Muse Spark 1.3 Contributor é uma edição com nome separado na família Muse Spark da Meta para prototipagem e experimentação. A família foi concebida para trabalho com agentes e programação: ciclos de ferramentas com vários passos, assistentes de software e raciocínio sobre material de origem substancial. Mantenha o nome Contributor ao selecionar a edição, em vez de a tratar como a entrada Standard 1.3 com todas as definições transferidas sem alterações.
Entradas e contexto
A tabela oficial de modelos indica texto, imagens, vídeo e PDFs como entradas e texto como saída, com uma janela de contexto de 1 048 576 tokens. Uma tarefa pode combinar um requisito escrito, uma captura de ecrã, um excerto de vídeo relevante ou páginas de documentos e pedir uma explicação escrita, conclusões estruturadas ou código proposto. O resultado textual do modelo pode tornar-se um artefacto na aplicação envolvente; renderizar uma página ou executar código exige esse ambiente de aplicação.
Identifique cada fonte e o seu papel antes de pedir um resultado. Uma tarefa de protótipo de interface pode associar uma captura de ecrã ao comportamento pretendido e ao fragmento de código existente. Peça as diferenças visíveis, a alteração de implementação proposta e os pressupostos que ainda precisam de esclarecimento. Uma tarefa documental pode definir os campos a extrair e pedir a página ou passagem de apoio junto de cada conclusão.
O fabricante refere que a compreensão de áudio na versão 1.3 não é totalmente suportada e pode dar respostas de qualidade inferior. Trate isto como uma limitação específica da versão, em vez de copiar para esta descrição as capacidades de áudio do Muse Spark 1.2 ou de um modelo de transcrição com nome separado.
Níveis de raciocínio e orçamento de resposta
Muse Spark gera raciocínio interno antes da resposta visível. Os níveis de esforço documentados aplicáveis aqui são minimal, low, medium, high e xhigh. O nível max pertence especificamente ao Standard Muse Spark 1.3 e não está disponível nos modelos Contributor. Desativar o raciocínio com none não é suportado; omitir a definição continua a deixar o modelo a raciocinar num nível determinado pelo próprio.
O orçamento de tokens de saída abrange tanto o raciocínio interno como o texto visível. Um pedido de resultado escrito longo precisa, por isso, de espaço para ambos, sobretudo com um esforço de raciocínio maior. O raciocínio interno em bruto permanece privado e as probabilidades logarítmicas não são suportadas como medida de confiança. Peça a explicação, os campos ou o código final necessários para a tarefa, em vez de presumir que o registo de raciocínio subjacente será devolvido como texto legível.
Para uma experiência específica de extração ou formatação, defina o registo exato e o material de origem. Para um problema visual ou de programação com vários passos, defina as decisões intermédias e o artefacto final. Um esforço de raciocínio maior altera a atribuição de raciocínio; não define por si só o que constitui um resultado concluído e útil.
Ferramentas e conclusões estruturadas
A documentação Muse Spark do fabricante descreve chamadas de ferramentas definidas pelo programador e saída estruturada. A aplicação fornece as definições das ferramentas, o modelo decide que operação é necessária e prepara os argumentos, e a aplicação executa cada chamada e devolve o resultado correspondente. A resposta seguinte pode usar esses resultados para decidir o que fazer a seguir. Uma chamada proposta é distinta de uma operação concluída.
A mesma documentação distingue ferramentas de pesquisa integradas e ligadas de funções definidas pelo programador. A pesquisa ou execução de código faz parte do ambiente de ferramentas, não é uma modalidade de conteúdo adicional da resposta textual. Num protótipo, forneça apenas as operações relevantes para a pergunta e descreva o que cada uma devolve, para que a resposta subsequente permaneça ligada a informação efetivamente recuperada ou calculada.
Para extração estruturada, especifique os nomes dos campos, a informação exigida e a representação de valores em falta. Um registo prático pode conter o identificador da fonte, o facto observado, a interpretação e a pergunta que ainda precisa de esclarecimento. Mantenha o registo separado da prosa opcional quando uma aplicação tiver de processar os campos de forma fiável. A interface de esquemas do fabricante rejeita esquemas recursivos e limita o aninhamento a dez níveis. O modo estrito exige uma raiz de objeto simples, todas as propriedades enumeradas obrigatórias e propriedades adicionais proibidas. Uma estrutura correspondente não demonstra correção factual.
Uma tarefa de protótipo útil
Escolha um fluxo de trabalho que possa produzir um artefacto inspecionável. Forneça o requisito, um exemplo visual e o código que determina o comportamento atual. Peça uma comparação curta, uma proposta de fragmento revisto e exemplos que distingam o comportamento esperado do atual. Inclua qualquer resultado de consulta ou execução devolvido pela aplicação antes de pedir a explicação final.
Para um protótipo documental, dê o PDF e a pergunta a responder e peça depois um resumo ligado às fontes ou uma tabela comparativa. Para vídeo, identifique o acontecimento ou a relação visual a examinar e peça uma descrição ordenada com as observações que a sustentam. Defina a extensão e as secções da resposta final, para que o contexto extenso do modelo sirva a pergunta real.
Limites de edição e continuidade
Contributor continua a ser a sua própria edição 1.3 identificada, com o contexto e os tipos de entrada documentados. O guia de raciocínio da Meta distingue o histórico de conversa comum da preservação de raciocínio privado entre turnos: a interface de chat do fabricante não devolve esse registo privado a clientes externos. Mantenha as mensagens visíveis, as fontes e os resultados de ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces transportam o raciocínio interno para a frente.
As fontes consultadas não especificam uma capacidade máxima rígida separada de tokens de entrada ou saída além da janela de contexto. Preserve a edição, a preparação da entrada e o artefacto solicitado e mantenha a execução das ferramentas e a entrega do texto final ligadas aos resultados efetivamente obtidos no fluxo de prototipagem.
", "aboutText": "Muse Spark 1.3 Contributor é uma edição com nome separado na família Muse Spark da Meta para prototipagem e experimentação. A família foi concebida para trabalho com agentes e programação: ciclos de ferramentas com vários passos, assistentes de software e raciocínio sobre material de origem substancial. Mantenha o nome Contributor ao selecionar a edição, em vez de a tratar como a entrada Standard 1.3 com todas as definições transferidas sem alterações.\n\nEntradas e contexto\n\nA tabela oficial de modelos indica texto, imagens, vídeo e PDFs como entradas e texto como saída, com uma janela de contexto de 1 048 576 tokens. Uma tarefa pode combinar um requisito escrito, uma captura de ecrã, um excerto de vídeo relevante ou páginas de documentos e pedir uma explicação escrita, conclusões estruturadas ou código proposto. O resultado textual do modelo pode tornar-se um artefacto na aplicação envolvente; renderizar uma página ou executar código exige esse ambiente de aplicação.\n\nIdentifique cada fonte e o seu papel antes de pedir um resultado. Uma tarefa de protótipo de interface pode associar uma captura de ecrã ao comportamento pretendido e ao fragmento de código existente. Peça as diferenças visíveis, a alteração de implementação proposta e os pressupostos que ainda precisam de esclarecimento. Uma tarefa documental pode definir os campos a extrair e pedir a página ou passagem de apoio junto de cada conclusão.\n\nO fabricante refere que a compreensão de áudio na versão 1.3 não é totalmente suportada e pode dar respostas de qualidade inferior. Trate isto como uma limitação específica da versão, em vez de copiar para esta descrição as capacidades de áudio do Muse Spark 1.2 ou de um modelo de transcrição com nome separado.\n\nNíveis de raciocínio e orçamento de resposta\n\nMuse Spark gera raciocínio interno antes da resposta visível. Os níveis de esforço documentados aplicáveis aqui são minimal, low, medium, high e xhigh. O nível max pertence especificamente ao Standard Muse Spark 1.3 e não está disponível nos modelos Contributor. Desativar o raciocínio com none não é suportado; omitir a definição continua a deixar o modelo a raciocinar num nível determinado pelo próprio.\n\nO orçamento de tokens de saída abrange tanto o raciocínio interno como o texto visível. Um pedido de resultado escrito longo precisa, por isso, de espaço para ambos, sobretudo com um esforço de raciocínio maior. O raciocínio interno em bruto permanece privado e as probabilidades logarítmicas não são suportadas como medida de confiança. Peça a explicação, os campos ou o código final necessários para a tarefa, em vez de presumir que o registo de raciocínio subjacente será devolvido como texto legível.\n\nPara uma experiência específica de extração ou formatação, defina o registo exato e o material de origem. Para um problema visual ou de programação com vários passos, defina as decisões intermédias e o artefacto final. Um esforço de raciocínio maior altera a atribuição de raciocínio; não define por si só o que constitui um resultado concluído e útil.\n\nFerramentas e conclusões estruturadas\n\nA documentação Muse Spark do fabricante descreve chamadas de ferramentas definidas pelo programador e saída estruturada. A aplicação fornece as definições das ferramentas, o modelo decide que operação é necessária e prepara os argumentos, e a aplicação executa cada chamada e devolve o resultado correspondente. A resposta seguinte pode usar esses resultados para decidir o que fazer a seguir. Uma chamada proposta é distinta de uma operação concluída.\n\nA mesma documentação distingue ferramentas de pesquisa integradas e ligadas de funções definidas pelo programador. A pesquisa ou execução de código faz parte do ambiente de ferramentas, não é uma modalidade de conteúdo adicional da resposta textual. Num protótipo, forneça apenas as operações relevantes para a pergunta e descreva o que cada uma devolve, para que a resposta subsequente permaneça ligada a informação efetivamente recuperada ou calculada.\n\nPara extração estruturada, especifique os nomes dos campos, a informação exigida e a representação de valores em falta. Um registo prático pode conter o identificador da fonte, o facto observado, a interpretação e a pergunta que ainda precisa de esclarecimento. Mantenha o registo separado da prosa opcional quando uma aplicação tiver de processar os campos de forma fiável. A interface de esquemas do fabricante rejeita esquemas recursivos e limita o aninhamento a dez níveis. O modo estrito exige uma raiz de objeto simples, todas as propriedades enumeradas obrigatórias e propriedades adicionais proibidas. Uma estrutura correspondente não demonstra correção factual.\n\nUma tarefa de protótipo útil\n\nEscolha um fluxo de trabalho que possa produzir um artefacto inspecionável. Forneça o requisito, um exemplo visual e o código que determina o comportamento atual. Peça uma comparação curta, uma proposta de fragmento revisto e exemplos que distingam o comportamento esperado do atual. Inclua qualquer resultado de consulta ou execução devolvido pela aplicação antes de pedir a explicação final.\n\nPara um protótipo documental, dê o PDF e a pergunta a responder e peça depois um resumo ligado às fontes ou uma tabela comparativa. Para vídeo, identifique o acontecimento ou a relação visual a examinar e peça uma descrição ordenada com as observações que a sustentam. Defina a extensão e as secções da resposta final, para que o contexto extenso do modelo sirva a pergunta real.\n\nLimites de edição e continuidade\n\nContributor continua a ser a sua própria edição 1.3 identificada, com o contexto e os tipos de entrada documentados. O guia de raciocínio da Meta distingue o histórico de conversa comum da preservação de raciocínio privado entre turnos: a interface de chat do fabricante não devolve esse registo privado a clientes externos. Mantenha as mensagens visíveis, as fontes e os resultados de ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces transportam o raciocínio interno para a frente.\n\nAs fontes consultadas não especificam uma capacidade máxima rígida separada de tokens de entrada ou saída além da janela de contexto. Preserve a edição, a preparação da entrada e o artefacto solicitado e mantenha a execução das ferramentas e a entrega do texto final ligadas aos resultados efetivamente obtidos no fluxo de prototipagem.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é uma edição de raciocínio na família de agentes e programação da Meta para fluxos de prototipagem. O fabricante indica entradas de texto, imagem, vídeo e PDF, saída de texto e um contexto de 1 048 576 tokens, com níveis de raciocínio até xhigh, em vez do max do Standard 1.3.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Muse Spark 1.3 Contributor é uma edição com nome separado na família Muse Spark da Meta para prototipagem e experimentação. A família foi concebida para trabalho com agentes e programação: ciclos de ferramentas com vários passos, assistentes de software e raciocínio sobre material de origem substancial. Mantenha o nome Contributor ao selecionar a edição, em vez de a tratar como a entrada Standard 1.3 com todas as definições transferidas sem alterações.
Entradas e contexto
A tabela oficial de modelos indica texto, imagens, vídeo e PDFs como entradas e texto como saída, com uma janela de contexto de 1 048 576 tokens. Uma tarefa pode combinar um requisito escrito, uma captura de ecrã, um excerto de vídeo relevante ou páginas de documentos e pedir uma explicação escrita, conclusões estruturadas ou código proposto. O resultado textual do modelo pode tornar-se um artefacto na aplicação envolvente; renderizar uma página ou executar código exige esse ambiente de aplicação.
Identifique cada fonte e o seu papel antes de pedir um resultado. Uma tarefa de protótipo de interface pode associar uma captura de ecrã ao comportamento pretendido e ao fragmento de código existente. Peça as diferenças visíveis, a alteração de implementação proposta e os pressupostos que ainda precisam de esclarecimento. Uma tarefa documental pode definir os campos a extrair e pedir a página ou passagem de apoio junto de cada conclusão.
O fabricante refere que a compreensão de áudio na versão 1.3 não é totalmente suportada e pode dar respostas de qualidade inferior. Trate isto como uma limitação específica da versão, em vez de copiar para esta descrição as capacidades de áudio do Muse Spark 1.2 ou de um modelo de transcrição com nome separado.
Níveis de raciocínio e orçamento de resposta
Muse Spark gera raciocínio interno antes da resposta visível. Os níveis de esforço documentados aplicáveis aqui são minimal, low, medium, high e xhigh. O nível max pertence especificamente ao Standard Muse Spark 1.3 e não está disponível nos modelos Contributor. Desativar o raciocínio com none não é suportado; omitir a definição continua a deixar o modelo a raciocinar num nível determinado pelo próprio.
O orçamento de tokens de saída abrange tanto o raciocínio interno como o texto visível. Um pedido de resultado escrito longo precisa, por isso, de espaço para ambos, sobretudo com um esforço de raciocínio maior. O raciocínio interno em bruto permanece privado e as probabilidades logarítmicas não são suportadas como medida de confiança. Peça a explicação, os campos ou o código final necessários para a tarefa, em vez de presumir que o registo de raciocínio subjacente será devolvido como texto legível.
Para uma experiência específica de extração ou formatação, defina o registo exato e o material de origem. Para um problema visual ou de programação com vários passos, defina as decisões intermédias e o artefacto final. Um esforço de raciocínio maior altera a atribuição de raciocínio; não define por si só o que constitui um resultado concluído e útil.
Ferramentas e conclusões estruturadas
A documentação Muse Spark do fabricante descreve chamadas de ferramentas definidas pelo programador e saída estruturada. A aplicação fornece as definições das ferramentas, o modelo decide que operação é necessária e prepara os argumentos, e a aplicação executa cada chamada e devolve o resultado correspondente. A resposta seguinte pode usar esses resultados para decidir o que fazer a seguir. Uma chamada proposta é distinta de uma operação concluída.
A mesma documentação distingue ferramentas de pesquisa integradas e ligadas de funções definidas pelo programador. A pesquisa ou execução de código faz parte do ambiente de ferramentas, não é uma modalidade de conteúdo adicional da resposta textual. Num protótipo, forneça apenas as operações relevantes para a pergunta e descreva o que cada uma devolve, para que a resposta subsequente permaneça ligada a informação efetivamente recuperada ou calculada.
Para extração estruturada, especifique os nomes dos campos, a informação exigida e a representação de valores em falta. Um registo prático pode conter o identificador da fonte, o facto observado, a interpretação e a pergunta que ainda precisa de esclarecimento. Mantenha o registo separado da prosa opcional quando uma aplicação tiver de processar os campos de forma fiável. A interface de esquemas do fabricante rejeita esquemas recursivos e limita o aninhamento a dez níveis. O modo estrito exige uma raiz de objeto simples, todas as propriedades enumeradas obrigatórias e propriedades adicionais proibidas. Uma estrutura correspondente não demonstra correção factual.
Uma tarefa de protótipo útil
Escolha um fluxo de trabalho que possa produzir um artefacto inspecionável. Forneça o requisito, um exemplo visual e o código que determina o comportamento atual. Peça uma comparação curta, uma proposta de fragmento revisto e exemplos que distingam o comportamento esperado do atual. Inclua qualquer resultado de consulta ou execução devolvido pela aplicação antes de pedir a explicação final.
Para um protótipo documental, dê o PDF e a pergunta a responder e peça depois um resumo ligado às fontes ou uma tabela comparativa. Para vídeo, identifique o acontecimento ou a relação visual a examinar e peça uma descrição ordenada com as observações que a sustentam. Defina a extensão e as secções da resposta final, para que o contexto extenso do modelo sirva a pergunta real.
Limites de edição e continuidade
Contributor continua a ser a sua própria edição 1.3 identificada, com o contexto e os tipos de entrada documentados. O guia de raciocínio da Meta distingue o histórico de conversa comum da preservação de raciocínio privado entre turnos: a interface de chat do fabricante não devolve esse registo privado a clientes externos. Mantenha as mensagens visíveis, as fontes e os resultados de ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces transportam o raciocínio interno para a frente.
As fontes consultadas não especificam uma capacidade máxima rígida separada de tokens de entrada ou saída além da janela de contexto. Preserve a edição, a preparação da entrada e o artefacto solicitado e mantenha a execução das ferramentas e a entrega do texto final ligadas aos resultados efetivamente obtidos no fluxo de prototipagem.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.000004 / 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 $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.000004 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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-1.3-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 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-1.3-contributor
Use os caminhos dos métodos indicados acima.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor é uma edição de raciocínio na família de agentes e programação da Meta para fluxos de prototipagem. O fabricante indica entradas de texto, imagem, vídeo e PDF, saída de texto e um contexto de 1 048 576 tokens, com níveis de raciocínio até xhigh, em vez do max do Standard 1.3.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Muse Spark 1.3 Contributor é uma edição com nome separado na família Muse Spark da Meta para prototipagem e experimentação. A família foi concebida para trabalho com agentes e programação: ciclos de ferramentas com vários passos, assistentes de software e raciocínio sobre material de origem substancial. Mantenha o nome Contributor ao selecionar a edição, em vez de a tratar como a entrada Standard 1.3 com todas as definições transferidas sem alterações.
Entradas e contexto
A tabela oficial de modelos indica texto, imagens, vídeo e PDFs como entradas e texto como saída, com uma janela de contexto de 1 048 576 tokens. Uma tarefa pode combinar um requisito escrito, uma captura de ecrã, um excerto de vídeo relevante ou páginas de documentos e pedir uma explicação escrita, conclusões estruturadas ou código proposto. O resultado textual do modelo pode tornar-se um artefacto na aplicação envolvente; renderizar uma página ou executar código exige esse ambiente de aplicação.
Identifique cada fonte e o seu papel antes de pedir um resultado. Uma tarefa de protótipo de interface pode associar uma captura de ecrã ao comportamento pretendido e ao fragmento de código existente. Peça as diferenças visíveis, a alteração de implementação proposta e os pressupostos que ainda precisam de esclarecimento. Uma tarefa documental pode definir os campos a extrair e pedir a página ou passagem de apoio junto de cada conclusão.
O fabricante refere que a compreensão de áudio na versão 1.3 não é totalmente suportada e pode dar respostas de qualidade inferior. Trate isto como uma limitação específica da versão, em vez de copiar para esta descrição as capacidades de áudio do Muse Spark 1.2 ou de um modelo de transcrição com nome separado.
Níveis de raciocínio e orçamento de resposta
Muse Spark gera raciocínio interno antes da resposta visível. Os níveis de esforço documentados aplicáveis aqui são minimal, low, medium, high e xhigh. O nível max pertence especificamente ao Standard Muse Spark 1.3 e não está disponível nos modelos Contributor. Desativar o raciocínio com none não é suportado; omitir a definição continua a deixar o modelo a raciocinar num nível determinado pelo próprio.
O orçamento de tokens de saída abrange tanto o raciocínio interno como o texto visível. Um pedido de resultado escrito longo precisa, por isso, de espaço para ambos, sobretudo com um esforço de raciocínio maior. O raciocínio interno em bruto permanece privado e as probabilidades logarítmicas não são suportadas como medida de confiança. Peça a explicação, os campos ou o código final necessários para a tarefa, em vez de presumir que o registo de raciocínio subjacente será devolvido como texto legível.
Para uma experiência específica de extração ou formatação, defina o registo exato e o material de origem. Para um problema visual ou de programação com vários passos, defina as decisões intermédias e o artefacto final. Um esforço de raciocínio maior altera a atribuição de raciocínio; não define por si só o que constitui um resultado concluído e útil.
Ferramentas e conclusões estruturadas
A documentação Muse Spark do fabricante descreve chamadas de ferramentas definidas pelo programador e saída estruturada. A aplicação fornece as definições das ferramentas, o modelo decide que operação é necessária e prepara os argumentos, e a aplicação executa cada chamada e devolve o resultado correspondente. A resposta seguinte pode usar esses resultados para decidir o que fazer a seguir. Uma chamada proposta é distinta de uma operação concluída.
A mesma documentação distingue ferramentas de pesquisa integradas e ligadas de funções definidas pelo programador. A pesquisa ou execução de código faz parte do ambiente de ferramentas, não é uma modalidade de conteúdo adicional da resposta textual. Num protótipo, forneça apenas as operações relevantes para a pergunta e descreva o que cada uma devolve, para que a resposta subsequente permaneça ligada a informação efetivamente recuperada ou calculada.
Para extração estruturada, especifique os nomes dos campos, a informação exigida e a representação de valores em falta. Um registo prático pode conter o identificador da fonte, o facto observado, a interpretação e a pergunta que ainda precisa de esclarecimento. Mantenha o registo separado da prosa opcional quando uma aplicação tiver de processar os campos de forma fiável. A interface de esquemas do fabricante rejeita esquemas recursivos e limita o aninhamento a dez níveis. O modo estrito exige uma raiz de objeto simples, todas as propriedades enumeradas obrigatórias e propriedades adicionais proibidas. Uma estrutura correspondente não demonstra correção factual.
Uma tarefa de protótipo útil
Escolha um fluxo de trabalho que possa produzir um artefacto inspecionável. Forneça o requisito, um exemplo visual e o código que determina o comportamento atual. Peça uma comparação curta, uma proposta de fragmento revisto e exemplos que distingam o comportamento esperado do atual. Inclua qualquer resultado de consulta ou execução devolvido pela aplicação antes de pedir a explicação final.
Para um protótipo documental, dê o PDF e a pergunta a responder e peça depois um resumo ligado às fontes ou uma tabela comparativa. Para vídeo, identifique o acontecimento ou a relação visual a examinar e peça uma descrição ordenada com as observações que a sustentam. Defina a extensão e as secções da resposta final, para que o contexto extenso do modelo sirva a pergunta real.
Limites de edição e continuidade
Contributor continua a ser a sua própria edição 1.3 identificada, com o contexto e os tipos de entrada documentados. O guia de raciocínio da Meta distingue o histórico de conversa comum da preservação de raciocínio privado entre turnos: a interface de chat do fabricante não devolve esse registo privado a clientes externos. Mantenha as mensagens visíveis, as fontes e os resultados de ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces transportam o raciocínio interno para a frente.
As fontes consultadas não especificam uma capacidade máxima rígida separada de tokens de entrada ou saída além da janela de contexto. Preserve a edição, a preparação da entrada e o artefacto solicitado e mantenha a execução das ferramentas e a entrega do texto final ligadas aos resultados efetivamente obtidos no fluxo de prototipagem.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.000004 / 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 $0.0002 / 1K tokens Saída · Tokens de saída $0.0004 / 1K tokens Entrada · Leitura da cache $0.000004 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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-1.3-contributor
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.