ruwe interne redenering wordt niet als gewone tekst beschikbaar gesteld. De chatinterface van de maker draagt voor externe aanroepers ook geen leesbaar privéspoor over tussen gespreksbeurten; bewaar de zichtbare berichten, bronnen en teruggegeven tooluitkomsten die een vervolgstap nodig heeft. Logwaarschijnlijkheden worden niet ondersteund, dus het model biedt die functie niet als betrouwbaarheidsmaat voor zijn conclusies.
Tools en gestructureerde resultaten
De applicatie beschrijft ontwikkelaarsfuncties, het model genereert de voorgestelde aanroepen en argumenten en de applicatie voert ze uit en geeft voor elke aanroep het resultaat terug. Het model kan vervolgens de werkelijke feedback inspecteren en de volgende stap kiezen. De nadruk van de release op het onderzoeken van zowel visuele invoer als gegenereerde resultaten hangt ervan af dat die tools deel uitmaken van de omgeving.
Gestructureerde uitvoer kan de tekst beperken tot een gedefinieerd JSON-schema. Een visuele extractieregistratie kan de bronafbeelding, het object of label, de waargenomen waarde en de interpretatie bevatten. Een codereview kan het betrokken symbool, de afwijking en de voorgestelde wijziging benoemen. De strikte modus van de maker vereist een gewoon object als hoofdelement, alle vermelde eigenschappen als verplicht en geen extra eigenschappen; recursieve schema’s worden geweigerd.
Definieer de juistheid van het resultaat in praktische termen: welke brondetails het moet behouden, hoe een interactie moet verlopen en welke teruggegeven feedback dat gedrag zou aantonen. De geraadpleegde bronnen geven geen onafhankelijke maximale capaciteit voor invoer- of uitvoertokens buiten de modelcontext. Behoud de editie Standard 1.2 en het verschil tussen een voorgesteld tekstresultaat en het uitvoerings- of renderresultaat waarmee het wordt geïnspecteerd.
", "aboutText": "Muse Spark 1.2 is een op programmeren gerichte update van Muse Spark 1.1 van Meta, met nadruk op multimodaal begrip en visueel redeneren. De demonstraties van de maker verbinden afbeeldingen en video met digitale resultaten zoals webpagina’s en games, terwijl de modeltabel een context van 1.048.576 tokens en tekstuitvoer vermeldt. Deze vermelding betreft Standard 1.2, los van Contributor 1.2 en de latere 1.3.\n\nVisueel programmeren\n\nDe release beschrijft het vertalen van visuele indeling, hiërarchie en stijl naar werkende code en het vervolgens inspecteren van het resultaat met tools. Lever voor een bruikbare taak de afbeelding of clip samen met het te implementeren gedrag aan. Een screenshot kan het uiterlijk tonen maar interacties onbepaald laten; benoem daarom de bedieningselementen, toestanden en verwachte reactie op gebruikersacties die het resultaat moet bevatten.\n\nVraag afzonderlijk om de zichtbare structuur, de voorgestelde implementatie en de aannamen. Een taak voor paginareconstructie kan bijvoorbeeld de benoemde secties en visuele relaties uit de referentie vereisen en vervolgens vragen om de code voor één afgebakende interactie. Het renderen en uitproberen van die code vereist de gekoppelde omgeving; het resulterende screenshot of de uitvoeringsfeedback kan invoer voor de volgende correctie worden.\n\nDe maker noemt naast codegeneratie ook grafiekbegrip en visueel redeneren. Behoud de assen, eenheden en labels in een grafiek en vraag om de waarneming die elke conclusie ondersteunt. Benoem voor een diagram het uit te leggen verband en de te behouden bronlabels. Maak bij een documentafbeelding onderscheid tussen een transcriptie van de zichtbare tekst en een samenvatting of interpretatie.\n\nRuimtelijke en audiovisuele workflows\n\nDe aankondiging van 1.2 bespreekt ook een gespecialiseerde roboticavariant en een systeem met twee niveaus voor planning en actie. Dit zijn afzonderlijke experimentele onderdelen: een model op hoog niveau redeneert over de scène en deeltaken, terwijl een afzonderlijk vision-language-action-beleid acties op laag niveau uitvoert. Het Standard-model met tekstuitvoer mag niet als een robotactuator worden beschreven alleen omdat de familierelease die demonstratie bevat.\n\nVoor de Standard-versie documenteert de modeltabel tekst, afbeeldingen, video, audio en PDF’s als invoer. Een audiovisuele taak kan vragen naar de gebeurtenis of gesproken voorwaarde die relevant is voor een vraag en een geordend verslag van het ondersteunende materiaal teruggeven. Benoem het relevante segment en de vorm van het antwoord, in plaats van om een ongerichte samenvatting van elke modaliteit te vragen.\n\nDe voorbeelden van de maker combineren videobegrip, gedetailleerde beschrijvingen en inspectie met tools. Een praktische workflow kan een demonstratie vergelijken met de schriftelijke procedure, vragen om de zichtbare overeenkomsten en verschillen en vervolgens een tekstresultaat voor een latere applicatiestap voorbereiden. Gegenereerde tekst, code en gestructureerde bevindingen zijn de gedocumenteerde uitvoer; beeld- of spraakgeneratie hoort bij afzonderlijk benoemde componenten.\n\nRedeneerinstellingen en context\n\nMuse Spark redeneert intern voordat het zichtbare tekst produceert. De gedocumenteerde inspanningsniveaus voor 1.2 zijn minimal, low, medium, high en xhigh. max hoort bij Standard 1.3 en none is geen ondersteunde manier om redeneren uit te schakelen. Wanneer geen inspanning wordt gespecificeerd, gebruikt het model een zelf bepaald niveau.\n\nDe context van 1.048.576 tokens kan samenhangend bronmateriaal en gesprekken vasthouden, maar het doel en het eindresultaat moeten nog steeds worden gedefinieerd. Benoem voor een lange documenttaak de vraag, geef elke bron een label en behoud de locatie naast de geëxtraheerde informatie. Redeneertokens en tokens van het zichtbare antwoord delen het uitvoerbudget; reserveer daarom voldoende ruimte voor de uitleg of code die de taak daadwerkelijk nodig heeft.\n\nDe ruwe interne redenering wordt niet als gewone tekst beschikbaar gesteld. De chatinterface van de maker draagt voor externe aanroepers ook geen leesbaar privéspoor over tussen gespreksbeurten; bewaar de zichtbare berichten, bronnen en teruggegeven tooluitkomsten die een vervolgstap nodig heeft. Logwaarschijnlijkheden worden niet ondersteund, dus het model biedt die functie niet als betrouwbaarheidsmaat voor zijn conclusies.\n\nTools en gestructureerde resultaten\n\nDe applicatie beschrijft ontwikkelaarsfuncties, het model genereert de voorgestelde aanroepen en argumenten en de applicatie voert ze uit en geeft voor elke aanroep het resultaat terug. Het model kan vervolgens de werkelijke feedback inspecteren en de volgende stap kiezen. De nadruk van de release op het onderzoeken van zowel visuele invoer als gegenereerde resultaten hangt ervan af dat die tools deel uitmaken van de omgeving.\n\nGestructureerde uitvoer kan de tekst beperken tot een gedefinieerd JSON-schema. Een visuele extractieregistratie kan de bronafbeelding, het object of label, de waargenomen waarde en de interpretatie bevatten. Een codereview kan het betrokken symbool, de afwijking en de voorgestelde wijziging benoemen. De strikte modus van de maker vereist een gewoon object als hoofdelement, alle vermelde eigenschappen als verplicht en geen extra eigenschappen; recursieve schema’s worden geweigerd.\n\nDefinieer de juistheid van het resultaat in praktische termen: welke brondetails het moet behouden, hoe een interactie moet verlopen en welke teruggegeven feedback dat gedrag zou aantonen. De geraadpleegde bronnen geven geen onafhankelijke maximale capaciteit voor invoer- of uitvoertokens buiten de modelcontext. Behoud de editie Standard 1.2 en het verschil tussen een voorgesteld tekstresultaat en het uitvoerings- of renderresultaat waarmee het wordt geïnspecteerd.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
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 is het multimodale redeneermodel van Meta met nadruk op visueel programmeren, grafieken en audiovisueel begrip. Het kan aangeleverde afbeeldingen of video via gekoppelde tools omzetten in voorgestelde web- en gamecode, met tekstuitvoer en een door de maker opgegeven context van 1.048.576 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Muse Spark 1.2 is een op programmeren gerichte update van Muse Spark 1.1 van Meta, met nadruk op multimodaal begrip en visueel redeneren. De demonstraties van de maker verbinden afbeeldingen en video met digitale resultaten zoals webpagina’s en games, terwijl de modeltabel een context van 1.048.576 tokens en tekstuitvoer vermeldt. Deze vermelding betreft Standard 1.2, los van Contributor 1.2 en de latere 1.3.
Visueel programmeren
De release beschrijft het vertalen van visuele indeling, hiërarchie en stijl naar werkende code en het vervolgens inspecteren van het resultaat met tools. Lever voor een bruikbare taak de afbeelding of clip samen met het te implementeren gedrag aan. Een screenshot kan het uiterlijk tonen maar interacties onbepaald laten; benoem daarom de bedieningselementen, toestanden en verwachte reactie op gebruikersacties die het resultaat moet bevatten.
Vraag afzonderlijk om de zichtbare structuur, de voorgestelde implementatie en de aannamen. Een taak voor paginareconstructie kan bijvoorbeeld de benoemde secties en visuele relaties uit de referentie vereisen en vervolgens vragen om de code voor één afgebakende interactie. Het renderen en uitproberen van die code vereist de gekoppelde omgeving; het resulterende screenshot of de uitvoeringsfeedback kan invoer voor de volgende correctie worden.
De maker noemt naast codegeneratie ook grafiekbegrip en visueel redeneren. Behoud de assen, eenheden en labels in een grafiek en vraag om de waarneming die elke conclusie ondersteunt. Benoem voor een diagram het uit te leggen verband en de te behouden bronlabels. Maak bij een documentafbeelding onderscheid tussen een transcriptie van de zichtbare tekst en een samenvatting of interpretatie.
Ruimtelijke en audiovisuele workflows
De aankondiging van 1.2 bespreekt ook een gespecialiseerde roboticavariant en een systeem met twee niveaus voor planning en actie. Dit zijn afzonderlijke experimentele onderdelen: een model op hoog niveau redeneert over de scène en deeltaken, terwijl een afzonderlijk vision-language-action-beleid acties op laag niveau uitvoert. Het Standard-model met tekstuitvoer mag niet als een robotactuator worden beschreven alleen omdat de familierelease die demonstratie bevat.
Voor de Standard-versie documenteert de modeltabel tekst, afbeeldingen, video, audio en PDF’s als invoer. Een audiovisuele taak kan vragen naar de gebeurtenis of gesproken voorwaarde die relevant is voor een vraag en een geordend verslag van het ondersteunende materiaal teruggeven. Benoem het relevante segment en de vorm van het antwoord, in plaats van om een ongerichte samenvatting van elke modaliteit te vragen.
De voorbeelden van de maker combineren videobegrip, gedetailleerde beschrijvingen en inspectie met tools. Een praktische workflow kan een demonstratie vergelijken met de schriftelijke procedure, vragen om de zichtbare overeenkomsten en verschillen en vervolgens een tekstresultaat voor een latere applicatiestap voorbereiden. Gegenereerde tekst, code en gestructureerde bevindingen zijn de gedocumenteerde uitvoer; beeld- of spraakgeneratie hoort bij afzonderlijk benoemde componenten.
Redeneerinstellingen en context
Muse Spark redeneert intern voordat het zichtbare tekst produceert. De gedocumenteerde inspanningsniveaus voor 1.2 zijn minimal, low, medium, high en xhigh. max hoort bij Standard 1.3 en none is geen ondersteunde manier om redeneren uit te schakelen. Wanneer geen inspanning wordt gespecificeerd, gebruikt het model een zelf bepaald niveau.
De context van 1.048.576 tokens kan samenhangend bronmateriaal en gesprekken vasthouden, maar het doel en het eindresultaat moeten nog steeds worden gedefinieerd. Benoem voor een lange documenttaak de vraag, geef elke bron een label en behoud de locatie naast de geëxtraheerde informatie. Redeneertokens en tokens van het zichtbare antwoord delen het uitvoerbudget; reserveer daarom voldoende ruimte voor de uitleg of code die de taak daadwerkelijk nodig heeft.
De ruwe interne redenering wordt niet als gewone tekst beschikbaar gesteld. De chatinterface van de maker draagt voor externe aanroepers ook geen leesbaar privéspoor over tussen gespreksbeurten; bewaar de zichtbare berichten, bronnen en teruggegeven tooluitkomsten die een vervolgstap nodig heeft. Logwaarschijnlijkheden worden niet ondersteund, dus het model biedt die functie niet als betrouwbaarheidsmaat voor zijn conclusies.
Tools en gestructureerde resultaten
De applicatie beschrijft ontwikkelaarsfuncties, het model genereert de voorgestelde aanroepen en argumenten en de applicatie voert ze uit en geeft voor elke aanroep het resultaat terug. Het model kan vervolgens de werkelijke feedback inspecteren en de volgende stap kiezen. De nadruk van de release op het onderzoeken van zowel visuele invoer als gegenereerde resultaten hangt ervan af dat die tools deel uitmaken van de omgeving.
Gestructureerde uitvoer kan de tekst beperken tot een gedefinieerd JSON-schema. Een visuele extractieregistratie kan de bronafbeelding, het object of label, de waargenomen waarde en de interpretatie bevatten. Een codereview kan het betrokken symbool, de afwijking en de voorgestelde wijziging benoemen. De strikte modus van de maker vereist een gewoon object als hoofdelement, alle vermelde eigenschappen als verplicht en geen extra eigenschappen; recursieve schema’s worden geweigerd.
Definieer de juistheid van het resultaat in praktische termen: welke brondetails het moet behouden, hoe een interactie moet verlopen en welke teruggegeven feedback dat gedrag zou aantonen. De geraadpleegde bronnen geven geen onafhankelijke maximale capaciteit voor invoer- of uitvoertokens buiten de modelcontext. Behoud de editie Standard 1.2 en het verschil tussen een voorgesteld tekstresultaat en het uitvoerings- of renderresultaat waarmee het wordt geïnspecteerd.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta/muse-spark-1.2 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.0085 / 1K tokens Invoer · Cache lezen $0.0003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.0085 / 1K tokens Invoer · Cache lezen $0.0003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra meta/muse-spark-1.2
Gebruik de hierboven getoonde methodepaden.
meta/muse-spark-1.2Muse Spark 1.2 is het multimodale redeneermodel van Meta met nadruk op visueel programmeren, grafieken en audiovisueel begrip. Het kan aangeleverde afbeeldingen of video via gekoppelde tools omzetten in voorgestelde web- en gamecode, met tekstuitvoer en een door de maker opgegeven context van 1.048.576 tokens.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Muse Spark 1.2 is een op programmeren gerichte update van Muse Spark 1.1 van Meta, met nadruk op multimodaal begrip en visueel redeneren. De demonstraties van de maker verbinden afbeeldingen en video met digitale resultaten zoals webpagina’s en games, terwijl de modeltabel een context van 1.048.576 tokens en tekstuitvoer vermeldt. Deze vermelding betreft Standard 1.2, los van Contributor 1.2 en de latere 1.3.
Visueel programmeren
De release beschrijft het vertalen van visuele indeling, hiërarchie en stijl naar werkende code en het vervolgens inspecteren van het resultaat met tools. Lever voor een bruikbare taak de afbeelding of clip samen met het te implementeren gedrag aan. Een screenshot kan het uiterlijk tonen maar interacties onbepaald laten; benoem daarom de bedieningselementen, toestanden en verwachte reactie op gebruikersacties die het resultaat moet bevatten.
Vraag afzonderlijk om de zichtbare structuur, de voorgestelde implementatie en de aannamen. Een taak voor paginareconstructie kan bijvoorbeeld de benoemde secties en visuele relaties uit de referentie vereisen en vervolgens vragen om de code voor één afgebakende interactie. Het renderen en uitproberen van die code vereist de gekoppelde omgeving; het resulterende screenshot of de uitvoeringsfeedback kan invoer voor de volgende correctie worden.
De maker noemt naast codegeneratie ook grafiekbegrip en visueel redeneren. Behoud de assen, eenheden en labels in een grafiek en vraag om de waarneming die elke conclusie ondersteunt. Benoem voor een diagram het uit te leggen verband en de te behouden bronlabels. Maak bij een documentafbeelding onderscheid tussen een transcriptie van de zichtbare tekst en een samenvatting of interpretatie.
Ruimtelijke en audiovisuele workflows
De aankondiging van 1.2 bespreekt ook een gespecialiseerde roboticavariant en een systeem met twee niveaus voor planning en actie. Dit zijn afzonderlijke experimentele onderdelen: een model op hoog niveau redeneert over de scène en deeltaken, terwijl een afzonderlijk vision-language-action-beleid acties op laag niveau uitvoert. Het Standard-model met tekstuitvoer mag niet als een robotactuator worden beschreven alleen omdat de familierelease die demonstratie bevat.
Voor de Standard-versie documenteert de modeltabel tekst, afbeeldingen, video, audio en PDF’s als invoer. Een audiovisuele taak kan vragen naar de gebeurtenis of gesproken voorwaarde die relevant is voor een vraag en een geordend verslag van het ondersteunende materiaal teruggeven. Benoem het relevante segment en de vorm van het antwoord, in plaats van om een ongerichte samenvatting van elke modaliteit te vragen.
De voorbeelden van de maker combineren videobegrip, gedetailleerde beschrijvingen en inspectie met tools. Een praktische workflow kan een demonstratie vergelijken met de schriftelijke procedure, vragen om de zichtbare overeenkomsten en verschillen en vervolgens een tekstresultaat voor een latere applicatiestap voorbereiden. Gegenereerde tekst, code en gestructureerde bevindingen zijn de gedocumenteerde uitvoer; beeld- of spraakgeneratie hoort bij afzonderlijk benoemde componenten.
Redeneerinstellingen en context
Muse Spark redeneert intern voordat het zichtbare tekst produceert. De gedocumenteerde inspanningsniveaus voor 1.2 zijn minimal, low, medium, high en xhigh. max hoort bij Standard 1.3 en none is geen ondersteunde manier om redeneren uit te schakelen. Wanneer geen inspanning wordt gespecificeerd, gebruikt het model een zelf bepaald niveau.
De context van 1.048.576 tokens kan samenhangend bronmateriaal en gesprekken vasthouden, maar het doel en het eindresultaat moeten nog steeds worden gedefinieerd. Benoem voor een lange documenttaak de vraag, geef elke bron een label en behoud de locatie naast de geëxtraheerde informatie. Redeneertokens en tokens van het zichtbare antwoord delen het uitvoerbudget; reserveer daarom voldoende ruimte voor de uitleg of code die de taak daadwerkelijk nodig heeft.
De ruwe interne redenering wordt niet als gewone tekst beschikbaar gesteld. De chatinterface van de maker draagt voor externe aanroepers ook geen leesbaar privéspoor over tussen gespreksbeurten; bewaar de zichtbare berichten, bronnen en teruggegeven tooluitkomsten die een vervolgstap nodig heeft. Logwaarschijnlijkheden worden niet ondersteund, dus het model biedt die functie niet als betrouwbaarheidsmaat voor zijn conclusies.
Tools en gestructureerde resultaten
De applicatie beschrijft ontwikkelaarsfuncties, het model genereert de voorgestelde aanroepen en argumenten en de applicatie voert ze uit en geeft voor elke aanroep het resultaat terug. Het model kan vervolgens de werkelijke feedback inspecteren en de volgende stap kiezen. De nadruk van de release op het onderzoeken van zowel visuele invoer als gegenereerde resultaten hangt ervan af dat die tools deel uitmaken van de omgeving.
Gestructureerde uitvoer kan de tekst beperken tot een gedefinieerd JSON-schema. Een visuele extractieregistratie kan de bronafbeelding, het object of label, de waargenomen waarde en de interpretatie bevatten. Een codereview kan het betrokken symbool, de afwijking en de voorgestelde wijziging benoemen. De strikte modus van de maker vereist een gewoon object als hoofdelement, alle vermelde eigenschappen als verplicht en geen extra eigenschappen; recursieve schema’s worden geweigerd.
Definieer de juistheid van het resultaat in praktische termen: welke brondetails het moet behouden, hoe een interactie moet verlopen en welke teruggegeven feedback dat gedrag zou aantonen. De geraadpleegde bronnen geven geen onafhankelijke maximale capaciteit voor invoer- of uitvoertokens buiten de modelcontext. Behoud de editie Standard 1.2 en het verschil tussen een voorgesteld tekstresultaat en het uitvoerings- of renderresultaat waarmee het wordt geïnspecteerd.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta/muse-spark-1.2 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.0085 / 1K tokens Invoer · Cache lezen $0.0003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieNiveau 1 voor aanvraaglengte | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.0025 / 1K tokens Uitvoer · Uitvoertokens $0.0085 / 1K tokens Invoer · Cache lezen $0.0003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta/muse-spark-1.2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra meta/muse-spark-1.2
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
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.