Muse Spark 1.3 é o modelo de raciocínio da Meta para trabalho sustentado com agentes e programação. O fabricante destaca a manutenção do contexto e de resultados anteriores ao longo de tarefas prolongadas, o trabalho com fontes contraditórias e a produção de um resultado concluído a entregar. Esta entrada corresponde à edição Standard 1.3, cujas definições de raciocínio documentadas incluem max; a edição Contributor com nome separado tem os seus próprios limites de definições.
Tarefas prolongadas com agentes
O lançamento descreve um modelo treinado em diferentes ambientes de agentes para recolher informação, rever um plano quando as evidências mudam e preservar requisitos detalhados ao longo de uma tarefa com vários passos. Descreve também um melhor tratamento de vários fluxos de trabalho na mesma conversa, com os pedidos recebidos associados à tarefa relevante. Um pedido útil deve definir o objetivo, as fontes, os requisitos e o artefacto que contará como conclusão.
Para uma tarefa documental profissional, forneça os relatórios de origem, identifique os factos que devem ser mantidos e peça um briefing estruturado com localizações nas fontes. Se as fontes entrarem em conflito, peça separadamente as afirmações contraditórias e a informação necessária para as resolver. Para uma tarefa de programação, inclua o comportamento pretendido, os módulos afetados e o código relevante; peça a implementação proposta e as evidências que distinguiriam o resultado pretendido.
O fabricante afirma que 1.3 pede esclarecimentos quando um pedido é ambíguo e procura ajuda do utilizador quando está bloqueado. Descreve também melhor discernimento em ações com consequências relevantes. São melhorias do comportamento do modelo, não um substituto dos controlos de execução da aplicação. Dê ao agente a informação necessária para decidir e torne explícito o resultado exigido.
Programação e evidências multimodais
O lançamento centra-se em tarefas de programação mais longas, saída mais limpa e menos turnos desnecessários em comparação com 1.2. Um fluxo de agente de programação pode examinar uma captura de ecrã, localizar o código relevante, propor uma correção e usar o retorno de execução ou renderização devolvido pelas ferramentas. Indique a interface que deve manter a compatibilidade e peça o artefacto alterado separadamente dos pressupostos e da explicação.
A tabela oficial de modelos indica entrada de texto, imagem, vídeo e PDF, com saída de texto e um contexto de 1 048 576 tokens. Imagens ou excertos de vídeo podem fornecer evidências visíveis juntamente com a tarefa escrita. Uma pergunta sobre um gráfico deve conservar eixos, legendas e unidades; uma pergunta sobre uma captura de ecrã deve identificar o comportamento a reproduzir ou examinar. Uma pergunta sobre um PDF pode pedir uma extração ou comparação ligada às fontes, em vez de um resumo geral de todas as páginas.
O fabricante refere explicitamente que a compreensão de áudio em 1.3 não é totalmente suportada e que as respostas que contenham áudio podem degradar-se. Isto é distinto da capacidade audiovisual documentada de 1.2. O resultado textual do modelo também não gera por si só uma imagem, uma gravação de fala ou um ficheiro concluído sem as ferramentas da aplicação envolvente.
Esforço de raciocínio e continuidade
Os níveis documentados são minimal, low, medium, high, xhigh e max. Max é específico do Standard 1.3. Muse Spark não suporta desativar o raciocínio com none; omitir a definição deixa um nível de raciocínio determinado pelo modelo. Escolha o esforço para o problema real e deixe espaço tanto para o raciocínio interno como para o resultado escrito exigido.
Os tokens de raciocínio e os tokens visíveis partilham o orçamento de saída. O raciocínio interno em bruto permanece privado e não é devolvido como texto legível comum. O fabricante distingue o histórico visível da conversa da continuidade do raciocínio privado: a interface de chat não expõe um registo que clientes externos possam reproduzir, enquanto o outro fluxo de conversa documentado suporta continuação de raciocínio gerida ou encriptada. Preserve as fontes, as mensagens visíveis e os resultados reais das ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces conservam o raciocínio privado de forma idêntica.
Ferramentas e resultados estruturados a entregar
A aplicação fornece descrições de funções definidas pelo programador, o modelo cria os argumentos de chamada necessários e a aplicação executa cada chamada e devolve o resultado associado. O modelo pode solicitar várias funções num turno. Devolva o resultado de cada operação de origem antes de pedir a conclusão seguinte, para que a resposta use informação efetivamente recuperada ou calculada.
O fabricante documenta separadamente ferramentas de pesquisa integradas que executam dentro do seu serviço ligado. As funções do programador e essas ferramentas integradas têm mecanismos de execução diferentes. O modelo pode raciocinar sobre a informação de que precisa, mas selecionar o modelo, por si só, não fornece acesso a repositórios, um navegador ou uma fonte de informação privada.
A saída estruturada pode restringir o resultado a um esquema JSON fornecido. Defina os campos e tipos necessários para o passo seguinte e o tratamento da informação de origem em falta. No modo de esquema estrito do fabricante, a raiz é um objeto simples, todas as propriedades são obrigatórias e propriedades adicionais são proibidas; esquemas recursivos são rejeitados. São restrições da interface estruturada do fabricante, não provas de que os factos dentro de um registo com a forma correta são verdadeiros.
Para um artefacto final útil, peça separadamente as conclusões sustentadas pelas fontes, a alteração ou o documento propostos e as condições por resolver. As fontes consultadas não indicam uma capacidade máxima rígida independente de tokens de entrada ou saída além do contexto documentado. Mantenha explícitos a identidade Standard 1.3, a opção de raciocínio e os resultados de execução ligados ao longo de toda a tarefa.
", "aboutText": "Muse Spark 1.3 é o modelo de raciocínio da Meta para trabalho sustentado com agentes e programação. O fabricante destaca a manutenção do contexto e de resultados anteriores ao longo de tarefas prolongadas, o trabalho com fontes contraditórias e a produção de um resultado concluído a entregar. Esta entrada corresponde à edição Standard 1.3, cujas definições de raciocínio documentadas incluem max; a edição Contributor com nome separado tem os seus próprios limites de definições.\n\nTarefas prolongadas com agentes\n\nO lançamento descreve um modelo treinado em diferentes ambientes de agentes para recolher informação, rever um plano quando as evidências mudam e preservar requisitos detalhados ao longo de uma tarefa com vários passos. Descreve também um melhor tratamento de vários fluxos de trabalho na mesma conversa, com os pedidos recebidos associados à tarefa relevante. Um pedido útil deve definir o objetivo, as fontes, os requisitos e o artefacto que contará como conclusão.\n\nPara uma tarefa documental profissional, forneça os relatórios de origem, identifique os factos que devem ser mantidos e peça um briefing estruturado com localizações nas fontes. Se as fontes entrarem em conflito, peça separadamente as afirmações contraditórias e a informação necessária para as resolver. Para uma tarefa de programação, inclua o comportamento pretendido, os módulos afetados e o código relevante; peça a implementação proposta e as evidências que distinguiriam o resultado pretendido.\n\nO fabricante afirma que 1.3 pede esclarecimentos quando um pedido é ambíguo e procura ajuda do utilizador quando está bloqueado. Descreve também melhor discernimento em ações com consequências relevantes. São melhorias do comportamento do modelo, não um substituto dos controlos de execução da aplicação. Dê ao agente a informação necessária para decidir e torne explícito o resultado exigido.\n\nProgramação e evidências multimodais\n\nO lançamento centra-se em tarefas de programação mais longas, saída mais limpa e menos turnos desnecessários em comparação com 1.2. Um fluxo de agente de programação pode examinar uma captura de ecrã, localizar o código relevante, propor uma correção e usar o retorno de execução ou renderização devolvido pelas ferramentas. Indique a interface que deve manter a compatibilidade e peça o artefacto alterado separadamente dos pressupostos e da explicação.\n\nA tabela oficial de modelos indica entrada de texto, imagem, vídeo e PDF, com saída de texto e um contexto de 1 048 576 tokens. Imagens ou excertos de vídeo podem fornecer evidências visíveis juntamente com a tarefa escrita. Uma pergunta sobre um gráfico deve conservar eixos, legendas e unidades; uma pergunta sobre uma captura de ecrã deve identificar o comportamento a reproduzir ou examinar. Uma pergunta sobre um PDF pode pedir uma extração ou comparação ligada às fontes, em vez de um resumo geral de todas as páginas.\n\nO fabricante refere explicitamente que a compreensão de áudio em 1.3 não é totalmente suportada e que as respostas que contenham áudio podem degradar-se. Isto é distinto da capacidade audiovisual documentada de 1.2. O resultado textual do modelo também não gera por si só uma imagem, uma gravação de fala ou um ficheiro concluído sem as ferramentas da aplicação envolvente.\n\nEsforço de raciocínio e continuidade\n\nOs níveis documentados são minimal, low, medium, high, xhigh e max. Max é específico do Standard 1.3. Muse Spark não suporta desativar o raciocínio com none; omitir a definição deixa um nível de raciocínio determinado pelo modelo. Escolha o esforço para o problema real e deixe espaço tanto para o raciocínio interno como para o resultado escrito exigido.\n\nOs tokens de raciocínio e os tokens visíveis partilham o orçamento de saída. O raciocínio interno em bruto permanece privado e não é devolvido como texto legível comum. O fabricante distingue o histórico visível da conversa da continuidade do raciocínio privado: a interface de chat não expõe um registo que clientes externos possam reproduzir, enquanto o outro fluxo de conversa documentado suporta continuação de raciocínio gerida ou encriptada. Preserve as fontes, as mensagens visíveis e os resultados reais das ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces conservam o raciocínio privado de forma idêntica.\n\nFerramentas e resultados estruturados a entregar\n\nA aplicação fornece descrições de funções definidas pelo programador, o modelo cria os argumentos de chamada necessários e a aplicação executa cada chamada e devolve o resultado associado. O modelo pode solicitar várias funções num turno. Devolva o resultado de cada operação de origem antes de pedir a conclusão seguinte, para que a resposta use informação efetivamente recuperada ou calculada.\n\nO fabricante documenta separadamente ferramentas de pesquisa integradas que executam dentro do seu serviço ligado. As funções do programador e essas ferramentas integradas têm mecanismos de execução diferentes. O modelo pode raciocinar sobre a informação de que precisa, mas selecionar o modelo, por si só, não fornece acesso a repositórios, um navegador ou uma fonte de informação privada.\n\nA saída estruturada pode restringir o resultado a um esquema JSON fornecido. Defina os campos e tipos necessários para o passo seguinte e o tratamento da informação de origem em falta. No modo de esquema estrito do fabricante, a raiz é um objeto simples, todas as propriedades são obrigatórias e propriedades adicionais são proibidas; esquemas recursivos são rejeitados. São restrições da interface estruturada do fabricante, não provas de que os factos dentro de um registo com a forma correta são verdadeiros.\n\nPara um artefacto final útil, peça separadamente as conclusões sustentadas pelas fontes, a alteração ou o documento propostos e as condições por resolver. As fontes consultadas não indicam uma capacidade máxima rígida independente de tokens de entrada ou saída além do contexto documentado. Mantenha explícitos a identidade Standard 1.3, a opção de raciocínio e os resultados de execução ligados ao longo de toda a tarefa.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.meta/muse-spark-1.3Muse Spark 1.3 é o modelo de raciocínio multimodal da Meta para agentes de longa duração e fluxos de programação. Acompanha fontes e resultados anteriores, suporta um contexto de 1 048 576 tokens indicado pelo fabricante e níveis de raciocínio até max nesta edição Standard, devolvendo texto e propostas de ações com ferramentas.
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 é o modelo de raciocínio da Meta para trabalho sustentado com agentes e programação. O fabricante destaca a manutenção do contexto e de resultados anteriores ao longo de tarefas prolongadas, o trabalho com fontes contraditórias e a produção de um resultado concluído a entregar. Esta entrada corresponde à edição Standard 1.3, cujas definições de raciocínio documentadas incluem max; a edição Contributor com nome separado tem os seus próprios limites de definições.
Tarefas prolongadas com agentes
O lançamento descreve um modelo treinado em diferentes ambientes de agentes para recolher informação, rever um plano quando as evidências mudam e preservar requisitos detalhados ao longo de uma tarefa com vários passos. Descreve também um melhor tratamento de vários fluxos de trabalho na mesma conversa, com os pedidos recebidos associados à tarefa relevante. Um pedido útil deve definir o objetivo, as fontes, os requisitos e o artefacto que contará como conclusão.
Para uma tarefa documental profissional, forneça os relatórios de origem, identifique os factos que devem ser mantidos e peça um briefing estruturado com localizações nas fontes. Se as fontes entrarem em conflito, peça separadamente as afirmações contraditórias e a informação necessária para as resolver. Para uma tarefa de programação, inclua o comportamento pretendido, os módulos afetados e o código relevante; peça a implementação proposta e as evidências que distinguiriam o resultado pretendido.
O fabricante afirma que 1.3 pede esclarecimentos quando um pedido é ambíguo e procura ajuda do utilizador quando está bloqueado. Descreve também melhor discernimento em ações com consequências relevantes. São melhorias do comportamento do modelo, não um substituto dos controlos de execução da aplicação. Dê ao agente a informação necessária para decidir e torne explícito o resultado exigido.
Programação e evidências multimodais
O lançamento centra-se em tarefas de programação mais longas, saída mais limpa e menos turnos desnecessários em comparação com 1.2. Um fluxo de agente de programação pode examinar uma captura de ecrã, localizar o código relevante, propor uma correção e usar o retorno de execução ou renderização devolvido pelas ferramentas. Indique a interface que deve manter a compatibilidade e peça o artefacto alterado separadamente dos pressupostos e da explicação.
A tabela oficial de modelos indica entrada de texto, imagem, vídeo e PDF, com saída de texto e um contexto de 1 048 576 tokens. Imagens ou excertos de vídeo podem fornecer evidências visíveis juntamente com a tarefa escrita. Uma pergunta sobre um gráfico deve conservar eixos, legendas e unidades; uma pergunta sobre uma captura de ecrã deve identificar o comportamento a reproduzir ou examinar. Uma pergunta sobre um PDF pode pedir uma extração ou comparação ligada às fontes, em vez de um resumo geral de todas as páginas.
O fabricante refere explicitamente que a compreensão de áudio em 1.3 não é totalmente suportada e que as respostas que contenham áudio podem degradar-se. Isto é distinto da capacidade audiovisual documentada de 1.2. O resultado textual do modelo também não gera por si só uma imagem, uma gravação de fala ou um ficheiro concluído sem as ferramentas da aplicação envolvente.
Esforço de raciocínio e continuidade
Os níveis documentados são minimal, low, medium, high, xhigh e max. Max é específico do Standard 1.3. Muse Spark não suporta desativar o raciocínio com none; omitir a definição deixa um nível de raciocínio determinado pelo modelo. Escolha o esforço para o problema real e deixe espaço tanto para o raciocínio interno como para o resultado escrito exigido.
Os tokens de raciocínio e os tokens visíveis partilham o orçamento de saída. O raciocínio interno em bruto permanece privado e não é devolvido como texto legível comum. O fabricante distingue o histórico visível da conversa da continuidade do raciocínio privado: a interface de chat não expõe um registo que clientes externos possam reproduzir, enquanto o outro fluxo de conversa documentado suporta continuação de raciocínio gerida ou encriptada. Preserve as fontes, as mensagens visíveis e os resultados reais das ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces conservam o raciocínio privado de forma idêntica.
Ferramentas e resultados estruturados a entregar
A aplicação fornece descrições de funções definidas pelo programador, o modelo cria os argumentos de chamada necessários e a aplicação executa cada chamada e devolve o resultado associado. O modelo pode solicitar várias funções num turno. Devolva o resultado de cada operação de origem antes de pedir a conclusão seguinte, para que a resposta use informação efetivamente recuperada ou calculada.
O fabricante documenta separadamente ferramentas de pesquisa integradas que executam dentro do seu serviço ligado. As funções do programador e essas ferramentas integradas têm mecanismos de execução diferentes. O modelo pode raciocinar sobre a informação de que precisa, mas selecionar o modelo, por si só, não fornece acesso a repositórios, um navegador ou uma fonte de informação privada.
A saída estruturada pode restringir o resultado a um esquema JSON fornecido. Defina os campos e tipos necessários para o passo seguinte e o tratamento da informação de origem em falta. No modo de esquema estrito do fabricante, a raiz é um objeto simples, todas as propriedades são obrigatórias e propriedades adicionais são proibidas; esquemas recursivos são rejeitados. São restrições da interface estruturada do fabricante, não provas de que os factos dentro de um registo com a forma correta são verdadeiros.
Para um artefacto final útil, peça separadamente as conclusões sustentadas pelas fontes, a alteração ou o documento propostos e as condições por resolver. As fontes consultadas não indicam uma capacidade máxima rígida independente de tokens de entrada ou saída além do contexto documentado. Mantenha explícitos a identidade Standard 1.3, a opção de raciocínio e os resultados de execução ligados ao longo de toda a tarefa.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.3 | 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-1.3", "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',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',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
Use os caminhos dos métodos indicados acima.
meta/muse-spark-1.3Muse Spark 1.3 é o modelo de raciocínio multimodal da Meta para agentes de longa duração e fluxos de programação. Acompanha fontes e resultados anteriores, suporta um contexto de 1 048 576 tokens indicado pelo fabricante e níveis de raciocínio até max nesta edição Standard, devolvendo texto e propostas de ações com ferramentas.
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 é o modelo de raciocínio da Meta para trabalho sustentado com agentes e programação. O fabricante destaca a manutenção do contexto e de resultados anteriores ao longo de tarefas prolongadas, o trabalho com fontes contraditórias e a produção de um resultado concluído a entregar. Esta entrada corresponde à edição Standard 1.3, cujas definições de raciocínio documentadas incluem max; a edição Contributor com nome separado tem os seus próprios limites de definições.
Tarefas prolongadas com agentes
O lançamento descreve um modelo treinado em diferentes ambientes de agentes para recolher informação, rever um plano quando as evidências mudam e preservar requisitos detalhados ao longo de uma tarefa com vários passos. Descreve também um melhor tratamento de vários fluxos de trabalho na mesma conversa, com os pedidos recebidos associados à tarefa relevante. Um pedido útil deve definir o objetivo, as fontes, os requisitos e o artefacto que contará como conclusão.
Para uma tarefa documental profissional, forneça os relatórios de origem, identifique os factos que devem ser mantidos e peça um briefing estruturado com localizações nas fontes. Se as fontes entrarem em conflito, peça separadamente as afirmações contraditórias e a informação necessária para as resolver. Para uma tarefa de programação, inclua o comportamento pretendido, os módulos afetados e o código relevante; peça a implementação proposta e as evidências que distinguiriam o resultado pretendido.
O fabricante afirma que 1.3 pede esclarecimentos quando um pedido é ambíguo e procura ajuda do utilizador quando está bloqueado. Descreve também melhor discernimento em ações com consequências relevantes. São melhorias do comportamento do modelo, não um substituto dos controlos de execução da aplicação. Dê ao agente a informação necessária para decidir e torne explícito o resultado exigido.
Programação e evidências multimodais
O lançamento centra-se em tarefas de programação mais longas, saída mais limpa e menos turnos desnecessários em comparação com 1.2. Um fluxo de agente de programação pode examinar uma captura de ecrã, localizar o código relevante, propor uma correção e usar o retorno de execução ou renderização devolvido pelas ferramentas. Indique a interface que deve manter a compatibilidade e peça o artefacto alterado separadamente dos pressupostos e da explicação.
A tabela oficial de modelos indica entrada de texto, imagem, vídeo e PDF, com saída de texto e um contexto de 1 048 576 tokens. Imagens ou excertos de vídeo podem fornecer evidências visíveis juntamente com a tarefa escrita. Uma pergunta sobre um gráfico deve conservar eixos, legendas e unidades; uma pergunta sobre uma captura de ecrã deve identificar o comportamento a reproduzir ou examinar. Uma pergunta sobre um PDF pode pedir uma extração ou comparação ligada às fontes, em vez de um resumo geral de todas as páginas.
O fabricante refere explicitamente que a compreensão de áudio em 1.3 não é totalmente suportada e que as respostas que contenham áudio podem degradar-se. Isto é distinto da capacidade audiovisual documentada de 1.2. O resultado textual do modelo também não gera por si só uma imagem, uma gravação de fala ou um ficheiro concluído sem as ferramentas da aplicação envolvente.
Esforço de raciocínio e continuidade
Os níveis documentados são minimal, low, medium, high, xhigh e max. Max é específico do Standard 1.3. Muse Spark não suporta desativar o raciocínio com none; omitir a definição deixa um nível de raciocínio determinado pelo modelo. Escolha o esforço para o problema real e deixe espaço tanto para o raciocínio interno como para o resultado escrito exigido.
Os tokens de raciocínio e os tokens visíveis partilham o orçamento de saída. O raciocínio interno em bruto permanece privado e não é devolvido como texto legível comum. O fabricante distingue o histórico visível da conversa da continuidade do raciocínio privado: a interface de chat não expõe um registo que clientes externos possam reproduzir, enquanto o outro fluxo de conversa documentado suporta continuação de raciocínio gerida ou encriptada. Preserve as fontes, as mensagens visíveis e os resultados reais das ferramentas necessários para um seguimento, em vez de presumir que todas as interfaces conservam o raciocínio privado de forma idêntica.
Ferramentas e resultados estruturados a entregar
A aplicação fornece descrições de funções definidas pelo programador, o modelo cria os argumentos de chamada necessários e a aplicação executa cada chamada e devolve o resultado associado. O modelo pode solicitar várias funções num turno. Devolva o resultado de cada operação de origem antes de pedir a conclusão seguinte, para que a resposta use informação efetivamente recuperada ou calculada.
O fabricante documenta separadamente ferramentas de pesquisa integradas que executam dentro do seu serviço ligado. As funções do programador e essas ferramentas integradas têm mecanismos de execução diferentes. O modelo pode raciocinar sobre a informação de que precisa, mas selecionar o modelo, por si só, não fornece acesso a repositórios, um navegador ou uma fonte de informação privada.
A saída estruturada pode restringir o resultado a um esquema JSON fornecido. Defina os campos e tipos necessários para o passo seguinte e o tratamento da informação de origem em falta. No modo de esquema estrito do fabricante, a raiz é um objeto simples, todas as propriedades são obrigatórias e propriedades adicionais são proibidas; esquemas recursivos são rejeitados. São restrições da interface estruturada do fabricante, não provas de que os factos dentro de um registo com a forma correta são verdadeiros.
Para um artefacto final útil, peça separadamente as conclusões sustentadas pelas fontes, a alteração ou o documento propostos e as condições por resolver. As fontes consultadas não indicam uma capacidade máxima rígida independente de tokens de entrada ou saída além do contexto documentado. Mantenha explícitos a identidade Standard 1.3, a opção de raciocínio e os resultados de execução ligados ao longo de toda a tarefa.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites meta/muse-spark-1.3 | 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 $0.0003 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Resolve conflicting project reports\n\nPrepare a decision brief from these reports. Engineering E: migration scripts passed staging checks. Operations O: production backup restoration has not been rehearsed. Release policy P: rehearsal must pass before migration approval. State what is established, what blocks approval and the next evidence needed. Keep staging success separate from production readiness and cite E, O or P beside each point.A source-linked brief with established facts, the blocking condition and one concrete evidence request.Staging checks alone never satisfy the policy's restoration-rehearsal requirement.