Muse Spark 1.2 Contributor to eksperymentalna edycja do prototypowania z rodziny rozumowania Muse Spark 1.2 Meta. Zachowaj identyfikator Contributor oddzielnie od Standard 1.2 i późniejszych edycji 1.3. Dokumentacja rodziny producenta opisuje pracę agentową, asystentów oprogramowania, rozumowanie multimodalne, użycie narzędzi i ustrukturyzowane wyniki tekstowe; nie ustala odrębnej gwarancji wydajności Contributor na podstawie demonstracji Standard.
Udokumentowane wejścia i kontekst
Producent wymienia tekst, obrazy, wideo, dźwięk i PDF-y jako modalności wejściowe wersji 1.2 oraz tekst jako wyjście, z kontekstem 1 048 576 tokenów. Ta tabela określa udokumentowany zakres modelu producenta. Wynikiem może być pisemne wyjaśnienie, ustrukturyzowane ustalenia lub proponowany kod; renderowanie interfejsu, tworzenie nagrania lub wykonanie innego działania zewnętrznego wymaga komponentu aplikacji.
Dla prototypu wybierz jedno określone zadanie i dostarcz materiał potrzebny do sprawdzenia jego wyniku. Zrzut ekranu może towarzyszyć wymaganiu konkretnej interakcji. PDF może dostarczać stwierdzeń do porównania lub wyodrębnienia. Wideo może pokazywać widoczną sekwencję do opisania, natomiast pytanie audiowizualne powinno wskazywać istotny szczegół wypowiedziany lub widoczny. Oznacz każde źródło i poproś o dowody potwierdzające odpowiedź.
Wydanie 1.2 opisuje mocne strony rodziny w przekształcaniu materiału wizualnego w kod i rozumowaniu nad wykresami lub scenami. Stosuj je jako dziedziny zadań, a nie twierdzenie, że ta edycja Contributor odtwarza każdą demonstrację Standard. Praktyczne żądanie może dotyczyć elementów układu widocznych na zrzucie ekranu, proponowanej implementacji i pytań pozostających wobec zachowania niewidocznego na obrazie.
Rozumowanie i przygotowanie wyniku
Przewodnik rozumowania Muse Spark podaje poziomy wysiłku minimal, low, medium, high i xhigh dla tej edycji. Max jest właściwy dla Standard 1.3, a wyłączanie rozumowania przez none jest nieobsługiwane. Bez jawnego ustawienia model nadal używa poziomu rozumowania określanego przez model. Mała ekstrakcja i wieloetapowy problem wizualny lub programistyczny mogą więc mieć różne wybory wysiłku przy zachowaniu tej samej tożsamości 1.2 Contributor.
Budżet wyjściowy obejmuje łącznie wewnętrzne rozumowanie i widoczny tekst. Surowe rozumowanie jest prywatne, więc poproś o wyjaśnienie lub końcowy rezultat potrzebny użytkownikowi, zamiast oczekiwać bazowego zapisu. Ustaw długość odpowiedzi i pola zadania zgodnie z tym, co będzie później sprawdzane.
Przy porównaniu dokumentów poproś o stwierdzenie źródłowe, jego stronę, warunek, który ustala, i wszelkie sprzeczności. Przy prototypie kodu określ akceptowane wejście, oczekiwany wynik i interfejs do zachowania. Poproś o proponowany fragment oddzielnie od założeń i przykładowych wejść. Te wymagania określają wynik możliwy do przeglądu, zamiast otwartego eksperymentu bez kryterium ukończenia.
Eksperymenty wspomagane narzędziami
Użycie narzędzi zdefiniowanych przez programistę przebiega w pętli model-aplikacja. Aplikacja opisuje funkcje, model wybiera operację i przygotowuje argumenty, a aplikacja ją wykonuje i zwraca wynik. Wyszukanie może dostarczać informacji referencyjnych; narzędzie wykonawcze może dostarczać informacji o tym, co stało się po uruchomieniu proponowanego kodu. Zachowuj powiązanie operacji źródłowej i zwróconego wyniku przed poproszeniem o następną odpowiedź.
Ogłoszenie rodziny 1.2 kładzie nacisk na użycie narzędzi do dokładniejszego oglądania wejść wizualnych i wygenerowanych rezultatów. Oznacza to, że środowisko zapewnia operację oględzin lub renderowania. Sama propozycja tekstowa nie jest wyrenderowaną stroną ani wykonaną interakcją. Określ, co zwracają narzędzia, aby model mógł powiązać informację zwrotną z rzeczywistym wymaganiem.
Ustrukturyzowane wyjście może organizować ustalenia eksperymentu w dostarczonym schemacie. Zdefiniuj nazwy pól, wymagane typy i obsługę brakujących wartości, zachowując identyfikatory źródeł obok wyodrębnionych informacji. Poprawny składniowo rekord i poprawna interpretacja są różnymi właściwościami; zachowaj materiał oryginalny do sprawdzenia tej drugiej.
Ograniczenia edycji i ciągłości
Zwykły proces czatu producenta nie zwraca prywatnego kontekstu rozumowania do odtworzenia przez zewnętrznych wywołujących. Przy kontynuowaniu eksperymentu zachowuj widoczną historię, fakty źródłowe i wyniki narzędzi oraz korzystaj wyłącznie z mechanizmów ciągłości udokumentowanych dla podłączonego interfejsu. Logarytmy prawdopodobieństw nie są obsługiwane dla Muse Spark, więc nie należy traktować ich jako wbudowanej oceny pewności wyodrębnionego pola.
Opublikowana tabela kontekstu i modalności należy do tej nazwanej edycji 1.2; nie powinna dziedziczyć ustawienia max z 1.3 ani jego ograniczenia audio. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza kontekstem. Zachowuj jawnie cel prototypu, materiał i wynik tekstowy możliwy do sprawdzenia, utrzymując tożsamość Contributor i rzeczywiste wyniki zwrócone przez narzędzia.
", "aboutText": "Muse Spark 1.2 Contributor to eksperymentalna edycja do prototypowania z rodziny rozumowania Muse Spark 1.2 Meta. Zachowaj identyfikator Contributor oddzielnie od Standard 1.2 i późniejszych edycji 1.3. Dokumentacja rodziny producenta opisuje pracę agentową, asystentów oprogramowania, rozumowanie multimodalne, użycie narzędzi i ustrukturyzowane wyniki tekstowe; nie ustala odrębnej gwarancji wydajności Contributor na podstawie demonstracji Standard.\n\nUdokumentowane wejścia i kontekst\n\nProducent wymienia tekst, obrazy, wideo, dźwięk i PDF-y jako modalności wejściowe wersji 1.2 oraz tekst jako wyjście, z kontekstem 1 048 576 tokenów. Ta tabela określa udokumentowany zakres modelu producenta. Wynikiem może być pisemne wyjaśnienie, ustrukturyzowane ustalenia lub proponowany kod; renderowanie interfejsu, tworzenie nagrania lub wykonanie innego działania zewnętrznego wymaga komponentu aplikacji.\n\nDla prototypu wybierz jedno określone zadanie i dostarcz materiał potrzebny do sprawdzenia jego wyniku. Zrzut ekranu może towarzyszyć wymaganiu konkretnej interakcji. PDF może dostarczać stwierdzeń do porównania lub wyodrębnienia. Wideo może pokazywać widoczną sekwencję do opisania, natomiast pytanie audiowizualne powinno wskazywać istotny szczegół wypowiedziany lub widoczny. Oznacz każde źródło i poproś o dowody potwierdzające odpowiedź.\n\nWydanie 1.2 opisuje mocne strony rodziny w przekształcaniu materiału wizualnego w kod i rozumowaniu nad wykresami lub scenami. Stosuj je jako dziedziny zadań, a nie twierdzenie, że ta edycja Contributor odtwarza każdą demonstrację Standard. Praktyczne żądanie może dotyczyć elementów układu widocznych na zrzucie ekranu, proponowanej implementacji i pytań pozostających wobec zachowania niewidocznego na obrazie.\n\nRozumowanie i przygotowanie wyniku\n\nPrzewodnik rozumowania Muse Spark podaje poziomy wysiłku minimal, low, medium, high i xhigh dla tej edycji. Max jest właściwy dla Standard 1.3, a wyłączanie rozumowania przez none jest nieobsługiwane. Bez jawnego ustawienia model nadal używa poziomu rozumowania określanego przez model. Mała ekstrakcja i wieloetapowy problem wizualny lub programistyczny mogą więc mieć różne wybory wysiłku przy zachowaniu tej samej tożsamości 1.2 Contributor.\n\nBudżet wyjściowy obejmuje łącznie wewnętrzne rozumowanie i widoczny tekst. Surowe rozumowanie jest prywatne, więc poproś o wyjaśnienie lub końcowy rezultat potrzebny użytkownikowi, zamiast oczekiwać bazowego zapisu. Ustaw długość odpowiedzi i pola zadania zgodnie z tym, co będzie później sprawdzane.\n\nPrzy porównaniu dokumentów poproś o stwierdzenie źródłowe, jego stronę, warunek, który ustala, i wszelkie sprzeczności. Przy prototypie kodu określ akceptowane wejście, oczekiwany wynik i interfejs do zachowania. Poproś o proponowany fragment oddzielnie od założeń i przykładowych wejść. Te wymagania określają wynik możliwy do przeglądu, zamiast otwartego eksperymentu bez kryterium ukończenia.\n\nEksperymenty wspomagane narzędziami\n\nUżycie narzędzi zdefiniowanych przez programistę przebiega w pętli model-aplikacja. Aplikacja opisuje funkcje, model wybiera operację i przygotowuje argumenty, a aplikacja ją wykonuje i zwraca wynik. Wyszukanie może dostarczać informacji referencyjnych; narzędzie wykonawcze może dostarczać informacji o tym, co stało się po uruchomieniu proponowanego kodu. Zachowuj powiązanie operacji źródłowej i zwróconego wyniku przed poproszeniem o następną odpowiedź.\n\nOgłoszenie rodziny 1.2 kładzie nacisk na użycie narzędzi do dokładniejszego oglądania wejść wizualnych i wygenerowanych rezultatów. Oznacza to, że środowisko zapewnia operację oględzin lub renderowania. Sama propozycja tekstowa nie jest wyrenderowaną stroną ani wykonaną interakcją. Określ, co zwracają narzędzia, aby model mógł powiązać informację zwrotną z rzeczywistym wymaganiem.\n\nUstrukturyzowane wyjście może organizować ustalenia eksperymentu w dostarczonym schemacie. Zdefiniuj nazwy pól, wymagane typy i obsługę brakujących wartości, zachowując identyfikatory źródeł obok wyodrębnionych informacji. Poprawny składniowo rekord i poprawna interpretacja są różnymi właściwościami; zachowaj materiał oryginalny do sprawdzenia tej drugiej.\n\nOgraniczenia edycji i ciągłości\n\nZwykły proces czatu producenta nie zwraca prywatnego kontekstu rozumowania do odtworzenia przez zewnętrznych wywołujących. Przy kontynuowaniu eksperymentu zachowuj widoczną historię, fakty źródłowe i wyniki narzędzi oraz korzystaj wyłącznie z mechanizmów ciągłości udokumentowanych dla podłączonego interfejsu. Logarytmy prawdopodobieństw nie są obsługiwane dla Muse Spark, więc nie należy traktować ich jako wbudowanej oceny pewności wyodrębnionego pola.\n\nOpublikowana tabela kontekstu i modalności należy do tej nazwanej edycji 1.2; nie powinna dziedziczyć ustawienia max z 1.3 ani jego ograniczenia audio. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza kontekstem. Zachowuj jawnie cel prototypu, materiał i wynik tekstowy możliwy do sprawdzenia, utrzymując tożsamość Contributor i rzeczywiste wyniki zwrócone przez narzędzia.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Prototype a bounded state reducer\n\nPropose a JavaScript reducer for an upload widget with states idle, uploading, success and error. Events start, finish and fail are supplied as plain strings. Only uploading may transition to success or error; start resets any state to uploading. Include a transition table and tests for an invalid finish from idle.Reducer code, a transition table and tests covering valid and ignored transitions.Check that finish from idle is ignored and that the proposal does not claim a rendered or executed widget.meta/muse-spark-1.2-contributorMuse Spark 1.2 Contributor to osobno nazwana edycja rozumowania Meta do prototypowych i eksperymentalnych procesów agentowych. Meta dokumentuje kontekst 1 048 576 tokenów i multimodalne wejście z tekstowym wyjściem; edycja zachowuje własną tożsamość i poziomy rozumowania bez max z 1.3 Standard.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Muse Spark 1.2 Contributor to eksperymentalna edycja do prototypowania z rodziny rozumowania Muse Spark 1.2 Meta. Zachowaj identyfikator Contributor oddzielnie od Standard 1.2 i późniejszych edycji 1.3. Dokumentacja rodziny producenta opisuje pracę agentową, asystentów oprogramowania, rozumowanie multimodalne, użycie narzędzi i ustrukturyzowane wyniki tekstowe; nie ustala odrębnej gwarancji wydajności Contributor na podstawie demonstracji Standard.
Udokumentowane wejścia i kontekst
Producent wymienia tekst, obrazy, wideo, dźwięk i PDF-y jako modalności wejściowe wersji 1.2 oraz tekst jako wyjście, z kontekstem 1 048 576 tokenów. Ta tabela określa udokumentowany zakres modelu producenta. Wynikiem może być pisemne wyjaśnienie, ustrukturyzowane ustalenia lub proponowany kod; renderowanie interfejsu, tworzenie nagrania lub wykonanie innego działania zewnętrznego wymaga komponentu aplikacji.
Dla prototypu wybierz jedno określone zadanie i dostarcz materiał potrzebny do sprawdzenia jego wyniku. Zrzut ekranu może towarzyszyć wymaganiu konkretnej interakcji. PDF może dostarczać stwierdzeń do porównania lub wyodrębnienia. Wideo może pokazywać widoczną sekwencję do opisania, natomiast pytanie audiowizualne powinno wskazywać istotny szczegół wypowiedziany lub widoczny. Oznacz każde źródło i poproś o dowody potwierdzające odpowiedź.
Wydanie 1.2 opisuje mocne strony rodziny w przekształcaniu materiału wizualnego w kod i rozumowaniu nad wykresami lub scenami. Stosuj je jako dziedziny zadań, a nie twierdzenie, że ta edycja Contributor odtwarza każdą demonstrację Standard. Praktyczne żądanie może dotyczyć elementów układu widocznych na zrzucie ekranu, proponowanej implementacji i pytań pozostających wobec zachowania niewidocznego na obrazie.
Rozumowanie i przygotowanie wyniku
Przewodnik rozumowania Muse Spark podaje poziomy wysiłku minimal, low, medium, high i xhigh dla tej edycji. Max jest właściwy dla Standard 1.3, a wyłączanie rozumowania przez none jest nieobsługiwane. Bez jawnego ustawienia model nadal używa poziomu rozumowania określanego przez model. Mała ekstrakcja i wieloetapowy problem wizualny lub programistyczny mogą więc mieć różne wybory wysiłku przy zachowaniu tej samej tożsamości 1.2 Contributor.
Budżet wyjściowy obejmuje łącznie wewnętrzne rozumowanie i widoczny tekst. Surowe rozumowanie jest prywatne, więc poproś o wyjaśnienie lub końcowy rezultat potrzebny użytkownikowi, zamiast oczekiwać bazowego zapisu. Ustaw długość odpowiedzi i pola zadania zgodnie z tym, co będzie później sprawdzane.
Przy porównaniu dokumentów poproś o stwierdzenie źródłowe, jego stronę, warunek, który ustala, i wszelkie sprzeczności. Przy prototypie kodu określ akceptowane wejście, oczekiwany wynik i interfejs do zachowania. Poproś o proponowany fragment oddzielnie od założeń i przykładowych wejść. Te wymagania określają wynik możliwy do przeglądu, zamiast otwartego eksperymentu bez kryterium ukończenia.
Eksperymenty wspomagane narzędziami
Użycie narzędzi zdefiniowanych przez programistę przebiega w pętli model-aplikacja. Aplikacja opisuje funkcje, model wybiera operację i przygotowuje argumenty, a aplikacja ją wykonuje i zwraca wynik. Wyszukanie może dostarczać informacji referencyjnych; narzędzie wykonawcze może dostarczać informacji o tym, co stało się po uruchomieniu proponowanego kodu. Zachowuj powiązanie operacji źródłowej i zwróconego wyniku przed poproszeniem o następną odpowiedź.
Ogłoszenie rodziny 1.2 kładzie nacisk na użycie narzędzi do dokładniejszego oglądania wejść wizualnych i wygenerowanych rezultatów. Oznacza to, że środowisko zapewnia operację oględzin lub renderowania. Sama propozycja tekstowa nie jest wyrenderowaną stroną ani wykonaną interakcją. Określ, co zwracają narzędzia, aby model mógł powiązać informację zwrotną z rzeczywistym wymaganiem.
Ustrukturyzowane wyjście może organizować ustalenia eksperymentu w dostarczonym schemacie. Zdefiniuj nazwy pól, wymagane typy i obsługę brakujących wartości, zachowując identyfikatory źródeł obok wyodrębnionych informacji. Poprawny składniowo rekord i poprawna interpretacja są różnymi właściwościami; zachowaj materiał oryginalny do sprawdzenia tej drugiej.
Ograniczenia edycji i ciągłości
Zwykły proces czatu producenta nie zwraca prywatnego kontekstu rozumowania do odtworzenia przez zewnętrznych wywołujących. Przy kontynuowaniu eksperymentu zachowuj widoczną historię, fakty źródłowe i wyniki narzędzi oraz korzystaj wyłącznie z mechanizmów ciągłości udokumentowanych dla podłączonego interfejsu. Logarytmy prawdopodobieństw nie są obsługiwane dla Muse Spark, więc nie należy traktować ich jako wbudowanej oceny pewności wyodrębnionego pola.
Opublikowana tabela kontekstu i modalności należy do tej nazwanej edycji 1.2; nie powinna dziedziczyć ustawienia max z 1.3 ani jego ograniczenia audio. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza kontekstem. Zachowuj jawnie cel prototypu, materiał i wynik tekstowy możliwy do sprawdzenia, utrzymując tożsamość Contributor i rzeczywiste wyniki zwrócone przez narzędzia.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta/muse-spark-1.2-contributor | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości 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[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
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.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-contributor", "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-contributor',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-contributor',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 lub SSE
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.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra meta/muse-spark-1.2-contributor
Użyj ścieżek metod podanych powyżej.
meta/muse-spark-1.2-contributorMuse Spark 1.2 Contributor to osobno nazwana edycja rozumowania Meta do prototypowych i eksperymentalnych procesów agentowych. Meta dokumentuje kontekst 1 048 576 tokenów i multimodalne wejście z tekstowym wyjściem; edycja zachowuje własną tożsamość i poziomy rozumowania bez max z 1.3 Standard.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Muse Spark 1.2 Contributor to eksperymentalna edycja do prototypowania z rodziny rozumowania Muse Spark 1.2 Meta. Zachowaj identyfikator Contributor oddzielnie od Standard 1.2 i późniejszych edycji 1.3. Dokumentacja rodziny producenta opisuje pracę agentową, asystentów oprogramowania, rozumowanie multimodalne, użycie narzędzi i ustrukturyzowane wyniki tekstowe; nie ustala odrębnej gwarancji wydajności Contributor na podstawie demonstracji Standard.
Udokumentowane wejścia i kontekst
Producent wymienia tekst, obrazy, wideo, dźwięk i PDF-y jako modalności wejściowe wersji 1.2 oraz tekst jako wyjście, z kontekstem 1 048 576 tokenów. Ta tabela określa udokumentowany zakres modelu producenta. Wynikiem może być pisemne wyjaśnienie, ustrukturyzowane ustalenia lub proponowany kod; renderowanie interfejsu, tworzenie nagrania lub wykonanie innego działania zewnętrznego wymaga komponentu aplikacji.
Dla prototypu wybierz jedno określone zadanie i dostarcz materiał potrzebny do sprawdzenia jego wyniku. Zrzut ekranu może towarzyszyć wymaganiu konkretnej interakcji. PDF może dostarczać stwierdzeń do porównania lub wyodrębnienia. Wideo może pokazywać widoczną sekwencję do opisania, natomiast pytanie audiowizualne powinno wskazywać istotny szczegół wypowiedziany lub widoczny. Oznacz każde źródło i poproś o dowody potwierdzające odpowiedź.
Wydanie 1.2 opisuje mocne strony rodziny w przekształcaniu materiału wizualnego w kod i rozumowaniu nad wykresami lub scenami. Stosuj je jako dziedziny zadań, a nie twierdzenie, że ta edycja Contributor odtwarza każdą demonstrację Standard. Praktyczne żądanie może dotyczyć elementów układu widocznych na zrzucie ekranu, proponowanej implementacji i pytań pozostających wobec zachowania niewidocznego na obrazie.
Rozumowanie i przygotowanie wyniku
Przewodnik rozumowania Muse Spark podaje poziomy wysiłku minimal, low, medium, high i xhigh dla tej edycji. Max jest właściwy dla Standard 1.3, a wyłączanie rozumowania przez none jest nieobsługiwane. Bez jawnego ustawienia model nadal używa poziomu rozumowania określanego przez model. Mała ekstrakcja i wieloetapowy problem wizualny lub programistyczny mogą więc mieć różne wybory wysiłku przy zachowaniu tej samej tożsamości 1.2 Contributor.
Budżet wyjściowy obejmuje łącznie wewnętrzne rozumowanie i widoczny tekst. Surowe rozumowanie jest prywatne, więc poproś o wyjaśnienie lub końcowy rezultat potrzebny użytkownikowi, zamiast oczekiwać bazowego zapisu. Ustaw długość odpowiedzi i pola zadania zgodnie z tym, co będzie później sprawdzane.
Przy porównaniu dokumentów poproś o stwierdzenie źródłowe, jego stronę, warunek, który ustala, i wszelkie sprzeczności. Przy prototypie kodu określ akceptowane wejście, oczekiwany wynik i interfejs do zachowania. Poproś o proponowany fragment oddzielnie od założeń i przykładowych wejść. Te wymagania określają wynik możliwy do przeglądu, zamiast otwartego eksperymentu bez kryterium ukończenia.
Eksperymenty wspomagane narzędziami
Użycie narzędzi zdefiniowanych przez programistę przebiega w pętli model-aplikacja. Aplikacja opisuje funkcje, model wybiera operację i przygotowuje argumenty, a aplikacja ją wykonuje i zwraca wynik. Wyszukanie może dostarczać informacji referencyjnych; narzędzie wykonawcze może dostarczać informacji o tym, co stało się po uruchomieniu proponowanego kodu. Zachowuj powiązanie operacji źródłowej i zwróconego wyniku przed poproszeniem o następną odpowiedź.
Ogłoszenie rodziny 1.2 kładzie nacisk na użycie narzędzi do dokładniejszego oglądania wejść wizualnych i wygenerowanych rezultatów. Oznacza to, że środowisko zapewnia operację oględzin lub renderowania. Sama propozycja tekstowa nie jest wyrenderowaną stroną ani wykonaną interakcją. Określ, co zwracają narzędzia, aby model mógł powiązać informację zwrotną z rzeczywistym wymaganiem.
Ustrukturyzowane wyjście może organizować ustalenia eksperymentu w dostarczonym schemacie. Zdefiniuj nazwy pól, wymagane typy i obsługę brakujących wartości, zachowując identyfikatory źródeł obok wyodrębnionych informacji. Poprawny składniowo rekord i poprawna interpretacja są różnymi właściwościami; zachowaj materiał oryginalny do sprawdzenia tej drugiej.
Ograniczenia edycji i ciągłości
Zwykły proces czatu producenta nie zwraca prywatnego kontekstu rozumowania do odtworzenia przez zewnętrznych wywołujących. Przy kontynuowaniu eksperymentu zachowuj widoczną historię, fakty źródłowe i wyniki narzędzi oraz korzystaj wyłącznie z mechanizmów ciągłości udokumentowanych dla podłączonego interfejsu. Logarytmy prawdopodobieństw nie są obsługiwane dla Muse Spark, więc nie należy traktować ich jako wbudowanej oceny pewności wyodrębnionego pola.
Opublikowana tabela kontekstu i modalności należy do tej nazwanej edycji 1.2; nie powinna dziedziczyć ustawienia max z 1.3 ani jego ograniczenia audio. Przeczytane źródła nie podają osobnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza kontekstem. Zachowuj jawnie cel prototypu, materiał i wynik tekstowy możliwy do sprawdzenia, utrzymując tożsamość Contributor i rzeczywiste wyniki zwrócone przez narzędzia.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta/muse-spark-1.2-contributor | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0.0004 / 1K tokenów Wejście · Odczyt cache $0.000004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "meta/muse-spark-1.2-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-contributor', '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-contributor', '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 lub SSE
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.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra meta/muse-spark-1.2-contributor
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Prototype a bounded state reducer\n\nPropose a JavaScript reducer for an upload widget with states idle, uploading, success and error. Events start, finish and fail are supplied as plain strings. Only uploading may transition to success or error; start resets any state to uploading. Include a transition table and tests for an invalid finish from idle.Reducer code, a transition table and tests covering valid and ignored transitions.Check that finish from idle is ignored and that the proposal does not claim a rendered or executed widget.