Muse Spark 1.3 is het redeneermodel van Meta voor langdurig agentwerk en programmeren. De maker benadrukt het behouden van context en eerdere resultaten tijdens langdurige taken, het verwerken van tegenstrijdige bronnen en het leveren van een voltooid eindresultaat. Deze vermelding betreft de editie Standard 1.3, waarvan de gedocumenteerde redeneerinstellingen max omvatten; de afzonderlijk benoemde Contributor-editie heeft eigen instellingsgrenzen.
Langdurig agentwerk
De release beschrijft een model dat in verschillende agentomgevingen is getraind om informatie te verzamelen, een plan te herzien wanneer het bewijsmateriaal verandert en gedetailleerde eisen gedurende een taak met meerdere stappen te behouden. Ze beschrijft ook een verbeterde verwerking van meerdere workflows in één gesprek, waarbij binnenkomende verzoeken aan de relevante taak worden gekoppeld. Een bruikbaar verzoek moet het doel, de bronnen, de eisen en het resultaat dat als voltooiing geldt definiëren.
Lever voor een professionele documenttaak de bronrapporten aan, benoem welke feiten behouden moeten blijven en vraag om een gestructureerd overzicht met bronlocaties. Vraag bij tegenstrijdige bronnen afzonderlijk om de tegenstrijdige uitspraken en de informatie die nodig is om ze op te lossen. Voeg voor een programmeertaak het beoogde gedrag, de betrokken modules en de relevante code toe; vraag om de voorgestelde implementatie en het bewijsmateriaal dat het beoogde resultaat zou onderscheiden.
Volgens de maker vraagt 1.3 om verduidelijking wanneer een verzoek dubbelzinnig is en om hulp van de gebruiker wanneer het vastloopt. De maker beschrijft ook beter oordeelsvermogen rond acties met belangrijke gevolgen. Dit zijn verbeteringen in modelgedrag, geen vervanging voor de uitvoeringscontroles van de applicatie. Geef de agent de informatie die nodig is om te beslissen en maak het vereiste resultaat expliciet.
Programmeren en multimodaal bewijsmateriaal
De release richt zich op langere programmeertaken, nettere uitvoer en minder onnodige gespreksbeurten dan bij 1.2. Een workflow met een programmeeragent kan een screenshot inspecteren, de relevante code vinden, een correctie voorstellen en uitvoerings- of renderfeedback gebruiken die de tools teruggeven. Geef de interface aan die compatibel moet blijven en vraag het gewijzigde resultaat los van de aannamen en uitleg op.
De officiële modeltabel noemt tekst-, afbeeldings-, video- en PDF-invoer, met tekstuitvoer en een context van 1.048.576 tokens. Afbeeldingen of clips kunnen naast de schriftelijke taak zichtbaar bewijsmateriaal leveren. Een grafiekvraag moet assen, legenda’s en eenheden behouden; een screenshotvraag moet het te reproduceren of te inspecteren gedrag benoemen. Een PDF-vraag kan om een extractie of vergelijking met bronverwijzingen vragen, in plaats van om een algemene samenvatting van elke pagina.
De maker merkt expliciet op dat audiobegrip in 1.3 niet volledig wordt ondersteund en dat antwoorden bij audio minder goed kunnen worden. Dit verschilt van de gedocumenteerde audiovisuele mogelijkheden van 1.2. Het tekstresultaat van het model genereert op zichzelf ook geen afbeelding, gesproken opname of voltooid bestand zonder de tools van de omringende applicatie.
Redeneerinspanning en continuïteit
De gedocumenteerde niveaus zijn minimal, low, medium, high, xhigh en max. max is specifiek voor Standard 1.3. Muse Spark ondersteunt het uitschakelen van redeneren met none niet; zonder de instelling blijft een door het model bepaald redeneerniveau gelden. Kies de inspanning voor het werkelijke probleem en houd ruimte vrij voor zowel de interne redenering als het vereiste schriftelijke resultaat.
Redeneertokens en zichtbare tokens delen het uitvoerbudget. De ruwe interne redenering blijft privé en wordt niet als gewone leesbare tekst teruggegeven. De maker onderscheidt zichtbare gespreksgeschiedenis van continuïteit van privéredeneringen: de chatinterface stelt geen spoor beschikbaar dat externe aanroepers kunnen hergebruiken, terwijl de andere gedocumenteerde gespreksworkflow beheerd of versleuteld voortzetten van redeneringen ondersteunt. Bewaar de bronnen, zichtbare berichten en werkelijke toolresultaten die een vervolgstap nodig heeft, in plaats van aan te nemen dat alle interfaces privéredeneringen op dezelfde manier behouden.
Tools en gestructureerde eindresultaten
De applicatie levert functiebeschrijvingen die door de ontwikkelaar zijn gedefinieerd, het model maakt de vereiste aanroepargumenten en de applicatie voert elke aanroep uit en geeft het bijbehorende resultaat terug. Het model kan in één gespreksbeurt meerdere functies aanvragen. Geef voor elke oorspronkelijke bewerking het resultaat terug voordat je om de volgende conclusie vraagt, zodat het antwoord daadwerkelijk opgehaalde of berekende informatie gebruikt.
De maker documenteert afzonderlijk ingebouwde zoektools die binnen de gekoppelde dienst worden uitgevoerd. Ontwikkelaarsfuncties en die ingebouwde tools hebben verschillende uitvoeringsvormen. Het model kan redeneren over welke informatie het nodig heeft, maar alleen het model selecteren geeft geen toegang tot een repository, browser of privé-informatiebron.
Gestructureerde uitvoer kan het resultaat beperken tot een aangeleverd JSON-schema. Definieer de velden en typen die de volgende stap nodig heeft en hoe ontbrekende broninformatie moet worden behandeld. In de strikte schemamodus van de maker is het hoofdelement een gewoon object, is elke eigenschap verplicht en zijn extra eigenschappen niet toegestaan; recursieve schema’s worden geweigerd. Dit zijn beperkingen van de gestructureerde interface van de maker, geen bewijs dat de feiten in een correct gevormde registratie waar zijn.
Vraag voor een bruikbaar eindresultaat afzonderlijk om de bevindingen met brononderbouwing, de voorgestelde wijziging of het document en de onopgeloste voorwaarden. De geraadpleegde bronnen geven geen onafhankelijke harde maximale capaciteit voor invoer- of uitvoertokens buiten de gedocumenteerde context. Houd de identiteit Standard 1.3, de redeneerkeuze en de gekoppelde uitvoeringsresultaten tijdens de hele taak expliciet.
", "aboutText": "Muse Spark 1.3 is het redeneermodel van Meta voor langdurig agentwerk en programmeren. De maker benadrukt het behouden van context en eerdere resultaten tijdens langdurige taken, het verwerken van tegenstrijdige bronnen en het leveren van een voltooid eindresultaat. Deze vermelding betreft de editie Standard 1.3, waarvan de gedocumenteerde redeneerinstellingen max omvatten; de afzonderlijk benoemde Contributor-editie heeft eigen instellingsgrenzen.\n\nLangdurig agentwerk\n\nDe release beschrijft een model dat in verschillende agentomgevingen is getraind om informatie te verzamelen, een plan te herzien wanneer het bewijsmateriaal verandert en gedetailleerde eisen gedurende een taak met meerdere stappen te behouden. Ze beschrijft ook een verbeterde verwerking van meerdere workflows in één gesprek, waarbij binnenkomende verzoeken aan de relevante taak worden gekoppeld. Een bruikbaar verzoek moet het doel, de bronnen, de eisen en het resultaat dat als voltooiing geldt definiëren.\n\nLever voor een professionele documenttaak de bronrapporten aan, benoem welke feiten behouden moeten blijven en vraag om een gestructureerd overzicht met bronlocaties. Vraag bij tegenstrijdige bronnen afzonderlijk om de tegenstrijdige uitspraken en de informatie die nodig is om ze op te lossen. Voeg voor een programmeertaak het beoogde gedrag, de betrokken modules en de relevante code toe; vraag om de voorgestelde implementatie en het bewijsmateriaal dat het beoogde resultaat zou onderscheiden.\n\nVolgens de maker vraagt 1.3 om verduidelijking wanneer een verzoek dubbelzinnig is en om hulp van de gebruiker wanneer het vastloopt. De maker beschrijft ook beter oordeelsvermogen rond acties met belangrijke gevolgen. Dit zijn verbeteringen in modelgedrag, geen vervanging voor de uitvoeringscontroles van de applicatie. Geef de agent de informatie die nodig is om te beslissen en maak het vereiste resultaat expliciet.\n\nProgrammeren en multimodaal bewijsmateriaal\n\nDe release richt zich op langere programmeertaken, nettere uitvoer en minder onnodige gespreksbeurten dan bij 1.2. Een workflow met een programmeeragent kan een screenshot inspecteren, de relevante code vinden, een correctie voorstellen en uitvoerings- of renderfeedback gebruiken die de tools teruggeven. Geef de interface aan die compatibel moet blijven en vraag het gewijzigde resultaat los van de aannamen en uitleg op.\n\nDe officiële modeltabel noemt tekst-, afbeeldings-, video- en PDF-invoer, met tekstuitvoer en een context van 1.048.576 tokens. Afbeeldingen of clips kunnen naast de schriftelijke taak zichtbaar bewijsmateriaal leveren. Een grafiekvraag moet assen, legenda’s en eenheden behouden; een screenshotvraag moet het te reproduceren of te inspecteren gedrag benoemen. Een PDF-vraag kan om een extractie of vergelijking met bronverwijzingen vragen, in plaats van om een algemene samenvatting van elke pagina.\n\nDe maker merkt expliciet op dat audiobegrip in 1.3 niet volledig wordt ondersteund en dat antwoorden bij audio minder goed kunnen worden. Dit verschilt van de gedocumenteerde audiovisuele mogelijkheden van 1.2. Het tekstresultaat van het model genereert op zichzelf ook geen afbeelding, gesproken opname of voltooid bestand zonder de tools van de omringende applicatie.\n\nRedeneerinspanning en continuïteit\n\nDe gedocumenteerde niveaus zijn minimal, low, medium, high, xhigh en max. max is specifiek voor Standard 1.3. Muse Spark ondersteunt het uitschakelen van redeneren met none niet; zonder de instelling blijft een door het model bepaald redeneerniveau gelden. Kies de inspanning voor het werkelijke probleem en houd ruimte vrij voor zowel de interne redenering als het vereiste schriftelijke resultaat.\n\nRedeneertokens en zichtbare tokens delen het uitvoerbudget. De ruwe interne redenering blijft privé en wordt niet als gewone leesbare tekst teruggegeven. De maker onderscheidt zichtbare gespreksgeschiedenis van continuïteit van privéredeneringen: de chatinterface stelt geen spoor beschikbaar dat externe aanroepers kunnen hergebruiken, terwijl de andere gedocumenteerde gespreksworkflow beheerd of versleuteld voortzetten van redeneringen ondersteunt. Bewaar de bronnen, zichtbare berichten en werkelijke toolresultaten die een vervolgstap nodig heeft, in plaats van aan te nemen dat alle interfaces privéredeneringen op dezelfde manier behouden.\n\nTools en gestructureerde eindresultaten\n\nDe applicatie levert functiebeschrijvingen die door de ontwikkelaar zijn gedefinieerd, het model maakt de vereiste aanroepargumenten en de applicatie voert elke aanroep uit en geeft het bijbehorende resultaat terug. Het model kan in één gespreksbeurt meerdere functies aanvragen. Geef voor elke oorspronkelijke bewerking het resultaat terug voordat je om de volgende conclusie vraagt, zodat het antwoord daadwerkelijk opgehaalde of berekende informatie gebruikt.\n\nDe maker documenteert afzonderlijk ingebouwde zoektools die binnen de gekoppelde dienst worden uitgevoerd. Ontwikkelaarsfuncties en die ingebouwde tools hebben verschillende uitvoeringsvormen. Het model kan redeneren over welke informatie het nodig heeft, maar alleen het model selecteren geeft geen toegang tot een repository, browser of privé-informatiebron.\n\nGestructureerde uitvoer kan het resultaat beperken tot een aangeleverd JSON-schema. Definieer de velden en typen die de volgende stap nodig heeft en hoe ontbrekende broninformatie moet worden behandeld. In de strikte schemamodus van de maker is het hoofdelement een gewoon object, is elke eigenschap verplicht en zijn extra eigenschappen niet toegestaan; recursieve schema’s worden geweigerd. Dit zijn beperkingen van de gestructureerde interface van de maker, geen bewijs dat de feiten in een correct gevormde registratie waar zijn.\n\nVraag voor een bruikbaar eindresultaat afzonderlijk om de bevindingen met brononderbouwing, de voorgestelde wijziging of het document en de onopgeloste voorwaarden. De geraadpleegde bronnen geven geen onafhankelijke harde maximale capaciteit voor invoer- of uitvoertokens buiten de gedocumenteerde context. Houd de identiteit Standard 1.3, de redeneerkeuze en de gekoppelde uitvoeringsresultaten tijdens de hele taak expliciet.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 is het multimodale redeneermodel van Meta voor langdurige agents en programmeerworkflows. Het houdt bronnen en eerdere resultaten bij, ondersteunt een door de maker opgegeven context van 1.048.576 tokens en redeneerniveaus tot en met max in deze Standard-editie, met tekst en voorgestelde toolacties als uitvoer.
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 1.3 is het redeneermodel van Meta voor langdurig agentwerk en programmeren. De maker benadrukt het behouden van context en eerdere resultaten tijdens langdurige taken, het verwerken van tegenstrijdige bronnen en het leveren van een voltooid eindresultaat. Deze vermelding betreft de editie Standard 1.3, waarvan de gedocumenteerde redeneerinstellingen max omvatten; de afzonderlijk benoemde Contributor-editie heeft eigen instellingsgrenzen.
Langdurig agentwerk
De release beschrijft een model dat in verschillende agentomgevingen is getraind om informatie te verzamelen, een plan te herzien wanneer het bewijsmateriaal verandert en gedetailleerde eisen gedurende een taak met meerdere stappen te behouden. Ze beschrijft ook een verbeterde verwerking van meerdere workflows in één gesprek, waarbij binnenkomende verzoeken aan de relevante taak worden gekoppeld. Een bruikbaar verzoek moet het doel, de bronnen, de eisen en het resultaat dat als voltooiing geldt definiëren.
Lever voor een professionele documenttaak de bronrapporten aan, benoem welke feiten behouden moeten blijven en vraag om een gestructureerd overzicht met bronlocaties. Vraag bij tegenstrijdige bronnen afzonderlijk om de tegenstrijdige uitspraken en de informatie die nodig is om ze op te lossen. Voeg voor een programmeertaak het beoogde gedrag, de betrokken modules en de relevante code toe; vraag om de voorgestelde implementatie en het bewijsmateriaal dat het beoogde resultaat zou onderscheiden.
Volgens de maker vraagt 1.3 om verduidelijking wanneer een verzoek dubbelzinnig is en om hulp van de gebruiker wanneer het vastloopt. De maker beschrijft ook beter oordeelsvermogen rond acties met belangrijke gevolgen. Dit zijn verbeteringen in modelgedrag, geen vervanging voor de uitvoeringscontroles van de applicatie. Geef de agent de informatie die nodig is om te beslissen en maak het vereiste resultaat expliciet.
Programmeren en multimodaal bewijsmateriaal
De release richt zich op langere programmeertaken, nettere uitvoer en minder onnodige gespreksbeurten dan bij 1.2. Een workflow met een programmeeragent kan een screenshot inspecteren, de relevante code vinden, een correctie voorstellen en uitvoerings- of renderfeedback gebruiken die de tools teruggeven. Geef de interface aan die compatibel moet blijven en vraag het gewijzigde resultaat los van de aannamen en uitleg op.
De officiële modeltabel noemt tekst-, afbeeldings-, video- en PDF-invoer, met tekstuitvoer en een context van 1.048.576 tokens. Afbeeldingen of clips kunnen naast de schriftelijke taak zichtbaar bewijsmateriaal leveren. Een grafiekvraag moet assen, legenda’s en eenheden behouden; een screenshotvraag moet het te reproduceren of te inspecteren gedrag benoemen. Een PDF-vraag kan om een extractie of vergelijking met bronverwijzingen vragen, in plaats van om een algemene samenvatting van elke pagina.
De maker merkt expliciet op dat audiobegrip in 1.3 niet volledig wordt ondersteund en dat antwoorden bij audio minder goed kunnen worden. Dit verschilt van de gedocumenteerde audiovisuele mogelijkheden van 1.2. Het tekstresultaat van het model genereert op zichzelf ook geen afbeelding, gesproken opname of voltooid bestand zonder de tools van de omringende applicatie.
Redeneerinspanning en continuïteit
De gedocumenteerde niveaus zijn minimal, low, medium, high, xhigh en max. max is specifiek voor Standard 1.3. Muse Spark ondersteunt het uitschakelen van redeneren met none niet; zonder de instelling blijft een door het model bepaald redeneerniveau gelden. Kies de inspanning voor het werkelijke probleem en houd ruimte vrij voor zowel de interne redenering als het vereiste schriftelijke resultaat.
Redeneertokens en zichtbare tokens delen het uitvoerbudget. De ruwe interne redenering blijft privé en wordt niet als gewone leesbare tekst teruggegeven. De maker onderscheidt zichtbare gespreksgeschiedenis van continuïteit van privéredeneringen: de chatinterface stelt geen spoor beschikbaar dat externe aanroepers kunnen hergebruiken, terwijl de andere gedocumenteerde gespreksworkflow beheerd of versleuteld voortzetten van redeneringen ondersteunt. Bewaar de bronnen, zichtbare berichten en werkelijke toolresultaten die een vervolgstap nodig heeft, in plaats van aan te nemen dat alle interfaces privéredeneringen op dezelfde manier behouden.
Tools en gestructureerde eindresultaten
De applicatie levert functiebeschrijvingen die door de ontwikkelaar zijn gedefinieerd, het model maakt de vereiste aanroepargumenten en de applicatie voert elke aanroep uit en geeft het bijbehorende resultaat terug. Het model kan in één gespreksbeurt meerdere functies aanvragen. Geef voor elke oorspronkelijke bewerking het resultaat terug voordat je om de volgende conclusie vraagt, zodat het antwoord daadwerkelijk opgehaalde of berekende informatie gebruikt.
De maker documenteert afzonderlijk ingebouwde zoektools die binnen de gekoppelde dienst worden uitgevoerd. Ontwikkelaarsfuncties en die ingebouwde tools hebben verschillende uitvoeringsvormen. Het model kan redeneren over welke informatie het nodig heeft, maar alleen het model selecteren geeft geen toegang tot een repository, browser of privé-informatiebron.
Gestructureerde uitvoer kan het resultaat beperken tot een aangeleverd JSON-schema. Definieer de velden en typen die de volgende stap nodig heeft en hoe ontbrekende broninformatie moet worden behandeld. In de strikte schemamodus van de maker is het hoofdelement een gewoon object, is elke eigenschap verplicht en zijn extra eigenschappen niet toegestaan; recursieve schema’s worden geweigerd. Dit zijn beperkingen van de gestructureerde interface van de maker, geen bewijs dat de feiten in een correct gevormde registratie waar zijn.
Vraag voor een bruikbaar eindresultaat afzonderlijk om de bevindingen met brononderbouwing, de voorgestelde wijziging of het document en de onopgeloste voorwaarden. De geraadpleegde bronnen geven geen onafhankelijke harde maximale capaciteit voor invoer- of uitvoertokens buiten de gedocumenteerde context. Houd de identiteit Standard 1.3, de redeneerkeuze en de gekoppelde uitvoeringsresultaten tijdens de hele taak expliciet.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta/muse-spark-1.3 | 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-1.3", "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-1.3',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-1.3',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-1.3
Gebruik de hierboven getoonde methodepaden.
meta/muse-spark-1.3Muse Spark 1.3 is het multimodale redeneermodel van Meta voor langdurige agents en programmeerworkflows. Het houdt bronnen en eerdere resultaten bij, ondersteunt een door de maker opgegeven context van 1.048.576 tokens en redeneerniveaus tot en met max in deze Standard-editie, met tekst en voorgestelde toolacties als uitvoer.
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 1.3 is het redeneermodel van Meta voor langdurig agentwerk en programmeren. De maker benadrukt het behouden van context en eerdere resultaten tijdens langdurige taken, het verwerken van tegenstrijdige bronnen en het leveren van een voltooid eindresultaat. Deze vermelding betreft de editie Standard 1.3, waarvan de gedocumenteerde redeneerinstellingen max omvatten; de afzonderlijk benoemde Contributor-editie heeft eigen instellingsgrenzen.
Langdurig agentwerk
De release beschrijft een model dat in verschillende agentomgevingen is getraind om informatie te verzamelen, een plan te herzien wanneer het bewijsmateriaal verandert en gedetailleerde eisen gedurende een taak met meerdere stappen te behouden. Ze beschrijft ook een verbeterde verwerking van meerdere workflows in één gesprek, waarbij binnenkomende verzoeken aan de relevante taak worden gekoppeld. Een bruikbaar verzoek moet het doel, de bronnen, de eisen en het resultaat dat als voltooiing geldt definiëren.
Lever voor een professionele documenttaak de bronrapporten aan, benoem welke feiten behouden moeten blijven en vraag om een gestructureerd overzicht met bronlocaties. Vraag bij tegenstrijdige bronnen afzonderlijk om de tegenstrijdige uitspraken en de informatie die nodig is om ze op te lossen. Voeg voor een programmeertaak het beoogde gedrag, de betrokken modules en de relevante code toe; vraag om de voorgestelde implementatie en het bewijsmateriaal dat het beoogde resultaat zou onderscheiden.
Volgens de maker vraagt 1.3 om verduidelijking wanneer een verzoek dubbelzinnig is en om hulp van de gebruiker wanneer het vastloopt. De maker beschrijft ook beter oordeelsvermogen rond acties met belangrijke gevolgen. Dit zijn verbeteringen in modelgedrag, geen vervanging voor de uitvoeringscontroles van de applicatie. Geef de agent de informatie die nodig is om te beslissen en maak het vereiste resultaat expliciet.
Programmeren en multimodaal bewijsmateriaal
De release richt zich op langere programmeertaken, nettere uitvoer en minder onnodige gespreksbeurten dan bij 1.2. Een workflow met een programmeeragent kan een screenshot inspecteren, de relevante code vinden, een correctie voorstellen en uitvoerings- of renderfeedback gebruiken die de tools teruggeven. Geef de interface aan die compatibel moet blijven en vraag het gewijzigde resultaat los van de aannamen en uitleg op.
De officiële modeltabel noemt tekst-, afbeeldings-, video- en PDF-invoer, met tekstuitvoer en een context van 1.048.576 tokens. Afbeeldingen of clips kunnen naast de schriftelijke taak zichtbaar bewijsmateriaal leveren. Een grafiekvraag moet assen, legenda’s en eenheden behouden; een screenshotvraag moet het te reproduceren of te inspecteren gedrag benoemen. Een PDF-vraag kan om een extractie of vergelijking met bronverwijzingen vragen, in plaats van om een algemene samenvatting van elke pagina.
De maker merkt expliciet op dat audiobegrip in 1.3 niet volledig wordt ondersteund en dat antwoorden bij audio minder goed kunnen worden. Dit verschilt van de gedocumenteerde audiovisuele mogelijkheden van 1.2. Het tekstresultaat van het model genereert op zichzelf ook geen afbeelding, gesproken opname of voltooid bestand zonder de tools van de omringende applicatie.
Redeneerinspanning en continuïteit
De gedocumenteerde niveaus zijn minimal, low, medium, high, xhigh en max. max is specifiek voor Standard 1.3. Muse Spark ondersteunt het uitschakelen van redeneren met none niet; zonder de instelling blijft een door het model bepaald redeneerniveau gelden. Kies de inspanning voor het werkelijke probleem en houd ruimte vrij voor zowel de interne redenering als het vereiste schriftelijke resultaat.
Redeneertokens en zichtbare tokens delen het uitvoerbudget. De ruwe interne redenering blijft privé en wordt niet als gewone leesbare tekst teruggegeven. De maker onderscheidt zichtbare gespreksgeschiedenis van continuïteit van privéredeneringen: de chatinterface stelt geen spoor beschikbaar dat externe aanroepers kunnen hergebruiken, terwijl de andere gedocumenteerde gespreksworkflow beheerd of versleuteld voortzetten van redeneringen ondersteunt. Bewaar de bronnen, zichtbare berichten en werkelijke toolresultaten die een vervolgstap nodig heeft, in plaats van aan te nemen dat alle interfaces privéredeneringen op dezelfde manier behouden.
Tools en gestructureerde eindresultaten
De applicatie levert functiebeschrijvingen die door de ontwikkelaar zijn gedefinieerd, het model maakt de vereiste aanroepargumenten en de applicatie voert elke aanroep uit en geeft het bijbehorende resultaat terug. Het model kan in één gespreksbeurt meerdere functies aanvragen. Geef voor elke oorspronkelijke bewerking het resultaat terug voordat je om de volgende conclusie vraagt, zodat het antwoord daadwerkelijk opgehaalde of berekende informatie gebruikt.
De maker documenteert afzonderlijk ingebouwde zoektools die binnen de gekoppelde dienst worden uitgevoerd. Ontwikkelaarsfuncties en die ingebouwde tools hebben verschillende uitvoeringsvormen. Het model kan redeneren over welke informatie het nodig heeft, maar alleen het model selecteren geeft geen toegang tot een repository, browser of privé-informatiebron.
Gestructureerde uitvoer kan het resultaat beperken tot een aangeleverd JSON-schema. Definieer de velden en typen die de volgende stap nodig heeft en hoe ontbrekende broninformatie moet worden behandeld. In de strikte schemamodus van de maker is het hoofdelement een gewoon object, is elke eigenschap verplicht en zijn extra eigenschappen niet toegestaan; recursieve schema’s worden geweigerd. Dit zijn beperkingen van de gestructureerde interface van de maker, geen bewijs dat de feiten in een correct gevormde registratie waar zijn.
Vraag voor een bruikbaar eindresultaat afzonderlijk om de bevindingen met brononderbouwing, de voorgestelde wijziging of het document en de onopgeloste voorwaarden. De geraadpleegde bronnen geven geen onafhankelijke harde maximale capaciteit voor invoer- of uitvoertokens buiten de gedocumenteerde context. Houd de identiteit Standard 1.3, de redeneerkeuze en de gekoppelde uitvoeringsresultaten tijdens de hele taak expliciet.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten meta/muse-spark-1.3 | 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 $0.0003 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.3', '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-1.3', '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-1.3
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.