Muse Spark 1.3 Contributor to osobno nazwana edycja w rodzinie Muse Spark Meta do prototypowania i eksperymentowania. Rodzina jest zaprojektowana do pracy agentowej i programistycznej: wieloetapowych pętli narzędziowych, asystentów oprogramowania i rozumowania nad obszernym materiałem źródłowym. Zachowaj nazwę Contributor przy wyborze edycji, zamiast traktować ją jako wpis Standard 1.3 z każdym ustawieniem przeniesionym bez zmian.
Wejścia i kontekst
Oficjalna tabela modeli wymienia tekst, obrazy, wideo i PDF-y jako wejścia oraz tekst jako wyjście, z oknem kontekstu 1 048 576 tokenów. Zadanie może łączyć pisemne wymaganie, zrzut ekranu, odpowiedni klip lub strony dokumentu i wymagać pisemnego wyjaśnienia, ustrukturyzowanych ustaleń lub propozycji kodu. Tekstowy wynik modelu może stać się rezultatem w otaczającej aplikacji; renderowanie strony lub wykonanie kodu wymaga tego środowiska aplikacyjnego.
Wskaż każde źródło i jego rolę przed poproszeniem o wynik. Zadanie prototypowania interfejsu może łączyć zrzut ekranu z pożądanym zachowaniem i istniejącym fragmentem kodu. Poproś o widoczne różnice, proponowaną zmianę implementacji i założenia nadal wymagające wyjaśnienia. Zadanie dokumentowe może określać pola do wyodrębnienia i wymagać potwierdzającej strony lub fragmentu przy każdym ustaleniu.
Producent zaznacza, że rozumienie dźwięku w wersji 1.3 nie jest w pełni obsługiwane i może dawać odpowiedzi niższej jakości. Traktuj to jako ograniczenie właściwe dla wersji, zamiast kopiować do tego opisu możliwości audio Muse Spark 1.2 lub osobno nazwanego modelu transkrypcyjnego.
Poziomy rozumowania i budżet odpowiedzi
Muse Spark generuje wewnętrzne rozumowanie przed widoczną odpowiedzią. Udokumentowane poziomy wysiłku mające tu zastosowanie to minimal, low, medium, high i xhigh. Poziom max należy wyłącznie do Standard Muse Spark 1.3 i nie jest dostępny dla modeli Contributor. Wyłączanie rozumowania przez none nie jest obsługiwane; pominięcie ustawienia nadal pozostawia rozumowanie na poziomie określanym przez model.
Budżet tokenów wyjściowych obejmuje zarówno wewnętrzne rozumowanie, jak i widoczny tekst. Żądanie długiego wyniku pisemnego wymaga więc miejsca na oba, szczególnie przy wyższym wysiłku rozumowania. Surowe wewnętrzne rozumowanie pozostaje prywatne, a logarytmy prawdopodobieństw nie są obsługiwane jako miara pewności. Poproś o wyjaśnienie, pola lub końcowy kod potrzebny w zadaniu, zamiast zakładać, że bazowy zapis rozumowania zostanie zwrócony jako czytelny tekst.
Przy skoncentrowanym eksperymencie ekstrakcji lub formatowania zdefiniuj dokładny rekord i materiał źródłowy. Przy wieloetapowym problemie programistycznym lub wizualnym określ decyzje pośrednie i końcowy rezultat. Wyższy wysiłek rozumowania zmienia przydział na rozumowanie; sam nie określa, co stanowi ukończony, użyteczny wynik.
Narzędzia i ustrukturyzowane ustalenia
Dokumentacja Muse Spark producenta opisuje wywoływanie narzędzi zdefiniowanych przez programistę i ustrukturyzowane wyjście. Aplikacja dostarcza definicje narzędzi, model decyduje, jaka operacja jest potrzebna, i przygotowuje jej argumenty, a aplikacja wykonuje każde wywołanie i zwraca odpowiedni wynik. Następna odpowiedź może użyć tych wyników do określenia dalszego działania. Proponowane wywołanie jest odrębne od ukończonej operacji.
Ta sama dokumentacja odróżnia podłączone wbudowane narzędzia wyszukiwania od funkcji zdefiniowanych przez programistę. Wyszukiwanie lub wykonanie kodu jest częścią środowiska narzędziowego, a nie dodatkową modalnością treści odpowiedzi tekstowej. W prototypie udostępniaj tylko operacje istotne dla pytania i opisuj, co każda zwraca, aby późniejsza odpowiedź pozostała powiązana z rzeczywiście wyszukanymi lub obliczonymi informacjami.
Przy ustrukturyzowanej ekstrakcji określ nazwy pól, wymagane informacje i sposób przedstawiania brakujących wartości. Praktyczny rekord może zawierać identyfikator źródła, zaobserwowany fakt, interpretację i pytanie nadal wymagające wyjaśnienia. Oddziel rekord od opcjonalnego tekstu opisowego, gdy aplikacja musi niezawodnie przetwarzać pola. Interfejs schematów producenta odrzuca schematy rekurencyjne i ogranicza zagnieżdżenie do dziesięciu poziomów. Jego tryb ścisły wymaga zwykłego obiektu jako korzenia, obowiązkowości każdej wymienionej właściwości i zakazu dodatkowych właściwości. Dopasowana struktura nie ustala poprawności faktów.
Użyteczne zadanie prototypowe
Wybierz jeden proces, który może wytworzyć rezultat możliwy do sprawdzenia. Dostarcz wymaganie, przykład wizualny i kod określający bieżące zachowanie. Poproś o krótkie porównanie, proponowany zmieniony fragment i przykłady odróżniające oczekiwane zachowanie od bieżącego. Dołącz każdy wynik wyszukiwania lub wykonania zwrócony przez aplikację przed poproszeniem o końcowe wyjaśnienie.
Przy prototypie dokumentowym podaj PDF i pytanie do rozstrzygnięcia, a następnie poproś o podsumowanie powiązane ze źródłami lub tabelę porównawczą. Przy wideo wskaż zdarzenie lub relację wizualną do zbadania i poproś o uporządkowany opis z potwierdzającymi obserwacjami. Określ długość i sekcje odpowiedzi końcowej, aby duży kontekst modelu służył rzeczywistemu pytaniu.
Granice edycji i ciągłości
Contributor pozostaje własną nazwaną edycją 1.3 z udokumentowanym kontekstem i typami wejścia. Przewodnik rozumowania Meta odróżnia zwykłą historię rozmowy od zachowania prywatnego rozumowania między turami: interfejs czatu producenta nie zwraca tego prywatnego zapisu zewnętrznym wywołującym. Zachowuj widoczne wiadomości, źródła i wyniki narzędzi potrzebne do kontynuacji, zamiast zakładać, że każdy interfejs przenosi wewnętrzne rozumowanie dalej.
Przeczytane źródła nie określają osobnej sztywnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza oknem kontekstu. Zachowaj edycję, przygotowanie wejścia i żądany rezultat oraz utrzymuj powiązanie wykonania narzędzi i dostarczenia końcowego tekstu z wynikami rzeczywiście uzyskanymi w procesie prototypowania.
", "aboutText": "Muse Spark 1.3 Contributor to osobno nazwana edycja w rodzinie Muse Spark Meta do prototypowania i eksperymentowania. Rodzina jest zaprojektowana do pracy agentowej i programistycznej: wieloetapowych pętli narzędziowych, asystentów oprogramowania i rozumowania nad obszernym materiałem źródłowym. Zachowaj nazwę Contributor przy wyborze edycji, zamiast traktować ją jako wpis Standard 1.3 z każdym ustawieniem przeniesionym bez zmian.\n\nWejścia i kontekst\n\nOficjalna tabela modeli wymienia tekst, obrazy, wideo i PDF-y jako wejścia oraz tekst jako wyjście, z oknem kontekstu 1 048 576 tokenów. Zadanie może łączyć pisemne wymaganie, zrzut ekranu, odpowiedni klip lub strony dokumentu i wymagać pisemnego wyjaśnienia, ustrukturyzowanych ustaleń lub propozycji kodu. Tekstowy wynik modelu może stać się rezultatem w otaczającej aplikacji; renderowanie strony lub wykonanie kodu wymaga tego środowiska aplikacyjnego.\n\nWskaż każde źródło i jego rolę przed poproszeniem o wynik. Zadanie prototypowania interfejsu może łączyć zrzut ekranu z pożądanym zachowaniem i istniejącym fragmentem kodu. Poproś o widoczne różnice, proponowaną zmianę implementacji i założenia nadal wymagające wyjaśnienia. Zadanie dokumentowe może określać pola do wyodrębnienia i wymagać potwierdzającej strony lub fragmentu przy każdym ustaleniu.\n\nProducent zaznacza, że rozumienie dźwięku w wersji 1.3 nie jest w pełni obsługiwane i może dawać odpowiedzi niższej jakości. Traktuj to jako ograniczenie właściwe dla wersji, zamiast kopiować do tego opisu możliwości audio Muse Spark 1.2 lub osobno nazwanego modelu transkrypcyjnego.\n\nPoziomy rozumowania i budżet odpowiedzi\n\nMuse Spark generuje wewnętrzne rozumowanie przed widoczną odpowiedzią. Udokumentowane poziomy wysiłku mające tu zastosowanie to minimal, low, medium, high i xhigh. Poziom max należy wyłącznie do Standard Muse Spark 1.3 i nie jest dostępny dla modeli Contributor. Wyłączanie rozumowania przez none nie jest obsługiwane; pominięcie ustawienia nadal pozostawia rozumowanie na poziomie określanym przez model.\n\nBudżet tokenów wyjściowych obejmuje zarówno wewnętrzne rozumowanie, jak i widoczny tekst. Żądanie długiego wyniku pisemnego wymaga więc miejsca na oba, szczególnie przy wyższym wysiłku rozumowania. Surowe wewnętrzne rozumowanie pozostaje prywatne, a logarytmy prawdopodobieństw nie są obsługiwane jako miara pewności. Poproś o wyjaśnienie, pola lub końcowy kod potrzebny w zadaniu, zamiast zakładać, że bazowy zapis rozumowania zostanie zwrócony jako czytelny tekst.\n\nPrzy skoncentrowanym eksperymencie ekstrakcji lub formatowania zdefiniuj dokładny rekord i materiał źródłowy. Przy wieloetapowym problemie programistycznym lub wizualnym określ decyzje pośrednie i końcowy rezultat. Wyższy wysiłek rozumowania zmienia przydział na rozumowanie; sam nie określa, co stanowi ukończony, użyteczny wynik.\n\nNarzędzia i ustrukturyzowane ustalenia\n\nDokumentacja Muse Spark producenta opisuje wywoływanie narzędzi zdefiniowanych przez programistę i ustrukturyzowane wyjście. Aplikacja dostarcza definicje narzędzi, model decyduje, jaka operacja jest potrzebna, i przygotowuje jej argumenty, a aplikacja wykonuje każde wywołanie i zwraca odpowiedni wynik. Następna odpowiedź może użyć tych wyników do określenia dalszego działania. Proponowane wywołanie jest odrębne od ukończonej operacji.\n\nTa sama dokumentacja odróżnia podłączone wbudowane narzędzia wyszukiwania od funkcji zdefiniowanych przez programistę. Wyszukiwanie lub wykonanie kodu jest częścią środowiska narzędziowego, a nie dodatkową modalnością treści odpowiedzi tekstowej. W prototypie udostępniaj tylko operacje istotne dla pytania i opisuj, co każda zwraca, aby późniejsza odpowiedź pozostała powiązana z rzeczywiście wyszukanymi lub obliczonymi informacjami.\n\nPrzy ustrukturyzowanej ekstrakcji określ nazwy pól, wymagane informacje i sposób przedstawiania brakujących wartości. Praktyczny rekord może zawierać identyfikator źródła, zaobserwowany fakt, interpretację i pytanie nadal wymagające wyjaśnienia. Oddziel rekord od opcjonalnego tekstu opisowego, gdy aplikacja musi niezawodnie przetwarzać pola. Interfejs schematów producenta odrzuca schematy rekurencyjne i ogranicza zagnieżdżenie do dziesięciu poziomów. Jego tryb ścisły wymaga zwykłego obiektu jako korzenia, obowiązkowości każdej wymienionej właściwości i zakazu dodatkowych właściwości. Dopasowana struktura nie ustala poprawności faktów.\n\nUżyteczne zadanie prototypowe\n\nWybierz jeden proces, który może wytworzyć rezultat możliwy do sprawdzenia. Dostarcz wymaganie, przykład wizualny i kod określający bieżące zachowanie. Poproś o krótkie porównanie, proponowany zmieniony fragment i przykłady odróżniające oczekiwane zachowanie od bieżącego. Dołącz każdy wynik wyszukiwania lub wykonania zwrócony przez aplikację przed poproszeniem o końcowe wyjaśnienie.\n\nPrzy prototypie dokumentowym podaj PDF i pytanie do rozstrzygnięcia, a następnie poproś o podsumowanie powiązane ze źródłami lub tabelę porównawczą. Przy wideo wskaż zdarzenie lub relację wizualną do zbadania i poproś o uporządkowany opis z potwierdzającymi obserwacjami. Określ długość i sekcje odpowiedzi końcowej, aby duży kontekst modelu służył rzeczywistemu pytaniu.\n\nGranice edycji i ciągłości\n\nContributor pozostaje własną nazwaną edycją 1.3 z udokumentowanym kontekstem i typami wejścia. Przewodnik rozumowania Meta odróżnia zwykłą historię rozmowy od zachowania prywatnego rozumowania między turami: interfejs czatu producenta nie zwraca tego prywatnego zapisu zewnętrznym wywołującym. Zachowuj widoczne wiadomości, źródła i wyniki narzędzi potrzebne do kontynuacji, zamiast zakładać, że każdy interfejs przenosi wewnętrzne rozumowanie dalej.\n\nPrzeczytane źródła nie określają osobnej sztywnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza oknem kontekstu. Zachowaj edycję, przygotowanie wejścia i żądany rezultat oraz utrzymuj powiązanie wykonania narzędzi i dostarczenia końcowego tekstu z wynikami rzeczywiście uzyskanymi w procesie prototypowania.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor to edycja z rozumowaniem w agentowej i programistycznej rodzinie Meta, przeznaczona do procesów prototypowania. Producent wymienia wejścia tekstowe, obrazowe, wideo i PDF, wyjście tekstowe i kontekst 1 048 576 tokenów, z poziomami rozumowania do xhigh zamiast max z Standard 1.3.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Muse Spark 1.3 Contributor to osobno nazwana edycja w rodzinie Muse Spark Meta do prototypowania i eksperymentowania. Rodzina jest zaprojektowana do pracy agentowej i programistycznej: wieloetapowych pętli narzędziowych, asystentów oprogramowania i rozumowania nad obszernym materiałem źródłowym. Zachowaj nazwę Contributor przy wyborze edycji, zamiast traktować ją jako wpis Standard 1.3 z każdym ustawieniem przeniesionym bez zmian.
Wejścia i kontekst
Oficjalna tabela modeli wymienia tekst, obrazy, wideo i PDF-y jako wejścia oraz tekst jako wyjście, z oknem kontekstu 1 048 576 tokenów. Zadanie może łączyć pisemne wymaganie, zrzut ekranu, odpowiedni klip lub strony dokumentu i wymagać pisemnego wyjaśnienia, ustrukturyzowanych ustaleń lub propozycji kodu. Tekstowy wynik modelu może stać się rezultatem w otaczającej aplikacji; renderowanie strony lub wykonanie kodu wymaga tego środowiska aplikacyjnego.
Wskaż każde źródło i jego rolę przed poproszeniem o wynik. Zadanie prototypowania interfejsu może łączyć zrzut ekranu z pożądanym zachowaniem i istniejącym fragmentem kodu. Poproś o widoczne różnice, proponowaną zmianę implementacji i założenia nadal wymagające wyjaśnienia. Zadanie dokumentowe może określać pola do wyodrębnienia i wymagać potwierdzającej strony lub fragmentu przy każdym ustaleniu.
Producent zaznacza, że rozumienie dźwięku w wersji 1.3 nie jest w pełni obsługiwane i może dawać odpowiedzi niższej jakości. Traktuj to jako ograniczenie właściwe dla wersji, zamiast kopiować do tego opisu możliwości audio Muse Spark 1.2 lub osobno nazwanego modelu transkrypcyjnego.
Poziomy rozumowania i budżet odpowiedzi
Muse Spark generuje wewnętrzne rozumowanie przed widoczną odpowiedzią. Udokumentowane poziomy wysiłku mające tu zastosowanie to minimal, low, medium, high i xhigh. Poziom max należy wyłącznie do Standard Muse Spark 1.3 i nie jest dostępny dla modeli Contributor. Wyłączanie rozumowania przez none nie jest obsługiwane; pominięcie ustawienia nadal pozostawia rozumowanie na poziomie określanym przez model.
Budżet tokenów wyjściowych obejmuje zarówno wewnętrzne rozumowanie, jak i widoczny tekst. Żądanie długiego wyniku pisemnego wymaga więc miejsca na oba, szczególnie przy wyższym wysiłku rozumowania. Surowe wewnętrzne rozumowanie pozostaje prywatne, a logarytmy prawdopodobieństw nie są obsługiwane jako miara pewności. Poproś o wyjaśnienie, pola lub końcowy kod potrzebny w zadaniu, zamiast zakładać, że bazowy zapis rozumowania zostanie zwrócony jako czytelny tekst.
Przy skoncentrowanym eksperymencie ekstrakcji lub formatowania zdefiniuj dokładny rekord i materiał źródłowy. Przy wieloetapowym problemie programistycznym lub wizualnym określ decyzje pośrednie i końcowy rezultat. Wyższy wysiłek rozumowania zmienia przydział na rozumowanie; sam nie określa, co stanowi ukończony, użyteczny wynik.
Narzędzia i ustrukturyzowane ustalenia
Dokumentacja Muse Spark producenta opisuje wywoływanie narzędzi zdefiniowanych przez programistę i ustrukturyzowane wyjście. Aplikacja dostarcza definicje narzędzi, model decyduje, jaka operacja jest potrzebna, i przygotowuje jej argumenty, a aplikacja wykonuje każde wywołanie i zwraca odpowiedni wynik. Następna odpowiedź może użyć tych wyników do określenia dalszego działania. Proponowane wywołanie jest odrębne od ukończonej operacji.
Ta sama dokumentacja odróżnia podłączone wbudowane narzędzia wyszukiwania od funkcji zdefiniowanych przez programistę. Wyszukiwanie lub wykonanie kodu jest częścią środowiska narzędziowego, a nie dodatkową modalnością treści odpowiedzi tekstowej. W prototypie udostępniaj tylko operacje istotne dla pytania i opisuj, co każda zwraca, aby późniejsza odpowiedź pozostała powiązana z rzeczywiście wyszukanymi lub obliczonymi informacjami.
Przy ustrukturyzowanej ekstrakcji określ nazwy pól, wymagane informacje i sposób przedstawiania brakujących wartości. Praktyczny rekord może zawierać identyfikator źródła, zaobserwowany fakt, interpretację i pytanie nadal wymagające wyjaśnienia. Oddziel rekord od opcjonalnego tekstu opisowego, gdy aplikacja musi niezawodnie przetwarzać pola. Interfejs schematów producenta odrzuca schematy rekurencyjne i ogranicza zagnieżdżenie do dziesięciu poziomów. Jego tryb ścisły wymaga zwykłego obiektu jako korzenia, obowiązkowości każdej wymienionej właściwości i zakazu dodatkowych właściwości. Dopasowana struktura nie ustala poprawności faktów.
Użyteczne zadanie prototypowe
Wybierz jeden proces, który może wytworzyć rezultat możliwy do sprawdzenia. Dostarcz wymaganie, przykład wizualny i kod określający bieżące zachowanie. Poproś o krótkie porównanie, proponowany zmieniony fragment i przykłady odróżniające oczekiwane zachowanie od bieżącego. Dołącz każdy wynik wyszukiwania lub wykonania zwrócony przez aplikację przed poproszeniem o końcowe wyjaśnienie.
Przy prototypie dokumentowym podaj PDF i pytanie do rozstrzygnięcia, a następnie poproś o podsumowanie powiązane ze źródłami lub tabelę porównawczą. Przy wideo wskaż zdarzenie lub relację wizualną do zbadania i poproś o uporządkowany opis z potwierdzającymi obserwacjami. Określ długość i sekcje odpowiedzi końcowej, aby duży kontekst modelu służył rzeczywistemu pytaniu.
Granice edycji i ciągłości
Contributor pozostaje własną nazwaną edycją 1.3 z udokumentowanym kontekstem i typami wejścia. Przewodnik rozumowania Meta odróżnia zwykłą historię rozmowy od zachowania prywatnego rozumowania między turami: interfejs czatu producenta nie zwraca tego prywatnego zapisu zewnętrznym wywołującym. Zachowuj widoczne wiadomości, źródła i wyniki narzędzi potrzebne do kontynuacji, zamiast zakładać, że każdy interfejs przenosi wewnętrzne rozumowanie dalej.
Przeczytane źródła nie określają osobnej sztywnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza oknem kontekstu. Zachowaj edycję, przygotowanie wejścia i żądany rezultat oraz utrzymuj powiązanie wykonania narzędzi i dostarczenia końcowego tekstu z wynikami rzeczywiście uzyskanymi w procesie prototypowania.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta/muse-spark-1.3-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-1.3-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-1.3-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-1.3-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-1.3-contributor
Użyj ścieżek metod podanych powyżej.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor to edycja z rozumowaniem w agentowej i programistycznej rodzinie Meta, przeznaczona do procesów prototypowania. Producent wymienia wejścia tekstowe, obrazowe, wideo i PDF, wyjście tekstowe i kontekst 1 048 576 tokenów, z poziomami rozumowania do xhigh zamiast max z Standard 1.3.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Muse Spark 1.3 Contributor to osobno nazwana edycja w rodzinie Muse Spark Meta do prototypowania i eksperymentowania. Rodzina jest zaprojektowana do pracy agentowej i programistycznej: wieloetapowych pętli narzędziowych, asystentów oprogramowania i rozumowania nad obszernym materiałem źródłowym. Zachowaj nazwę Contributor przy wyborze edycji, zamiast traktować ją jako wpis Standard 1.3 z każdym ustawieniem przeniesionym bez zmian.
Wejścia i kontekst
Oficjalna tabela modeli wymienia tekst, obrazy, wideo i PDF-y jako wejścia oraz tekst jako wyjście, z oknem kontekstu 1 048 576 tokenów. Zadanie może łączyć pisemne wymaganie, zrzut ekranu, odpowiedni klip lub strony dokumentu i wymagać pisemnego wyjaśnienia, ustrukturyzowanych ustaleń lub propozycji kodu. Tekstowy wynik modelu może stać się rezultatem w otaczającej aplikacji; renderowanie strony lub wykonanie kodu wymaga tego środowiska aplikacyjnego.
Wskaż każde źródło i jego rolę przed poproszeniem o wynik. Zadanie prototypowania interfejsu może łączyć zrzut ekranu z pożądanym zachowaniem i istniejącym fragmentem kodu. Poproś o widoczne różnice, proponowaną zmianę implementacji i założenia nadal wymagające wyjaśnienia. Zadanie dokumentowe może określać pola do wyodrębnienia i wymagać potwierdzającej strony lub fragmentu przy każdym ustaleniu.
Producent zaznacza, że rozumienie dźwięku w wersji 1.3 nie jest w pełni obsługiwane i może dawać odpowiedzi niższej jakości. Traktuj to jako ograniczenie właściwe dla wersji, zamiast kopiować do tego opisu możliwości audio Muse Spark 1.2 lub osobno nazwanego modelu transkrypcyjnego.
Poziomy rozumowania i budżet odpowiedzi
Muse Spark generuje wewnętrzne rozumowanie przed widoczną odpowiedzią. Udokumentowane poziomy wysiłku mające tu zastosowanie to minimal, low, medium, high i xhigh. Poziom max należy wyłącznie do Standard Muse Spark 1.3 i nie jest dostępny dla modeli Contributor. Wyłączanie rozumowania przez none nie jest obsługiwane; pominięcie ustawienia nadal pozostawia rozumowanie na poziomie określanym przez model.
Budżet tokenów wyjściowych obejmuje zarówno wewnętrzne rozumowanie, jak i widoczny tekst. Żądanie długiego wyniku pisemnego wymaga więc miejsca na oba, szczególnie przy wyższym wysiłku rozumowania. Surowe wewnętrzne rozumowanie pozostaje prywatne, a logarytmy prawdopodobieństw nie są obsługiwane jako miara pewności. Poproś o wyjaśnienie, pola lub końcowy kod potrzebny w zadaniu, zamiast zakładać, że bazowy zapis rozumowania zostanie zwrócony jako czytelny tekst.
Przy skoncentrowanym eksperymencie ekstrakcji lub formatowania zdefiniuj dokładny rekord i materiał źródłowy. Przy wieloetapowym problemie programistycznym lub wizualnym określ decyzje pośrednie i końcowy rezultat. Wyższy wysiłek rozumowania zmienia przydział na rozumowanie; sam nie określa, co stanowi ukończony, użyteczny wynik.
Narzędzia i ustrukturyzowane ustalenia
Dokumentacja Muse Spark producenta opisuje wywoływanie narzędzi zdefiniowanych przez programistę i ustrukturyzowane wyjście. Aplikacja dostarcza definicje narzędzi, model decyduje, jaka operacja jest potrzebna, i przygotowuje jej argumenty, a aplikacja wykonuje każde wywołanie i zwraca odpowiedni wynik. Następna odpowiedź może użyć tych wyników do określenia dalszego działania. Proponowane wywołanie jest odrębne od ukończonej operacji.
Ta sama dokumentacja odróżnia podłączone wbudowane narzędzia wyszukiwania od funkcji zdefiniowanych przez programistę. Wyszukiwanie lub wykonanie kodu jest częścią środowiska narzędziowego, a nie dodatkową modalnością treści odpowiedzi tekstowej. W prototypie udostępniaj tylko operacje istotne dla pytania i opisuj, co każda zwraca, aby późniejsza odpowiedź pozostała powiązana z rzeczywiście wyszukanymi lub obliczonymi informacjami.
Przy ustrukturyzowanej ekstrakcji określ nazwy pól, wymagane informacje i sposób przedstawiania brakujących wartości. Praktyczny rekord może zawierać identyfikator źródła, zaobserwowany fakt, interpretację i pytanie nadal wymagające wyjaśnienia. Oddziel rekord od opcjonalnego tekstu opisowego, gdy aplikacja musi niezawodnie przetwarzać pola. Interfejs schematów producenta odrzuca schematy rekurencyjne i ogranicza zagnieżdżenie do dziesięciu poziomów. Jego tryb ścisły wymaga zwykłego obiektu jako korzenia, obowiązkowości każdej wymienionej właściwości i zakazu dodatkowych właściwości. Dopasowana struktura nie ustala poprawności faktów.
Użyteczne zadanie prototypowe
Wybierz jeden proces, który może wytworzyć rezultat możliwy do sprawdzenia. Dostarcz wymaganie, przykład wizualny i kod określający bieżące zachowanie. Poproś o krótkie porównanie, proponowany zmieniony fragment i przykłady odróżniające oczekiwane zachowanie od bieżącego. Dołącz każdy wynik wyszukiwania lub wykonania zwrócony przez aplikację przed poproszeniem o końcowe wyjaśnienie.
Przy prototypie dokumentowym podaj PDF i pytanie do rozstrzygnięcia, a następnie poproś o podsumowanie powiązane ze źródłami lub tabelę porównawczą. Przy wideo wskaż zdarzenie lub relację wizualną do zbadania i poproś o uporządkowany opis z potwierdzającymi obserwacjami. Określ długość i sekcje odpowiedzi końcowej, aby duży kontekst modelu służył rzeczywistemu pytaniu.
Granice edycji i ciągłości
Contributor pozostaje własną nazwaną edycją 1.3 z udokumentowanym kontekstem i typami wejścia. Przewodnik rozumowania Meta odróżnia zwykłą historię rozmowy od zachowania prywatnego rozumowania między turami: interfejs czatu producenta nie zwraca tego prywatnego zapisu zewnętrznym wywołującym. Zachowuj widoczne wiadomości, źródła i wyniki narzędzi potrzebne do kontynuacji, zamiast zakładać, że każdy interfejs przenosi wewnętrzne rozumowanie dalej.
Przeczytane źródła nie określają osobnej sztywnej maksymalnej pojemności tokenów wejściowych lub wyjściowych poza oknem kontekstu. Zachowaj edycję, przygotowanie wejścia i żądany rezultat oraz utrzymuj powiązanie wykonania narzędzi i dostarczenia końcowego tekstu z wynikami rzeczywiście uzyskanymi w procesie prototypowania.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity meta/muse-spark-1.3-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 $0.000004 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.3-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-1.3-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-1.3-contributor
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.