Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta Superintelligence Labs para trabalho com agentes, programação e fluxos de utilização do computador. O lançamento original do fabricante destaca planeamento, orquestração, gestão de contexto e combinação de evidências visuais com ações fornecidas por ferramentas. A saída documentada é texto; a aplicação em torno do modelo fornece a execução efetiva e os artefactos renderizados.
Planeamento de agentes e contexto longo
O lançamento descreve a adaptação a ferramentas nativas, funções personalizadas e ambientes de agentes. Como agente principal, o modelo pode recolher contexto, formar um plano e delegar trabalho definido; num papel delegado, segue a tarefa atribuída e pode comunicar um obstáculo a um nível superior. São capacidades usadas por um ambiente de agentes, não uma coleção de subagentes criada automaticamente por uma única resposta textual.
A tabela de modelos do fabricante indica um contexto de 1 048 576 tokens. O lançamento 1.1 descreve a recordação de trabalho anterior e a compactação da informação necessária para passos posteriores. Uma tarefa útil deve identificar o objetivo, o material de origem e o artefacto final, conservando explicitamente as decisões importantes e os resultados de ferramentas. Um contexto extenso ajuda a manter informação relacionada em conjunto, mas não define que requisito o resultado deve satisfazer.
Para uma pergunta sobre um projeto longo, identifique os documentos de origem e peça o requisito relevante, a sua localização e a condição por resolver. Para um plano, peça as ações numa ordem ligada às restrições fornecidas e especifique que resultado concluiria cada passo. Conserve as conclusões e os resultados visíveis ao fazer um seguimento, em vez de presumir que uma memória não especificada contém todos os factos anteriores.
Utilização do computador e programação
O fabricante descreve fluxos de computador entre aplicações em mudança, com o modelo a escolher entre interação direta com a interface e automação por scripts num ambiente ligado. Uma captura de ecrã pode fornecer o estado visível e uma instrução textual pode definir o objetivo do utilizador. Peça o controlo relevante, a operação proposta e as evidências que a sustentam e devolva depois o novo estado real se o ambiente realizar essa operação.
Para programação, o lançamento descreve diagnóstico de erros, implementação de funcionalidades e migrações de código. A demonstração de depuração combina geração de código, capturas de ecrã, localização de uma falha e inspeção da correção. Um pedido prático pode fornecer o comportamento que falha, o código-fonte afetado e o resultado esperado e pedir depois a alteração proposta, mantendo a interface pública. A execução de código e a modificação de ficheiros continuam a ser operações fornecidas pelas ferramentas da aplicação.
Dê ao modelo o código e as declarações que determinam o comportamento. Para uma explicação, forneça uma entrada a rastrear; para uma modificação, especifique o resultado e as restrições; para uma implementação visual, inclua a captura de ecrã e as interações que a imagem não mostra. Peça o artefacto separadamente dos pressupostos e do retorno necessário para o examinar.
Entradas multimodais
A tabela de modelos documenta entrada de texto, imagens, vídeo, áudio e PDF para 1.1, com saída de texto. O lançamento descreve legendagem descritiva detalhada de imagem e vídeo, geração de código a partir de elementos visuais e utilização de pormenores percetivos ao longo de um fluxo de trabalho mais extenso. Uma pergunta documental pode pedir campos ligados às fontes ou uma comparação; uma pergunta sobre vídeo pode identificar o acontecimento ou sequência a descrever; uma pergunta audiovisual pode especificar que informação falada e visível importa.
A saída do modelo continua a ser uma explicação escrita, um resultado estruturado ou código proposto. Uma imagem gerada, fala sintetizada ou ação externa concluída exige um componente fornecido separadamente. Preserve os identificadores das fontes, as etiquetas, as unidades e os segmentos relevantes, para que o resultado textual possa ser comparado com o material original.
Raciocínio, ferramentas e saída estruturada
O guia de raciocínio Muse Spark documenta minimal, low, medium, high e xhigh para esta edição. Max é uma definição posterior do Standard 1.3 e none não é suportado. O raciocínio ocorre mesmo sem um valor de esforço explícito e o orçamento de saída abrange tanto o raciocínio interno privado como a resposta visível. O raciocínio em bruto e as probabilidades logarítmicas não são expostos como campos comuns de confiança ou explicação.
As chamadas de ferramentas definidas pelo programador seguem um ciclo: a aplicação fornece operações, o modelo prepara argumentos, a aplicação executa cada chamada e devolve o resultado, e a resposta seguinte usa esse resultado. Uma chamada de ferramenta pode solicitar informação ou uma operação; não é, por si só, evidência de que a operação foi concluída. Mantenha a chamada de origem e o resultado associados ao longo da conversa.
O fabricante também documenta texto estruturado restringido por um esquema JSON fornecido. Defina os campos exigidos pela aplicação e os seus tipos e mantenha a informação de origem separada da interpretação quando servem objetivos diferentes. A forma estruturada não demonstra correção factual; as fontes originais e os resultados reais das ferramentas continuam a determinar o conteúdo de uma resposta inspecionável.
Limites de edição e continuidade
Muse Spark 1.1 continua a ser a sua própria versão. As alterações específicas de programação de 1.2, as atualizações de comportamento em tarefas prolongadas de 1.3 e a definição max do Standard 1.3 não lhe devem ser atribuídas apenas porque a família é partilhada. A interface de chat do fabricante não dá a clientes externos raciocínio privado para reproduzirem, pelo que deve preservar o histórico visível e usar os mecanismos de continuidade disponibilizados pela interface ligada.
As fontes consultadas não indicam capacidades máximas rígidas separadas de tokens de entrada ou saída além do contexto documentado. Defina o artefacto textual necessário e conserve as evidências exigidas para cada ação ou conclusão, mantendo o planeamento e a perceção do modelo distintos do ambiente que executa as operações propostas.
", "aboutText": "Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta Superintelligence Labs para trabalho com agentes, programação e fluxos de utilização do computador. O lançamento original do fabricante destaca planeamento, orquestração, gestão de contexto e combinação de evidências visuais com ações fornecidas por ferramentas. A saída documentada é texto; a aplicação em torno do modelo fornece a execução efetiva e os artefactos renderizados.\n\nPlaneamento de agentes e contexto longo\n\nO lançamento descreve a adaptação a ferramentas nativas, funções personalizadas e ambientes de agentes. Como agente principal, o modelo pode recolher contexto, formar um plano e delegar trabalho definido; num papel delegado, segue a tarefa atribuída e pode comunicar um obstáculo a um nível superior. São capacidades usadas por um ambiente de agentes, não uma coleção de subagentes criada automaticamente por uma única resposta textual.\n\nA tabela de modelos do fabricante indica um contexto de 1 048 576 tokens. O lançamento 1.1 descreve a recordação de trabalho anterior e a compactação da informação necessária para passos posteriores. Uma tarefa útil deve identificar o objetivo, o material de origem e o artefacto final, conservando explicitamente as decisões importantes e os resultados de ferramentas. Um contexto extenso ajuda a manter informação relacionada em conjunto, mas não define que requisito o resultado deve satisfazer.\n\nPara uma pergunta sobre um projeto longo, identifique os documentos de origem e peça o requisito relevante, a sua localização e a condição por resolver. Para um plano, peça as ações numa ordem ligada às restrições fornecidas e especifique que resultado concluiria cada passo. Conserve as conclusões e os resultados visíveis ao fazer um seguimento, em vez de presumir que uma memória não especificada contém todos os factos anteriores.\n\nUtilização do computador e programação\n\nO fabricante descreve fluxos de computador entre aplicações em mudança, com o modelo a escolher entre interação direta com a interface e automação por scripts num ambiente ligado. Uma captura de ecrã pode fornecer o estado visível e uma instrução textual pode definir o objetivo do utilizador. Peça o controlo relevante, a operação proposta e as evidências que a sustentam e devolva depois o novo estado real se o ambiente realizar essa operação.\n\nPara programação, o lançamento descreve diagnóstico de erros, implementação de funcionalidades e migrações de código. A demonstração de depuração combina geração de código, capturas de ecrã, localização de uma falha e inspeção da correção. Um pedido prático pode fornecer o comportamento que falha, o código-fonte afetado e o resultado esperado e pedir depois a alteração proposta, mantendo a interface pública. A execução de código e a modificação de ficheiros continuam a ser operações fornecidas pelas ferramentas da aplicação.\n\nDê ao modelo o código e as declarações que determinam o comportamento. Para uma explicação, forneça uma entrada a rastrear; para uma modificação, especifique o resultado e as restrições; para uma implementação visual, inclua a captura de ecrã e as interações que a imagem não mostra. Peça o artefacto separadamente dos pressupostos e do retorno necessário para o examinar.\n\nEntradas multimodais\n\nA tabela de modelos documenta entrada de texto, imagens, vídeo, áudio e PDF para 1.1, com saída de texto. O lançamento descreve legendagem descritiva detalhada de imagem e vídeo, geração de código a partir de elementos visuais e utilização de pormenores percetivos ao longo de um fluxo de trabalho mais extenso. Uma pergunta documental pode pedir campos ligados às fontes ou uma comparação; uma pergunta sobre vídeo pode identificar o acontecimento ou sequência a descrever; uma pergunta audiovisual pode especificar que informação falada e visível importa.\n\nA saída do modelo continua a ser uma explicação escrita, um resultado estruturado ou código proposto. Uma imagem gerada, fala sintetizada ou ação externa concluída exige um componente fornecido separadamente. Preserve os identificadores das fontes, as etiquetas, as unidades e os segmentos relevantes, para que o resultado textual possa ser comparado com o material original.\n\nRaciocínio, ferramentas e saída estruturada\n\nO guia de raciocínio Muse Spark documenta minimal, low, medium, high e xhigh para esta edição. Max é uma definição posterior do Standard 1.3 e none não é suportado. O raciocínio ocorre mesmo sem um valor de esforço explícito e o orçamento de saída abrange tanto o raciocínio interno privado como a resposta visível. O raciocínio em bruto e as probabilidades logarítmicas não são expostos como campos comuns de confiança ou explicação.\n\nAs chamadas de ferramentas definidas pelo programador seguem um ciclo: a aplicação fornece operações, o modelo prepara argumentos, a aplicação executa cada chamada e devolve o resultado, e a resposta seguinte usa esse resultado. Uma chamada de ferramenta pode solicitar informação ou uma operação; não é, por si só, evidência de que a operação foi concluída. Mantenha a chamada de origem e o resultado associados ao longo da conversa.\n\nO fabricante também documenta texto estruturado restringido por um esquema JSON fornecido. Defina os campos exigidos pela aplicação e os seus tipos e mantenha a informação de origem separada da interpretação quando servem objetivos diferentes. A forma estruturada não demonstra correção factual; as fontes originais e os resultados reais das ferramentas continuam a determinar o conteúdo de uma resposta inspecionável.\n\nLimites de edição e continuidade\n\nMuse Spark 1.1 continua a ser a sua própria versão. As alterações específicas de programação de 1.2, as atualizações de comportamento em tarefas prolongadas de 1.3 e a definição max do Standard 1.3 não lhe devem ser atribuídas apenas porque a família é partilhada. A interface de chat do fabricante não dá a clientes externos raciocínio privado para reproduzirem, pelo que deve preservar o histórico visível e usar os mecanismos de continuidade disponibilizados pela interface ligada.\n\nAs fontes consultadas não indicam capacidades máximas rígidas separadas de tokens de entrada ou saída além do contexto documentado. Defina o artefacto textual necessário e conserve as evidências exigidas para cada ação ou conclusão, mantendo o planeamento e a perceção do modelo distintos do ambiente que executa as operações propostas.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Plan an approval workflow\n\nPlan 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.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta para agentes, utilização do computador e programação. Trabalha com contexto textual e visual substancial, produz texto e propostas de ações com ferramentas e tem um contexto de 1 048 576 tokens indicado pelo fabricante, com níveis de raciocínio até xhigh.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta Superintelligence Labs para trabalho com agentes, programação e fluxos de utilização do computador. O lançamento original do fabricante destaca planeamento, orquestração, gestão de contexto e combinação de evidências visuais com ações fornecidas por ferramentas. A saída documentada é texto; a aplicação em torno do modelo fornece a execução efetiva e os artefactos renderizados.
Planeamento de agentes e contexto longo
O lançamento descreve a adaptação a ferramentas nativas, funções personalizadas e ambientes de agentes. Como agente principal, o modelo pode recolher contexto, formar um plano e delegar trabalho definido; num papel delegado, segue a tarefa atribuída e pode comunicar um obstáculo a um nível superior. São capacidades usadas por um ambiente de agentes, não uma coleção de subagentes criada automaticamente por uma única resposta textual.
A tabela de modelos do fabricante indica um contexto de 1 048 576 tokens. O lançamento 1.1 descreve a recordação de trabalho anterior e a compactação da informação necessária para passos posteriores. Uma tarefa útil deve identificar o objetivo, o material de origem e o artefacto final, conservando explicitamente as decisões importantes e os resultados de ferramentas. Um contexto extenso ajuda a manter informação relacionada em conjunto, mas não define que requisito o resultado deve satisfazer.
Para uma pergunta sobre um projeto longo, identifique os documentos de origem e peça o requisito relevante, a sua localização e a condição por resolver. Para um plano, peça as ações numa ordem ligada às restrições fornecidas e especifique que resultado concluiria cada passo. Conserve as conclusões e os resultados visíveis ao fazer um seguimento, em vez de presumir que uma memória não especificada contém todos os factos anteriores.
Utilização do computador e programação
O fabricante descreve fluxos de computador entre aplicações em mudança, com o modelo a escolher entre interação direta com a interface e automação por scripts num ambiente ligado. Uma captura de ecrã pode fornecer o estado visível e uma instrução textual pode definir o objetivo do utilizador. Peça o controlo relevante, a operação proposta e as evidências que a sustentam e devolva depois o novo estado real se o ambiente realizar essa operação.
Para programação, o lançamento descreve diagnóstico de erros, implementação de funcionalidades e migrações de código. A demonstração de depuração combina geração de código, capturas de ecrã, localização de uma falha e inspeção da correção. Um pedido prático pode fornecer o comportamento que falha, o código-fonte afetado e o resultado esperado e pedir depois a alteração proposta, mantendo a interface pública. A execução de código e a modificação de ficheiros continuam a ser operações fornecidas pelas ferramentas da aplicação.
Dê ao modelo o código e as declarações que determinam o comportamento. Para uma explicação, forneça uma entrada a rastrear; para uma modificação, especifique o resultado e as restrições; para uma implementação visual, inclua a captura de ecrã e as interações que a imagem não mostra. Peça o artefacto separadamente dos pressupostos e do retorno necessário para o examinar.
Entradas multimodais
A tabela de modelos documenta entrada de texto, imagens, vídeo, áudio e PDF para 1.1, com saída de texto. O lançamento descreve legendagem descritiva detalhada de imagem e vídeo, geração de código a partir de elementos visuais e utilização de pormenores percetivos ao longo de um fluxo de trabalho mais extenso. Uma pergunta documental pode pedir campos ligados às fontes ou uma comparação; uma pergunta sobre vídeo pode identificar o acontecimento ou sequência a descrever; uma pergunta audiovisual pode especificar que informação falada e visível importa.
A saída do modelo continua a ser uma explicação escrita, um resultado estruturado ou código proposto. Uma imagem gerada, fala sintetizada ou ação externa concluída exige um componente fornecido separadamente. Preserve os identificadores das fontes, as etiquetas, as unidades e os segmentos relevantes, para que o resultado textual possa ser comparado com o material original.
Raciocínio, ferramentas e saída estruturada
O guia de raciocínio Muse Spark documenta minimal, low, medium, high e xhigh para esta edição. Max é uma definição posterior do Standard 1.3 e none não é suportado. O raciocínio ocorre mesmo sem um valor de esforço explícito e o orçamento de saída abrange tanto o raciocínio interno privado como a resposta visível. O raciocínio em bruto e as probabilidades logarítmicas não são expostos como campos comuns de confiança ou explicação.
As chamadas de ferramentas definidas pelo programador seguem um ciclo: a aplicação fornece operações, o modelo prepara argumentos, a aplicação executa cada chamada e devolve o resultado, e a resposta seguinte usa esse resultado. Uma chamada de ferramenta pode solicitar informação ou uma operação; não é, por si só, evidência de que a operação foi concluída. Mantenha a chamada de origem e o resultado associados ao longo da conversa.
O fabricante também documenta texto estruturado restringido por um esquema JSON fornecido. Defina os campos exigidos pela aplicação e os seus tipos e mantenha a informação de origem separada da interpretação quando servem objetivos diferentes. A forma estruturada não demonstra correção factual; as fontes originais e os resultados reais das ferramentas continuam a determinar o conteúdo de uma resposta inspecionável.
Limites de edição e continuidade
Muse Spark 1.1 continua a ser a sua própria versão. As alterações específicas de programação de 1.2, as atualizações de comportamento em tarefas prolongadas de 1.3 e a definição max do Standard 1.3 não lhe devem ser atribuídas apenas porque a família é partilhada. A interface de chat do fabricante não dá a clientes externos raciocínio privado para reproduzirem, pelo que deve preservar o histórico visível e usar os mecanismos de continuidade disponibilizados pela interface ligada.
As fontes consultadas não indicam capacidades máximas rígidas separadas de tokens de entrada ou saída além do contexto documentado. Defina o artefacto textual necessário e conserve as evidências exigidas para cada ação ou conclusão, mantendo o planeamento e a perceção do modelo distintos do ambiente que executa as operações propostas.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0025 / 1K tokens Saída · Tokens de saída $0.0085 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0025 / 1K tokens Saída · Tokens de saída $0.0085 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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-1.1", "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-1.1',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-1.1',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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra meta/muse-spark-1.1
Use os caminhos dos métodos indicados acima.
meta/muse-spark-1.1Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta para agentes, utilização do computador e programação. Trabalha com contexto textual e visual substancial, produz texto e propostas de ações com ferramentas e tem um contexto de 1 048 576 tokens indicado pelo fabricante, com níveis de raciocínio até xhigh.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Muse Spark 1.1 é o modelo de raciocínio multimodal da Meta Superintelligence Labs para trabalho com agentes, programação e fluxos de utilização do computador. O lançamento original do fabricante destaca planeamento, orquestração, gestão de contexto e combinação de evidências visuais com ações fornecidas por ferramentas. A saída documentada é texto; a aplicação em torno do modelo fornece a execução efetiva e os artefactos renderizados.
Planeamento de agentes e contexto longo
O lançamento descreve a adaptação a ferramentas nativas, funções personalizadas e ambientes de agentes. Como agente principal, o modelo pode recolher contexto, formar um plano e delegar trabalho definido; num papel delegado, segue a tarefa atribuída e pode comunicar um obstáculo a um nível superior. São capacidades usadas por um ambiente de agentes, não uma coleção de subagentes criada automaticamente por uma única resposta textual.
A tabela de modelos do fabricante indica um contexto de 1 048 576 tokens. O lançamento 1.1 descreve a recordação de trabalho anterior e a compactação da informação necessária para passos posteriores. Uma tarefa útil deve identificar o objetivo, o material de origem e o artefacto final, conservando explicitamente as decisões importantes e os resultados de ferramentas. Um contexto extenso ajuda a manter informação relacionada em conjunto, mas não define que requisito o resultado deve satisfazer.
Para uma pergunta sobre um projeto longo, identifique os documentos de origem e peça o requisito relevante, a sua localização e a condição por resolver. Para um plano, peça as ações numa ordem ligada às restrições fornecidas e especifique que resultado concluiria cada passo. Conserve as conclusões e os resultados visíveis ao fazer um seguimento, em vez de presumir que uma memória não especificada contém todos os factos anteriores.
Utilização do computador e programação
O fabricante descreve fluxos de computador entre aplicações em mudança, com o modelo a escolher entre interação direta com a interface e automação por scripts num ambiente ligado. Uma captura de ecrã pode fornecer o estado visível e uma instrução textual pode definir o objetivo do utilizador. Peça o controlo relevante, a operação proposta e as evidências que a sustentam e devolva depois o novo estado real se o ambiente realizar essa operação.
Para programação, o lançamento descreve diagnóstico de erros, implementação de funcionalidades e migrações de código. A demonstração de depuração combina geração de código, capturas de ecrã, localização de uma falha e inspeção da correção. Um pedido prático pode fornecer o comportamento que falha, o código-fonte afetado e o resultado esperado e pedir depois a alteração proposta, mantendo a interface pública. A execução de código e a modificação de ficheiros continuam a ser operações fornecidas pelas ferramentas da aplicação.
Dê ao modelo o código e as declarações que determinam o comportamento. Para uma explicação, forneça uma entrada a rastrear; para uma modificação, especifique o resultado e as restrições; para uma implementação visual, inclua a captura de ecrã e as interações que a imagem não mostra. Peça o artefacto separadamente dos pressupostos e do retorno necessário para o examinar.
Entradas multimodais
A tabela de modelos documenta entrada de texto, imagens, vídeo, áudio e PDF para 1.1, com saída de texto. O lançamento descreve legendagem descritiva detalhada de imagem e vídeo, geração de código a partir de elementos visuais e utilização de pormenores percetivos ao longo de um fluxo de trabalho mais extenso. Uma pergunta documental pode pedir campos ligados às fontes ou uma comparação; uma pergunta sobre vídeo pode identificar o acontecimento ou sequência a descrever; uma pergunta audiovisual pode especificar que informação falada e visível importa.
A saída do modelo continua a ser uma explicação escrita, um resultado estruturado ou código proposto. Uma imagem gerada, fala sintetizada ou ação externa concluída exige um componente fornecido separadamente. Preserve os identificadores das fontes, as etiquetas, as unidades e os segmentos relevantes, para que o resultado textual possa ser comparado com o material original.
Raciocínio, ferramentas e saída estruturada
O guia de raciocínio Muse Spark documenta minimal, low, medium, high e xhigh para esta edição. Max é uma definição posterior do Standard 1.3 e none não é suportado. O raciocínio ocorre mesmo sem um valor de esforço explícito e o orçamento de saída abrange tanto o raciocínio interno privado como a resposta visível. O raciocínio em bruto e as probabilidades logarítmicas não são expostos como campos comuns de confiança ou explicação.
As chamadas de ferramentas definidas pelo programador seguem um ciclo: a aplicação fornece operações, o modelo prepara argumentos, a aplicação executa cada chamada e devolve o resultado, e a resposta seguinte usa esse resultado. Uma chamada de ferramenta pode solicitar informação ou uma operação; não é, por si só, evidência de que a operação foi concluída. Mantenha a chamada de origem e o resultado associados ao longo da conversa.
O fabricante também documenta texto estruturado restringido por um esquema JSON fornecido. Defina os campos exigidos pela aplicação e os seus tipos e mantenha a informação de origem separada da interpretação quando servem objetivos diferentes. A forma estruturada não demonstra correção factual; as fontes originais e os resultados reais das ferramentas continuam a determinar o conteúdo de uma resposta inspecionável.
Limites de edição e continuidade
Muse Spark 1.1 continua a ser a sua própria versão. As alterações específicas de programação de 1.2, as atualizações de comportamento em tarefas prolongadas de 1.3 e a definição max do Standard 1.3 não lhe devem ser atribuídas apenas porque a família é partilhada. A interface de chat do fabricante não dá a clientes externos raciocínio privado para reproduzirem, pelo que deve preservar o histórico visível e usar os mecanismos de continuidade disponibilizados pela interface ligada.
As fontes consultadas não indicam capacidades máximas rígidas separadas de tokens de entrada ou saída além do contexto documentado. Defina o artefacto textual necessário e conserve as evidências exigidas para cada ação ou conclusão, mantendo o planeamento e a perceção do modelo distintos do ambiente que executa as operações propostas.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.1 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0025 / 1K tokens Saída · Tokens de saída $0.0085 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0025 / 1K tokens Saída · Tokens de saída $0.0085 / 1K tokens Entrada · Leitura da cache $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-1.1', '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-1.1', '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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra meta/muse-spark-1.1
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Plan an approval workflow\n\nPlan 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.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.