Muse Spark 1.1 är Meta Superintelligence Labs multimodala resonemangsmodell för agentarbete, kodning och arbetsflöden för datoranvändning. Tillverkarens ursprungliga utgåva betonar planering, orkestrering, kontexthantering och att kombinera visuellt underlag med åtgärder som tillhandahålls av verktyg. De dokumenterade utdata är text; applikationen runt modellen tillhandahåller faktisk exekvering och renderade arbetsresultat.
Agentplanering och lång kontext
Utgåvan beskriver anpassning till inbyggda verktyg, anpassade funktioner och agentmiljöer. Som huvudagent kan modellen samla kontext, bilda en plan och delegera definierat arbete; i en delegerad roll följer den tilldelad uppgift och kan eskalera ett hinder. Detta är funktioner som används av en agentmiljö snarare än en samling underagenter som automatiskt skapas av ett enda textsvar.
Tillverkarens modelltabell anger en kontext på 1,048,576 token. Utgåvan 1.1 beskriver att återkalla tidigare arbete och komprimera den information som behövs för senare steg. En användbar uppgift bör identifiera målet, källmaterialet och slutresultatet, med viktiga beslut och verktygsresultat uttryckligen bevarade. En stor kontext hjälper till att hålla relaterad information tillsammans men definierar inte vilket krav resultatet måste uppfylla.
För en lång projektfråga märker du källdokumenten och begär det relevanta kravet, dess position och det olösta villkoret. För en plan ber du om åtgärderna i en ordning knuten till de tillhandahållna begränsningarna och anger vilket resultat som skulle slutföra varje steg. Behåll de synliga fynden och utfallen vid uppföljning i stället för att anta att ett ospecificerat minne innehåller varje tidigare uppgift.
Datoranvändning och kodning
Tillverkaren beskriver datorarbetsflöden mellan skiftande applikationer, där modellen väljer mellan direkt gränssnittsinteraktion och skriptbaserad automatisering i en ansluten miljö. En skärmbild kan tillhandahålla det synliga tillståndet och en textinstruktion kan definiera användarens mål. Begär det relevanta reglaget, den föreslagna åtgärden och underlaget som stöder den och återför sedan det faktiska nya tillståndet om miljön utför åtgärden.
För kodning beskriver utgåvan feldiagnos, implementation av funktioner och hantering av kodmigreringar. Felsökningsdemonstrationen kombinerar kodgenerering, skärmbilder, lokalisering av ett fel och granskning av korrigeringen. En praktisk begäran kan tillhandahålla det felaktiga beteendet, berörd källkod och förväntat resultat och sedan be om den föreslagna ändringen med det publika gränssnittet bevarat. Kodkörning och filändringar förblir åtgärder som tillhandahålls av applikationsverktygen.
Ge modellen den kod och de deklarationer som avgör beteendet. För en förklaring tillhandahåller du indata att spåra; för en ändring anger du resultat och begränsningar; för en visuell implementation inkluderar du skärmbilden och de interaktioner som bilden inte visar. Begär arbetsresultatet separat från dess antaganden och den återkoppling som behövs för att granska det.
Multimodala indata
Modelltabellen dokumenterar text-, bild-, video-, ljud- och PDF-indata för 1.1, med textutdata. Utgåvan beskriver detaljerade beskrivningar av bilder och videor, generering av kod från visuellt material och användning av perceptuella detaljer genom ett längre arbetsflöde. En dokumentfråga kan begära källkopplade fält eller en jämförelse; en videofråga kan identifiera händelsen eller sekvensen som ska beskrivas; en audiovisuell fråga kan ange vilken talad och synlig information som är viktig.
Modellens utdata förblir en skriftlig förklaring, ett strukturerat resultat eller föreslagen kod. En genererad bild, syntetiserat tal eller en slutförd extern åtgärd kräver en separat tillhandahållen komponent. Bevara källidentifierare, etiketter, enheter och relevanta segment så att textresultatet kan jämföras med originalmaterialet.
Resonemang, verktyg och strukturerade utdata
Muse Sparks resonemangsguide dokumenterar minimal, low, medium, high och xhigh för denna utgåva. Max är en senare inställning i Standard 1.3, och none stöds inte. Resonemang sker även utan ett uttryckligt insatsvärde, och utdatabudgeten täcker både det privata interna resonemanget och det synliga svaret. Rått resonemang och loggsannolikheter exponeras inte som vanliga konfidens- eller förklaringsfält.
Utvecklardefinierade verktygsanrop följer en cykel: applikationen tillhandahåller åtgärder, modellen förbereder argument, applikationen kör varje anrop och returnerar dess resultat och nästa svar använder utfallet. Ett verktygsanrop kan begära information eller en åtgärd; det är inte i sig belägg för att åtgärden slutförts. Håll det ursprungliga anropet och resultatet sammanlänkade genom samtalet.
Tillverkaren dokumenterar också strukturerad text begränsad av ett tillhandahållet JSON-schema. Definiera de fält som applikationen kräver och deras typer och håll källinformation separat från tolkning när de fyller olika syften. En strukturerad form visar inte att innehållet är faktamässigt korrekt; originalkällorna och de faktiska verktygsresultaten avgör fortfarande innehållet i ett granskningsbart svar.
Utgåva och kontinuitetsgränser
Muse Spark 1.1 förblir sin egen utgåva. De specifika kodförändringarna i 1.2, uppdateringarna av långvarigt beteende i 1.3 och max-inställningen i Standard 1.3 bör inte tilldelas den bara för att familjen är gemensam. Tillverkarens chattgränssnitt ger inte externa anropare privat resonemang att spela upp igen, så bevara synlig historik och använd de kontinuitetsmekanismer som det anslutna gränssnittet erbjuder.
De lästa källorna anger inga separata hårda maximala kapaciteter för indata- eller utdatatoken utöver den dokumenterade kontexten. Definiera det nödvändiga textresultatet och behåll underlaget som behövs för varje åtgärd eller slutsats, samtidigt som modellens planering och perception hålls åtskilda från miljön som utför dess föreslagna åtgärder.
", "aboutText": "Muse Spark 1.1 är Meta Superintelligence Labs multimodala resonemangsmodell för agentarbete, kodning och arbetsflöden för datoranvändning. Tillverkarens ursprungliga utgåva betonar planering, orkestrering, kontexthantering och att kombinera visuellt underlag med åtgärder som tillhandahålls av verktyg. De dokumenterade utdata är text; applikationen runt modellen tillhandahåller faktisk exekvering och renderade arbetsresultat.\n\nAgentplanering och lång kontext\n\nUtgåvan beskriver anpassning till inbyggda verktyg, anpassade funktioner och agentmiljöer. Som huvudagent kan modellen samla kontext, bilda en plan och delegera definierat arbete; i en delegerad roll följer den tilldelad uppgift och kan eskalera ett hinder. Detta är funktioner som används av en agentmiljö snarare än en samling underagenter som automatiskt skapas av ett enda textsvar.\n\nTillverkarens modelltabell anger en kontext på 1,048,576 token. Utgåvan 1.1 beskriver att återkalla tidigare arbete och komprimera den information som behövs för senare steg. En användbar uppgift bör identifiera målet, källmaterialet och slutresultatet, med viktiga beslut och verktygsresultat uttryckligen bevarade. En stor kontext hjälper till att hålla relaterad information tillsammans men definierar inte vilket krav resultatet måste uppfylla.\n\nFör en lång projektfråga märker du källdokumenten och begär det relevanta kravet, dess position och det olösta villkoret. För en plan ber du om åtgärderna i en ordning knuten till de tillhandahållna begränsningarna och anger vilket resultat som skulle slutföra varje steg. Behåll de synliga fynden och utfallen vid uppföljning i stället för att anta att ett ospecificerat minne innehåller varje tidigare uppgift.\n\nDatoranvändning och kodning\n\nTillverkaren beskriver datorarbetsflöden mellan skiftande applikationer, där modellen väljer mellan direkt gränssnittsinteraktion och skriptbaserad automatisering i en ansluten miljö. En skärmbild kan tillhandahålla det synliga tillståndet och en textinstruktion kan definiera användarens mål. Begär det relevanta reglaget, den föreslagna åtgärden och underlaget som stöder den och återför sedan det faktiska nya tillståndet om miljön utför åtgärden.\n\nFör kodning beskriver utgåvan feldiagnos, implementation av funktioner och hantering av kodmigreringar. Felsökningsdemonstrationen kombinerar kodgenerering, skärmbilder, lokalisering av ett fel och granskning av korrigeringen. En praktisk begäran kan tillhandahålla det felaktiga beteendet, berörd källkod och förväntat resultat och sedan be om den föreslagna ändringen med det publika gränssnittet bevarat. Kodkörning och filändringar förblir åtgärder som tillhandahålls av applikationsverktygen.\n\nGe modellen den kod och de deklarationer som avgör beteendet. För en förklaring tillhandahåller du indata att spåra; för en ändring anger du resultat och begränsningar; för en visuell implementation inkluderar du skärmbilden och de interaktioner som bilden inte visar. Begär arbetsresultatet separat från dess antaganden och den återkoppling som behövs för att granska det.\n\nMultimodala indata\n\nModelltabellen dokumenterar text-, bild-, video-, ljud- och PDF-indata för 1.1, med textutdata. Utgåvan beskriver detaljerade beskrivningar av bilder och videor, generering av kod från visuellt material och användning av perceptuella detaljer genom ett längre arbetsflöde. En dokumentfråga kan begära källkopplade fält eller en jämförelse; en videofråga kan identifiera händelsen eller sekvensen som ska beskrivas; en audiovisuell fråga kan ange vilken talad och synlig information som är viktig.\n\nModellens utdata förblir en skriftlig förklaring, ett strukturerat resultat eller föreslagen kod. En genererad bild, syntetiserat tal eller en slutförd extern åtgärd kräver en separat tillhandahållen komponent. Bevara källidentifierare, etiketter, enheter och relevanta segment så att textresultatet kan jämföras med originalmaterialet.\n\nResonemang, verktyg och strukturerade utdata\n\nMuse Sparks resonemangsguide dokumenterar minimal, low, medium, high och xhigh för denna utgåva. Max är en senare inställning i Standard 1.3, och none stöds inte. Resonemang sker även utan ett uttryckligt insatsvärde, och utdatabudgeten täcker både det privata interna resonemanget och det synliga svaret. Rått resonemang och loggsannolikheter exponeras inte som vanliga konfidens- eller förklaringsfält.\n\nUtvecklardefinierade verktygsanrop följer en cykel: applikationen tillhandahåller åtgärder, modellen förbereder argument, applikationen kör varje anrop och returnerar dess resultat och nästa svar använder utfallet. Ett verktygsanrop kan begära information eller en åtgärd; det är inte i sig belägg för att åtgärden slutförts. Håll det ursprungliga anropet och resultatet sammanlänkade genom samtalet.\n\nTillverkaren dokumenterar också strukturerad text begränsad av ett tillhandahållet JSON-schema. Definiera de fält som applikationen kräver och deras typer och håll källinformation separat från tolkning när de fyller olika syften. En strukturerad form visar inte att innehållet är faktamässigt korrekt; originalkällorna och de faktiska verktygsresultaten avgör fortfarande innehållet i ett granskningsbart svar.\n\nUtgåva och kontinuitetsgränser\n\nMuse Spark 1.1 förblir sin egen utgåva. De specifika kodförändringarna i 1.2, uppdateringarna av långvarigt beteende i 1.3 och max-inställningen i Standard 1.3 bör inte tilldelas den bara för att familjen är gemensam. Tillverkarens chattgränssnitt ger inte externa anropare privat resonemang att spela upp igen, så bevara synlig historik och använd de kontinuitetsmekanismer som det anslutna gränssnittet erbjuder.\n\nDe lästa källorna anger inga separata hårda maximala kapaciteter för indata- eller utdatatoken utöver den dokumenterade kontexten. Definiera det nödvändiga textresultatet och behåll underlaget som behövs för varje åtgärd eller slutsats, samtidigt som modellens planering och perception hålls åtskilda från miljön som utför dess föreslagna åtgärder.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.meta/muse-spark-1.1Muse Spark 1.1 är Metas multimodala resonemangsmodell för agenter, datoranvändning och kodning. Den arbetar med omfattande textuell och visuell kontext, producerar text och föreslagna verktygsåtgärder och har en tillverkarkontext på 1,048,576 token med resonemangsnivåer upp till xhigh.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.1 är Meta Superintelligence Labs multimodala resonemangsmodell för agentarbete, kodning och arbetsflöden för datoranvändning. Tillverkarens ursprungliga utgåva betonar planering, orkestrering, kontexthantering och att kombinera visuellt underlag med åtgärder som tillhandahålls av verktyg. De dokumenterade utdata är text; applikationen runt modellen tillhandahåller faktisk exekvering och renderade arbetsresultat.
Agentplanering och lång kontext
Utgåvan beskriver anpassning till inbyggda verktyg, anpassade funktioner och agentmiljöer. Som huvudagent kan modellen samla kontext, bilda en plan och delegera definierat arbete; i en delegerad roll följer den tilldelad uppgift och kan eskalera ett hinder. Detta är funktioner som används av en agentmiljö snarare än en samling underagenter som automatiskt skapas av ett enda textsvar.
Tillverkarens modelltabell anger en kontext på 1,048,576 token. Utgåvan 1.1 beskriver att återkalla tidigare arbete och komprimera den information som behövs för senare steg. En användbar uppgift bör identifiera målet, källmaterialet och slutresultatet, med viktiga beslut och verktygsresultat uttryckligen bevarade. En stor kontext hjälper till att hålla relaterad information tillsammans men definierar inte vilket krav resultatet måste uppfylla.
För en lång projektfråga märker du källdokumenten och begär det relevanta kravet, dess position och det olösta villkoret. För en plan ber du om åtgärderna i en ordning knuten till de tillhandahållna begränsningarna och anger vilket resultat som skulle slutföra varje steg. Behåll de synliga fynden och utfallen vid uppföljning i stället för att anta att ett ospecificerat minne innehåller varje tidigare uppgift.
Datoranvändning och kodning
Tillverkaren beskriver datorarbetsflöden mellan skiftande applikationer, där modellen väljer mellan direkt gränssnittsinteraktion och skriptbaserad automatisering i en ansluten miljö. En skärmbild kan tillhandahålla det synliga tillståndet och en textinstruktion kan definiera användarens mål. Begär det relevanta reglaget, den föreslagna åtgärden och underlaget som stöder den och återför sedan det faktiska nya tillståndet om miljön utför åtgärden.
För kodning beskriver utgåvan feldiagnos, implementation av funktioner och hantering av kodmigreringar. Felsökningsdemonstrationen kombinerar kodgenerering, skärmbilder, lokalisering av ett fel och granskning av korrigeringen. En praktisk begäran kan tillhandahålla det felaktiga beteendet, berörd källkod och förväntat resultat och sedan be om den föreslagna ändringen med det publika gränssnittet bevarat. Kodkörning och filändringar förblir åtgärder som tillhandahålls av applikationsverktygen.
Ge modellen den kod och de deklarationer som avgör beteendet. För en förklaring tillhandahåller du indata att spåra; för en ändring anger du resultat och begränsningar; för en visuell implementation inkluderar du skärmbilden och de interaktioner som bilden inte visar. Begär arbetsresultatet separat från dess antaganden och den återkoppling som behövs för att granska det.
Multimodala indata
Modelltabellen dokumenterar text-, bild-, video-, ljud- och PDF-indata för 1.1, med textutdata. Utgåvan beskriver detaljerade beskrivningar av bilder och videor, generering av kod från visuellt material och användning av perceptuella detaljer genom ett längre arbetsflöde. En dokumentfråga kan begära källkopplade fält eller en jämförelse; en videofråga kan identifiera händelsen eller sekvensen som ska beskrivas; en audiovisuell fråga kan ange vilken talad och synlig information som är viktig.
Modellens utdata förblir en skriftlig förklaring, ett strukturerat resultat eller föreslagen kod. En genererad bild, syntetiserat tal eller en slutförd extern åtgärd kräver en separat tillhandahållen komponent. Bevara källidentifierare, etiketter, enheter och relevanta segment så att textresultatet kan jämföras med originalmaterialet.
Resonemang, verktyg och strukturerade utdata
Muse Sparks resonemangsguide dokumenterar minimal, low, medium, high och xhigh för denna utgåva. Max är en senare inställning i Standard 1.3, och none stöds inte. Resonemang sker även utan ett uttryckligt insatsvärde, och utdatabudgeten täcker både det privata interna resonemanget och det synliga svaret. Rått resonemang och loggsannolikheter exponeras inte som vanliga konfidens- eller förklaringsfält.
Utvecklardefinierade verktygsanrop följer en cykel: applikationen tillhandahåller åtgärder, modellen förbereder argument, applikationen kör varje anrop och returnerar dess resultat och nästa svar använder utfallet. Ett verktygsanrop kan begära information eller en åtgärd; det är inte i sig belägg för att åtgärden slutförts. Håll det ursprungliga anropet och resultatet sammanlänkade genom samtalet.
Tillverkaren dokumenterar också strukturerad text begränsad av ett tillhandahållet JSON-schema. Definiera de fält som applikationen kräver och deras typer och håll källinformation separat från tolkning när de fyller olika syften. En strukturerad form visar inte att innehållet är faktamässigt korrekt; originalkällorna och de faktiska verktygsresultaten avgör fortfarande innehållet i ett granskningsbart svar.
Utgåva och kontinuitetsgränser
Muse Spark 1.1 förblir sin egen utgåva. De specifika kodförändringarna i 1.2, uppdateringarna av långvarigt beteende i 1.3 och max-inställningen i Standard 1.3 bör inte tilldelas den bara för att familjen är gemensam. Tillverkarens chattgränssnitt ger inte externa anropare privat resonemang att spela upp igen, så bevara synlig historik och använd de kontinuitetsmekanismer som det anslutna gränssnittet erbjuder.
De lästa källorna anger inga separata hårda maximala kapaciteter för indata- eller utdatatoken utöver den dokumenterade kontexten. Definiera det nödvändiga textresultatet och behåll underlaget som behövs för varje åtgärd eller slutsats, samtidigt som modellens planering och perception hålls åtskilda från miljön som utför dess föreslagna åtgärder.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.0085 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.0085 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta/muse-spark-1.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra meta/muse-spark-1.1
Använd metodsökvägarna som visas ovan.
meta/muse-spark-1.1Muse Spark 1.1 är Metas multimodala resonemangsmodell för agenter, datoranvändning och kodning. Den arbetar med omfattande textuell och visuell kontext, producerar text och föreslagna verktygsåtgärder och har en tillverkarkontext på 1,048,576 token med resonemangsnivåer upp till xhigh.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.1 är Meta Superintelligence Labs multimodala resonemangsmodell för agentarbete, kodning och arbetsflöden för datoranvändning. Tillverkarens ursprungliga utgåva betonar planering, orkestrering, kontexthantering och att kombinera visuellt underlag med åtgärder som tillhandahålls av verktyg. De dokumenterade utdata är text; applikationen runt modellen tillhandahåller faktisk exekvering och renderade arbetsresultat.
Agentplanering och lång kontext
Utgåvan beskriver anpassning till inbyggda verktyg, anpassade funktioner och agentmiljöer. Som huvudagent kan modellen samla kontext, bilda en plan och delegera definierat arbete; i en delegerad roll följer den tilldelad uppgift och kan eskalera ett hinder. Detta är funktioner som används av en agentmiljö snarare än en samling underagenter som automatiskt skapas av ett enda textsvar.
Tillverkarens modelltabell anger en kontext på 1,048,576 token. Utgåvan 1.1 beskriver att återkalla tidigare arbete och komprimera den information som behövs för senare steg. En användbar uppgift bör identifiera målet, källmaterialet och slutresultatet, med viktiga beslut och verktygsresultat uttryckligen bevarade. En stor kontext hjälper till att hålla relaterad information tillsammans men definierar inte vilket krav resultatet måste uppfylla.
För en lång projektfråga märker du källdokumenten och begär det relevanta kravet, dess position och det olösta villkoret. För en plan ber du om åtgärderna i en ordning knuten till de tillhandahållna begränsningarna och anger vilket resultat som skulle slutföra varje steg. Behåll de synliga fynden och utfallen vid uppföljning i stället för att anta att ett ospecificerat minne innehåller varje tidigare uppgift.
Datoranvändning och kodning
Tillverkaren beskriver datorarbetsflöden mellan skiftande applikationer, där modellen väljer mellan direkt gränssnittsinteraktion och skriptbaserad automatisering i en ansluten miljö. En skärmbild kan tillhandahålla det synliga tillståndet och en textinstruktion kan definiera användarens mål. Begär det relevanta reglaget, den föreslagna åtgärden och underlaget som stöder den och återför sedan det faktiska nya tillståndet om miljön utför åtgärden.
För kodning beskriver utgåvan feldiagnos, implementation av funktioner och hantering av kodmigreringar. Felsökningsdemonstrationen kombinerar kodgenerering, skärmbilder, lokalisering av ett fel och granskning av korrigeringen. En praktisk begäran kan tillhandahålla det felaktiga beteendet, berörd källkod och förväntat resultat och sedan be om den föreslagna ändringen med det publika gränssnittet bevarat. Kodkörning och filändringar förblir åtgärder som tillhandahålls av applikationsverktygen.
Ge modellen den kod och de deklarationer som avgör beteendet. För en förklaring tillhandahåller du indata att spåra; för en ändring anger du resultat och begränsningar; för en visuell implementation inkluderar du skärmbilden och de interaktioner som bilden inte visar. Begär arbetsresultatet separat från dess antaganden och den återkoppling som behövs för att granska det.
Multimodala indata
Modelltabellen dokumenterar text-, bild-, video-, ljud- och PDF-indata för 1.1, med textutdata. Utgåvan beskriver detaljerade beskrivningar av bilder och videor, generering av kod från visuellt material och användning av perceptuella detaljer genom ett längre arbetsflöde. En dokumentfråga kan begära källkopplade fält eller en jämförelse; en videofråga kan identifiera händelsen eller sekvensen som ska beskrivas; en audiovisuell fråga kan ange vilken talad och synlig information som är viktig.
Modellens utdata förblir en skriftlig förklaring, ett strukturerat resultat eller föreslagen kod. En genererad bild, syntetiserat tal eller en slutförd extern åtgärd kräver en separat tillhandahållen komponent. Bevara källidentifierare, etiketter, enheter och relevanta segment så att textresultatet kan jämföras med originalmaterialet.
Resonemang, verktyg och strukturerade utdata
Muse Sparks resonemangsguide dokumenterar minimal, low, medium, high och xhigh för denna utgåva. Max är en senare inställning i Standard 1.3, och none stöds inte. Resonemang sker även utan ett uttryckligt insatsvärde, och utdatabudgeten täcker både det privata interna resonemanget och det synliga svaret. Rått resonemang och loggsannolikheter exponeras inte som vanliga konfidens- eller förklaringsfält.
Utvecklardefinierade verktygsanrop följer en cykel: applikationen tillhandahåller åtgärder, modellen förbereder argument, applikationen kör varje anrop och returnerar dess resultat och nästa svar använder utfallet. Ett verktygsanrop kan begära information eller en åtgärd; det är inte i sig belägg för att åtgärden slutförts. Håll det ursprungliga anropet och resultatet sammanlänkade genom samtalet.
Tillverkaren dokumenterar också strukturerad text begränsad av ett tillhandahållet JSON-schema. Definiera de fält som applikationen kräver och deras typer och håll källinformation separat från tolkning när de fyller olika syften. En strukturerad form visar inte att innehållet är faktamässigt korrekt; originalkällorna och de faktiska verktygsresultaten avgör fortfarande innehållet i ett granskningsbart svar.
Utgåva och kontinuitetsgränser
Muse Spark 1.1 förblir sin egen utgåva. De specifika kodförändringarna i 1.2, uppdateringarna av långvarigt beteende i 1.3 och max-inställningen i Standard 1.3 bör inte tilldelas den bara för att familjen är gemensam. Tillverkarens chattgränssnitt ger inte externa anropare privat resonemang att spela upp igen, så bevara synlig historik och använd de kontinuitetsmekanismer som det anslutna gränssnittet erbjuder.
De lästa källorna anger inga separata hårda maximala kapaciteter för indata- eller utdatatoken utöver den dokumenterade kontexten. Definiera det nödvändiga textresultatet och behåll underlaget som behövs för varje åtgärd eller slutsats, samtidigt som modellens planering och perception hålls åtskilda från miljön som utför dess föreslagna åtgärder.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.1 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.0085 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0025 / 1K token Utdata · Utdatatoken $0.0085 / 1K token Indata · Cacheläsning $0.0003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta/muse-spark-1.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra meta/muse-spark-1.1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Plan an approval workflow\n\nPlan a document approval flow from these constraints: the author submits a draft; a reviewer must approve before the coordinator publishes; rejected drafts return to the author; publication needs a recorded approval ID. Give the ordered steps and evidence required at each transition. Mark any actor permission that the supplied rules do not define.A numbered workflow with approval evidence, rejection path and unresolved permission questions.Verify every publication path requires a recorded approval ID and rejection cannot skip review.