modele

Meta: Muse Spark 1.1

Markdown · JSON

Meta: Muse Spark 1.1

Muse Spark 1.1 to multimodalny model rozumowania Meta do zadań agentowych, korzystania z komputera i programowania. Pracuje z obszernym kontekstem tekstowym i wizualnym, generuje tekst i proponowane działania narzędziowe oraz ma kontekst producenta 1 048 576 tokenów z poziomami rozumowania do xhigh.

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Muse Spark 1.1 to multimodalny model rozumowania Meta Superintelligence Labs do pracy agentowej, programowania i procesów korzystania z komputera. Oryginalne wydanie producenta kładzie nacisk na planowanie, orkiestrację, zarządzanie kontekstem i łączenie materiału wizualnego z działaniami zapewnianymi przez narzędzia. Udokumentowanym wyjściem jest tekst; aplikacja wokół modelu zapewnia rzeczywiste wykonanie i wyrenderowane rezultaty.

Planowanie agentowe i długi kontekst

Wydanie opisuje dostosowywanie się do natywnych narzędzi, własnych funkcji i środowisk agentowych. Jako agent główny model może zbierać kontekst, tworzyć plan i delegować określoną pracę; w roli delegowanej wykonuje przypisane zadanie i może eskalować przeszkodę. Są to możliwości wykorzystywane przez środowisko agentowe, a nie zbiór podagentów automatycznie tworzonych przez pojedynczą odpowiedź tekstową.

Tabela modeli producenta podaje kontekst 1 048 576 tokenów. Wydanie 1.1 opisuje przypominanie wcześniejszej pracy i kompresowanie informacji potrzebnych do późniejszych kroków. Użyteczne zadanie powinno wskazywać cel, materiał źródłowy i końcowy rezultat, z jawnym zachowaniem ważnych decyzji i wyników narzędzi. Duży kontekst pomaga utrzymywać razem powiązane informacje, ale nie określa, jakie wymaganie wynik musi spełniać.

Przy długim pytaniu projektowym oznacz dokumenty źródłowe i poproś o odpowiednie wymaganie, jego lokalizację i nierozstrzygnięty warunek. Przy planie poproś o działania w kolejności powiązanej z dostarczonymi ograniczeniami i określ wynik kończący każdy krok. Zachowuj widoczne ustalenia i wyniki przy kontynuowaniu, zamiast zakładać, że nieokreślona pamięć zawiera każdy wcześniejszy fakt.

Korzystanie z komputera i programowanie

Producent opisuje procesy komputerowe w zmieniających się aplikacjach, z modelem wybierającym między bezpośrednią interakcją z interfejsem a skryptową automatyzacją w podłączonym środowisku. Zrzut ekranu może dostarczać widoczny stan, a instrukcja tekstowa określać cel użytkownika. Poproś o odpowiedni element sterujący, proponowaną operację i potwierdzający ją materiał, a następnie zwróć rzeczywisty nowy stan, jeśli środowisko wykona tę operację.

W programowaniu wydanie opisuje diagnozowanie błędów, implementację funkcji i obsługę migracji kodu. Demonstracja debugowania łączy generowanie kodu, zrzuty ekranu, lokalizowanie awarii i sprawdzanie korekty. Praktyczne żądanie może dostarczać nieprawidłowe zachowanie, źródło objęte problemem i oczekiwany wynik, a następnie wymagać proponowanej zmiany z zachowaniem publicznego interfejsu. Wykonywanie kodu i modyfikacja plików pozostają operacjami zapewnianymi przez narzędzia aplikacji.

Podaj modelowi kod i deklaracje określające zachowanie. Przy wyjaśnieniu dostarcz wejście do prześledzenia; przy modyfikacji określ wynik i ograniczenia; przy implementacji wizualnej dołącz zrzut ekranu i interakcje, których obraz nie pokazuje. Poproś o rezultat oddzielnie od założeń i informacji zwrotnej potrzebnej do jego sprawdzenia.

Wejścia multimodalne

Tabela modeli dokumentuje tekst, obrazy, wideo, dźwięk i PDF na wejściu dla 1.1, z tekstem na wyjściu. Wydanie opisuje szczegółowe podpisy obrazów i wideo, generowanie kodu z materiału wizualnego i wykorzystywanie szczegółów percepcyjnych w dłuższym procesie. Pytanie dokumentowe może wymagać pól powiązanych ze źródłami lub porównania; pytanie o wideo może wskazywać zdarzenie lub sekwencję do opisania; pytanie audiowizualne może określać istotną informację wypowiedzianą i widoczną.

Wyjściem modelu pozostaje pisemne wyjaśnienie, ustrukturyzowany wynik lub proponowany kod. Wygenerowany obraz, synteza mowy lub ukończone działanie zewnętrzne wymagają osobno zapewnionego komponentu. Zachowuj identyfikatory źródeł, etykiety, jednostki i odpowiednie segmenty, aby wynik tekstowy można było porównać z materiałem oryginalnym.

Rozumowanie, narzędzia i ustrukturyzowane wyjście

Przewodnik rozumowania Muse Spark dokumentuje minimal, low, medium, high i xhigh dla tej edycji. Max jest późniejszym ustawieniem Standard 1.3, a none jest nieobsługiwane. Rozumowanie występuje nawet bez jawnej wartości wysiłku, a budżet wyjściowy obejmuje zarówno prywatne wewnętrzne rozumowanie, jak i widoczną odpowiedź. Surowe rozumowanie i logarytmy prawdopodobieństw nie są udostępniane jako zwykłe pola pewności lub wyjaśnienia.

Wywoływanie narzędzi zdefiniowanych przez programistę przebiega cyklicznie: aplikacja dostarcza operacje, model przygotowuje argumenty, aplikacja wykonuje każde wywołanie i zwraca wynik, a następna odpowiedź wykorzystuje rezultat. Wywołanie narzędzia może żądać informacji lub operacji; samo nie jest dowodem ukończenia operacji. Zachowuj powiązanie wywołania źródłowego i wyniku przez całą rozmowę.

Producent dokumentuje również ustrukturyzowany tekst ograniczony dostarczonym schematem JSON. Zdefiniuj pola wymagane przez aplikację i ich typy oraz oddzielaj informacje źródłowe od interpretacji, gdy służą różnym celom. Ustrukturyzowana forma nie ustala poprawności faktów; oryginalne źródła i rzeczywiste wyniki narzędzi nadal określają treść odpowiedzi możliwej do sprawdzenia.

Granice edycji i ciągłości

Muse Spark 1.1 pozostaje własnym wydaniem. Nie należy przypisywać mu konkretnych zmian programistycznych 1.2, aktualizacji zachowania długofalowego 1.3 i ustawienia max z Standard 1.3 jedynie ze względu na wspólną rodzinę. Interfejs czatu producenta nie daje zewnętrznym wywołującym prywatnego rozumowania do odtworzenia, więc zachowuj widoczną historię i korzystaj z mechanizmów ciągłości oferowanych przez podłączony interfejs.

Przeczytane źródła nie podają osobnych sztywnych maksymalnych pojemności tokenów wejściowych lub wyjściowych poza udokumentowanym kontekstem. Zdefiniuj wymagany rezultat tekstowy i zachowaj materiał dowodowy potrzebny dla każdego działania lub wniosku, oddzielając planowanie i percepcję modelu od środowiska wykonującego proponowane operacje.

Zadanie praktyczne

Zadanie praktyczne

Przykład techniczny po angielsku

Plan an approval workflow

Plan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.

Oczekiwany wynik

A numbered workflow with approval evidence, rejection path and unresolved permission questions.

Sprawdź wynik

Verify every publication path requires a recorded approval ID and rejection cannot skip review.
Ailoot Ultra · OpenAI Chat POST /v1/chat/completions meta/muse-spark-1.1

meta/muse-spark-1.1

Meta /meta/muse-spark-1.1

Start

Muse Spark 1.1 to multimodalny model rozumowania Meta do zadań agentowych, korzystania z komputera i programowania. Pracuje z obszernym kontekstem tekstowym i wizualnym, generuje tekst i proponowane działania narzędziowe oraz ma kontekst producenta 1 048 576 tokenów z poziomami rozumowania do xhigh.

Akceptowane dane wejściowe
Tekst
Wyniki
Tekst

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · OpenAI Chat POST /v1/chat/completions
Wejście
text
Wyjście
text
Format wyjściowy
json lub SSE
PoleTypWymaganieWartości i limityDomyślnie
PolemodelTypstringWymaganieWymaganeWartości i limity
meta/muse-spark-1.1
Domyślnie—
PolemessagesTypmessage[]WymaganieWymaganeWartości i limity
Minimalna liczba elementów: 1
Domyślnie—
Polemessages[].roleTypstringWymaganieWymaganeWartości i limity
Przykłady: system, user, assistant, tool, function
Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu.
Zależy od modelu
Domyślnie—
Polemessages[].contentTypstring|content_part[]|nullWymaganieOpcjonalneWartości i limityDomyślnie—
Polemessages[].tool_callsTyptool_call[]WymaganieOpcjonalneWartości i limityDomyślnie—
Polemessages[].tool_call_idTypstringWymaganieOpcjonalneWartości i limity
Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID
Domyślnie—
Polemessages[].nameTypstringWymaganieOpcjonalneWartości i limityDomyślnie—
Polemessages[].reasoning_contentTypstringWymaganieOpcjonalneWartości i limity
Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa
Domyślnie—
Polemessages[].reasoning_detailsTypobject|arrayWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Polemax_tokensTypintegerWymaganieOpcjonalneWartości i limity
Minimum: 1
Zależy od modelu
Domyślnie—
Polemax_completion_tokensTypintegerWymaganieOpcjonalneWartości i limity
Minimum: 1
Zależy od modelu
Domyślnie—
PolestreamTypbooleanWymaganieOpcjonalneWartości i limityDomyślniefalse
Polestream_options.include_usageTypbooleanWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PoletemperatureTypnumberWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poletop_pTypnumberWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PolestopTypstring|string[]WymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PoletoolsTypfunction_tool[]WymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poletools[].typeTypstringWymaganieOpcjonalneWartości i limity
function
Zależy od modelu
Domyślnie—
Poletools[].function.nameTypstringWymaganieWymaganeWartości i limity
Obowiązuje, gdy: udostępnione narzędzie funkcji
Domyślnie—
Poletools[].function.descriptionTypstringWymaganieOpcjonalneWartości i limityDomyślnie—
Poletools[].function.parametersTypJSON_schemaWymaganieOpcjonalneWartości i limityDomyślnie—
Poletool_choiceTypstring|objectWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poleparallel_tool_callsTypbooleanWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poleresponse_formatTypobjectWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Polereasoning_effortTypstringWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PolereasoningTypobjectWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poleservice_tierTypstringWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PoleinstructionsTypstringWymaganieOpcjonalneWartości i limity
Pole zgodności
Domyślnie—
PolefunctionsTypfunction[]WymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Polefunction_callTypstring|objectWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
Poleprompt_cache_optionsTypobjectWymaganieOpcjonalneWartości i limity
Zależy od modelu
Domyślnie—
PolemodalitiesTypstring[]WymaganieOpcjonalneWartości i limity
text
Domyślnie—
PoleproviderTypobjectWymaganieOpcjonalneWartości i limity
Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra
Domyślnie—
Polecache_control.ttlTypstringWymaganieOpcjonalneWartości i limity
Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów
Domyślnie—
Kombinacje materiałów wejściowych

Tekst · tekst UTF8

messages[].content

Parametry i cykl życia metody
ParametrKontrakt
Parametrcontent_typeKontraktapplication/json
ParametrrequiredKontraktmodel, messages
Parametrmaterial_typesKontrakttext
ParametrmessagesKontrakttablica wiadomości o strukturze role/content
Parametrfile_materialKontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku
Parametroptional_controlsKontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice
Parametrcontrol_scopeKontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych
Parametroutput_modalitiesKontrakttext
Parametrhosted_operationsKontraktfalse
Parametrmultimodal_input_bindingKontraktnull

Cykl życia: synchronous_or_streamed

Wyślij dokładne ID modelu wraz z messages.

Długość kontekstu nie jest limitem wyjścia.

Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki
Stawka standardowa Gdy wybrany jest tryb szybki
Tryb flex
Stawka standardowa Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania
Stawka standardowa Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)
Intensywność rozumowania · high
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na high
Intensywność rozumowania · low
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na low
Intensywność rozumowania · medium
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na medium
Intensywność rozumowania · minimal
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na minimal
Intensywność rozumowania · xhigh
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na xhigh

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

KonfiguracjaTabela stawekTokeny kontekstu, więcej niżTokeny kontekstu, do podanej wartości włącznieOpłata
KonfiguracjaPodstawowe stawki za tokenyTabela stawekStawka podstawowaTokeny kontekstu, więcej niż—Tokeny kontekstu, do podanej wartości włącznieBez górnej granicyOpłata
Wejście · Tokeny wejściowe $0.0025 / 1K tokenów
Wyjście · Tokeny wyjściowe $0.0085 / 1K tokenów
Wejście · Odczyt cache $0.0003 / 1K tokenów
Wejście · Zapis do cache — / 1K tokenów
Wejście · Zapis do cache, 1 godz. — / 1K tokenów
KonfiguracjaPrzedział długości żądania 1Tabela stawek—Tokeny kontekstu, więcej niż0Tokeny kontekstu, do podanej wartości włącznieBez górnej granicyOpłata
Wejście · Tokeny wejściowe $0.0025 / 1K tokenów
Wyjście · Tokeny wyjściowe $0.0085 / 1K tokenów
Wejście · Odczyt cache $0.0003 / 1K tokenów
Wejście · Zapis do cache — / 1K tokenów
Wejście · Zapis do cache, 1 godz. — / 1K tokenów

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · OpenAI Chat

curlPython SDKStrumień w Pythonie
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')

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

if not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])
import base64, json
from pathlib import Path

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        ext = "png" if raw.startswith(b"\x89PNG\r\n\x1a\n") else "jpg" if raw.startswith(b"\xff\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

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

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

def save_result(data, stem="result"):
    # Keep every field, including usage, IDs, reasoning and tool requests.
    Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
    print(json.dumps(data, ensure_ascii=False, indent=2))
    def save_blob(encoded, suffix, label):
        raw = base64.b64decode(encoded, altchars=b"-_", validate=True)
        ext = "png" if raw.startswith(b"\x89PNG\r\n\x1a\n") else "jpg" if raw.startswith(b"\xff\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix
        file = Path(stem + "-" + label + "." + ext)
        file.write_bytes(raw)
        print("Saved", file)
    for index, block in enumerate(data.get("content") or []):
        print("Content", index, json.dumps(block, ensure_ascii=False))
    for choice in data.get("choices") or []:
        print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))
    for index, item in enumerate(data.get("output") or []):
        print("Output", index, json.dumps(item, ensure_ascii=False))
        if item.get("type") == "image_generation_call" and item.get("result"):
            save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))
    for ci, candidate in enumerate(data.get("candidates") or []):
        for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):
            print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))
            blob = part.get("inlineData") or part.get("inline_data")
            if blob and blob.get("data"):
                mime = blob.get("mimeType") or blob.get("mime_type")
                suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")
                save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))

with client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:
    with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:
        for event in stream:
            payload=event.to_dict(mode="json")
            log.write(json.dumps(payload,ensure_ascii=False)+"\n"); log.flush()
            print(json.dumps(payload,ensure_ascii=False))
    final=stream.get_final_completion()
    save_result(final.to_dict(mode="json"),"stream-result")

Odbieranie i zapisywanie wyników

Ailoot Ultra · OpenAI Chat

json lub SSE

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.

Pola odpowiedzi
PoleTyp
Polechoices[].indexTypinteger
Polechoices[].message.contentTypstring|null
Polechoices[].message.tool_callsTyptool_call[]
Polechoices[].message.reasoning_contentTypstring
Polechoices[].message.reasoning_detailsTypobject|array
Polechoices[].finish_reasonTypstring|null
PoleusageTypobject
Błędy i dalsze kroki
OdpowiedźWarunekNastępny krok
Odpowiedź400 · invalid_request_errorWarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametruNastępny krokPopraw wskazane pola przed nowym żądaniem utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra meta/muse-spark-1.1

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

meta/muse-spark-1.1

Ailoot Ultra · Anthropic Messages POST /v1/messages meta/muse-spark-1.1

meta/muse-spark-1.1

Meta /meta/muse-spark-1.1

Start

Muse Spark 1.1 to multimodalny model rozumowania Meta do zadań agentowych, korzystania z komputera i programowania. Pracuje z obszernym kontekstem tekstowym i wizualnym, generuje tekst i proponowane działania narzędziowe oraz ma kontekst producenta 1 048 576 tokenów z poziomami rozumowania do xhigh.

Akceptowane dane wejściowe
Tekst
Wyniki
json · sse

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Anthropic Messages POST /v1/messages
Wejście
text
Wyjście
json, sse
Format wyjściowy
JSON lub SSE
PoleTypWymaganieWartości i limityDomyślnie
PolemodelTypstringWymaganieWymaganeWartości i limity
meta/muse-spark-1.1
Domyślnie—
PolemessagesTypmessage[]WymaganieWymaganeWartości i limityDomyślnie—
Polemessages[].roleTypstringWymaganieWymaganeWartości i limity
user, assistant
Domyślnie—
Polemessages[].contentTypstringWymaganieWymaganeWartości i limityDomyślnie—
Polemax_tokensTypintegerWymaganieWymaganeWartości i limityDomyślnie—
PolestreamTypbooleanWymaganieOpcjonalneWartości i limityDomyślniefalse
Kombinacje materiałów wejściowych

Tekst · tekst UTF-8

ciąg messages[].content

Parametry i cykl życia metody
ParametrKontrakt
Parametrcontent_typeKontraktapplication/json
ParametrrequiredKontraktmodel, messages, max_tokens
Parametroptional_controlsKontraktstream
Parametrmaterial_typesKontrakttext
Parametrtext_file_materialKontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości.

Cykl życia: synchronous_or_streamed

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki
Stawka standardowa Gdy wybrany jest tryb szybki
Tryb flex
Stawka standardowa Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania
Stawka standardowa Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)
Intensywność rozumowania · high
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na high
Intensywność rozumowania · low
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na low
Intensywność rozumowania · medium
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na medium
Intensywność rozumowania · minimal
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na minimal
Intensywność rozumowania · xhigh
Stawka standardowa Gdy intensywność rozumowania jest ustawiona na xhigh

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

KonfiguracjaTabela stawekTokeny kontekstu, więcej niżTokeny kontekstu, do podanej wartości włącznieOpłata
KonfiguracjaPodstawowe stawki za tokenyTabela stawekStawka podstawowaTokeny kontekstu, więcej niż—Tokeny kontekstu, do podanej wartości włącznieBez górnej granicyOpłata
Wejście · Tokeny wejściowe $0.0025 / 1K tokenów
Wyjście · Tokeny wyjściowe $0.0085 / 1K tokenów
Wejście · Odczyt cache $0.0003 / 1K tokenów
Wejście · Zapis do cache — / 1K tokenów
Wejście · Zapis do cache, 1 godz. — / 1K tokenów
KonfiguracjaPrzedział długości żądania 1Tabela stawek—Tokeny kontekstu, więcej niż0Tokeny kontekstu, do podanej wartości włącznieBez górnej granicyOpłata
Wejście · Tokeny wejściowe $0.0025 / 1K tokenów
Wyjście · Tokeny wyjściowe $0.0085 / 1K tokenów
Wejście · Odczyt cache $0.0003 / 1K tokenów
Wejście · Zapis do cache — / 1K tokenów
Wejście · Zapis do cache, 1 godz. — / 1K tokenów

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Anthropic Messages

Kompletna minimalna treść żądania JSONcurl · użyj swojego dokumentu UTF-8Python · zapisz kompletny wynik
{
  "model": "meta/muse-spark-1.1",
  "max_tokens": 128,
  "messages": [
    {
      "role": "user",
      "content": "Summarize the incident report."
    }
  ],
  "stream": false
}
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json, os
from pathlib import Path

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
Path('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \
  -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path

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

source_file = Path(os.environ['AILOOT_TEXT_FILE'])
if not source_file.is_file():
    raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')
text = source_file.read_text(encoding='utf-8')
if not text.strip():
    raise SystemExit('Choose a document containing text')
payload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}
payload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\n\n' + text
from urllib.request import Request, urlopen
from urllib.error import HTTPError

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

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

Odbieranie i zapisywanie wyników

Ailoot Ultra · Anthropic Messages

JSON lub SSE

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.

Pola odpowiedzi
PoleTyp
PoleidTypstring
PolemodelTypstring
Polecontent[]Typtext|thinking|tool_use|other content block
Polestop_reasonTypstring|null
PoleusageTypobject
Błędy i dalsze kroki
OdpowiedźWarunekNastępny krok
Odpowiedź400 · invalid_request_errorWarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametruNastępny krokPopraw wskazane pola przed nowym żądaniem utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra meta/muse-spark-1.1

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

meta/muse-spark-1.1

FAQ · Meta: Muse Spark 1.1
Jakie dane wejściowe i wyniki są dostępne?

POST /v1/chat/completions · meta/muse-spark-1.1: text → text

POST /v1/messages · meta/muse-spark-1.1: text → json, sse

Jakich pól używa żądanie?

POST /v1/chat/completions · meta/muse-spark-1.1: model, messages, stream, modalities, provider

POST /v1/messages · meta/muse-spark-1.1: model, messages, max_tokens, stream

Jakie limity obowiązują?

POST /v1/chat/completions · meta/muse-spark-1.1: messages.min_items: 1

Więcej szczegółów

Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją.

Firma i jej portfel projektów

Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach.

Kupuj tokeny z rabatem.

Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny.

Subskrypcja
Wybierz plan z rabatem do regularnych żądań.
Kod promocyjny do 50%
Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji.
Koszty w historii
Model, tokeny i kwota są zapisywane dla każdego żądania.

Wybierz subskrypcję · Sprawdź ceny modeli

Połącz API z produktem, który sprzedajesz.

SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską.

Aplikacja komercyjna
Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi.
Licencja resellerska
Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży.
Dokumenty na stronie
Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem.

Poproś o licencję resellerską · Oferta i umowa licencyjna