Muse Spark 1.3 Contributor är en separat namngiven utgåva i Metas Muse Spark-familj för prototyper och experiment. Familjen är utformad för agentbaserat arbete och kodning: verktygsloopar med flera steg, programvaruassistenter och resonemang över omfattande källmaterial. Behåll Contributor-namnet när utgåvan väljs i stället för att behandla den som Standard 1.3-posten med alla inställningar oförändrat överförda.
Indata och kontext
Den officiella modelltabellen anger text, bilder, video och PDF-filer som indata och text som utdata, med ett kontextfönster på 1,048,576 token. En uppgift kan kombinera ett skriftligt krav, en skärmbild, ett relevant klipp eller dokumentsidor och begära en skriftlig förklaring, strukturerade fynd eller föreslagen kod. Modellens textresultat kan bli ett arbetsresultat i den omgivande applikationen; att rendera en sida eller köra kod kräver denna applikationsmiljö.
Identifiera varje källa och dess roll innan du begär ett resultat. En prototypuppgift för ett gränssnitt kan kombinera en skärmbild med önskat beteende och det befintliga kodavsnittet. Be om de synliga skillnaderna, den föreslagna implementationsändringen och de antaganden som fortfarande behöver förtydligas. En dokumentuppgift kan definiera fälten som ska extraheras och begära den stödjande sidan eller textpassagen bredvid varje fynd.
Tillverkaren anger att ljudförståelse i version 1.3 inte stöds fullt ut och kan ge försämrade svar. Behandla detta som en versionsspecifik begränsning i stället för att överföra ljudfunktionerna från Muse Spark 1.2 eller en separat namngiven transkriptionsmodell till denna beskrivning.
Resonemangsnivåer och svarsbudget
Muse Spark genererar internt resonemang före sitt synliga svar. De dokumenterade insatsnivåerna som gäller här är minimal, low, medium, high och xhigh. Nivån max tillhör specifikt Standard Muse Spark 1.3 och är inte tillgänglig för Contributor-modeller. Att inaktivera resonemang med none stöds inte; om inställningen utelämnas resonerar modellen fortfarande på en nivå som modellen bestämmer.
Budgeten för utdatatoken täcker både internt resonemang och synlig text. En begäran om ett långt skriftligt resultat behöver därför utrymme för båda, särskilt vid en högre resonemangsinsats. Det råa interna resonemanget förblir privat, och loggsannolikheter stöds inte som konfidensmått. Begär den förklaring, de fält eller den slutliga kod som uppgiften behöver i stället för att anta att det underliggande resonemangsspåret returneras som läsbar text.
För ett avgränsat extraktions- eller formateringsexperiment definierar du den exakta posten och källmaterialet. För ett visuellt problem eller en koduppgift med flera steg definierar du mellanliggande beslut och slutresultatet. Högre resonemangsinsats ändrar tilldelningen för resonemang; den definierar inte i sig vad som utgör ett slutfört, användbart resultat.
Verktyg och strukturerade fynd
Tillverkarens Muse Spark-dokumentation beskriver utvecklardefinierade verktygsanrop och strukturerade utdata. Applikationen tillhandahåller verktygsdefinitionerna, modellen avgör vilken åtgärd som behövs och förbereder dess argument, och applikationen kör varje anrop och returnerar motsvarande resultat. Nästa svar kan använda dessa resultat för att avgöra vad som ska göras härnäst. Ett föreslaget anrop skiljer sig från en slutförd åtgärd.
Samma dokumentation skiljer mellan anslutna inbyggda sökverktyg och utvecklardefinierade funktioner. Sökning eller kodkörning är en del av verktygsmiljön, inte en ytterligare innehållsmodalitet i textsvaret. I en prototyp tillhandahåller du endast de åtgärder som är relevanta för frågan och beskriver vad var och en returnerar så att det efterföljande svaret förblir kopplat till faktiskt hämtad eller beräknad information.
För strukturerad extraktion anger du fältnamn, nödvändig information och representation för saknade värden. En praktisk post kan innehålla källidentifieraren, observerat faktum, tolkning och frågan som fortfarande behöver förtydligas. Håll posten separat från valfri prosa när en applikation måste bearbeta fälten tillförlitligt. Tillverkarens schemagränssnitt avvisar rekursiva scheman och begränsar nästling till tio nivåer. Det strikta läget kräver ett vanligt objekt som rot, att varje listad egenskap är obligatorisk och att extra egenskaper inte tillåts. En matchande struktur visar inte att innehållet är faktamässigt korrekt.
En användbar prototypuppgift
Välj ett arbetsflöde som kan producera ett granskningsbart resultat. Tillhandahåll kravet, ett visuellt exempel och den kod som avgör det aktuella beteendet. Begär en kort jämförelse, ett föreslaget reviderat kodavsnitt och exempel som skiljer det förväntade beteendet från det nuvarande. Inkludera eventuella uppslagnings- eller exekveringsresultat som applikationen returnerat innan du ber om slutförklaringen.
För en dokumentinriktad prototyp tillhandahåller du PDF-filen och frågan som ska besvaras och ber sedan om en källkopplad sammanfattning eller jämförelsetabell. För video identifierar du händelsen eller den visuella relation som ska granskas och begär en ordnad beskrivning med de observationer som stöder den. Definiera längden och avsnitten i slutsvaret så att modellens stora kontext tjänar den faktiska frågan.
Utgåva och kontinuitetsgränser
Contributor förblir sin egen namngivna 1.3-utgåva med dokumenterad kontext och dokumenterade indatatyper. Metas resonemangsguide skiljer vanlig konversationshistorik från bevarande av privat resonemang mellan turer: tillverkarens chattgränssnitt returnerar inte det privata spåret till externa anropare. Behåll de synliga meddelanden, källor och verktygsutfall som behövs för en uppföljning i stället för att anta att varje gränssnitt för vidare internt resonemang.
De lästa källorna anger ingen separat hård maximal kapacitet för indata- eller utdatatoken utöver kontextfönstret. Bevara utgåvan, förberedelsen av indata och det efterfrågade arbetsresultatet och håll verktygskörningen och den slutliga textleveransen kopplade till de resultat som faktiskt erhållits i prototyparbetsflödet.
", "aboutText": "Muse Spark 1.3 Contributor är en separat namngiven utgåva i Metas Muse Spark-familj för prototyper och experiment. Familjen är utformad för agentbaserat arbete och kodning: verktygsloopar med flera steg, programvaruassistenter och resonemang över omfattande källmaterial. Behåll Contributor-namnet när utgåvan väljs i stället för att behandla den som Standard 1.3-posten med alla inställningar oförändrat överförda.\n\nIndata och kontext\n\nDen officiella modelltabellen anger text, bilder, video och PDF-filer som indata och text som utdata, med ett kontextfönster på 1,048,576 token. En uppgift kan kombinera ett skriftligt krav, en skärmbild, ett relevant klipp eller dokumentsidor och begära en skriftlig förklaring, strukturerade fynd eller föreslagen kod. Modellens textresultat kan bli ett arbetsresultat i den omgivande applikationen; att rendera en sida eller köra kod kräver denna applikationsmiljö.\n\nIdentifiera varje källa och dess roll innan du begär ett resultat. En prototypuppgift för ett gränssnitt kan kombinera en skärmbild med önskat beteende och det befintliga kodavsnittet. Be om de synliga skillnaderna, den föreslagna implementationsändringen och de antaganden som fortfarande behöver förtydligas. En dokumentuppgift kan definiera fälten som ska extraheras och begära den stödjande sidan eller textpassagen bredvid varje fynd.\n\nTillverkaren anger att ljudförståelse i version 1.3 inte stöds fullt ut och kan ge försämrade svar. Behandla detta som en versionsspecifik begränsning i stället för att överföra ljudfunktionerna från Muse Spark 1.2 eller en separat namngiven transkriptionsmodell till denna beskrivning.\n\nResonemangsnivåer och svarsbudget\n\nMuse Spark genererar internt resonemang före sitt synliga svar. De dokumenterade insatsnivåerna som gäller här är minimal, low, medium, high och xhigh. Nivån max tillhör specifikt Standard Muse Spark 1.3 och är inte tillgänglig för Contributor-modeller. Att inaktivera resonemang med none stöds inte; om inställningen utelämnas resonerar modellen fortfarande på en nivå som modellen bestämmer.\n\nBudgeten för utdatatoken täcker både internt resonemang och synlig text. En begäran om ett långt skriftligt resultat behöver därför utrymme för båda, särskilt vid en högre resonemangsinsats. Det råa interna resonemanget förblir privat, och loggsannolikheter stöds inte som konfidensmått. Begär den förklaring, de fält eller den slutliga kod som uppgiften behöver i stället för att anta att det underliggande resonemangsspåret returneras som läsbar text.\n\nFör ett avgränsat extraktions- eller formateringsexperiment definierar du den exakta posten och källmaterialet. För ett visuellt problem eller en koduppgift med flera steg definierar du mellanliggande beslut och slutresultatet. Högre resonemangsinsats ändrar tilldelningen för resonemang; den definierar inte i sig vad som utgör ett slutfört, användbart resultat.\n\nVerktyg och strukturerade fynd\n\nTillverkarens Muse Spark-dokumentation beskriver utvecklardefinierade verktygsanrop och strukturerade utdata. Applikationen tillhandahåller verktygsdefinitionerna, modellen avgör vilken åtgärd som behövs och förbereder dess argument, och applikationen kör varje anrop och returnerar motsvarande resultat. Nästa svar kan använda dessa resultat för att avgöra vad som ska göras härnäst. Ett föreslaget anrop skiljer sig från en slutförd åtgärd.\n\nSamma dokumentation skiljer mellan anslutna inbyggda sökverktyg och utvecklardefinierade funktioner. Sökning eller kodkörning är en del av verktygsmiljön, inte en ytterligare innehållsmodalitet i textsvaret. I en prototyp tillhandahåller du endast de åtgärder som är relevanta för frågan och beskriver vad var och en returnerar så att det efterföljande svaret förblir kopplat till faktiskt hämtad eller beräknad information.\n\nFör strukturerad extraktion anger du fältnamn, nödvändig information och representation för saknade värden. En praktisk post kan innehålla källidentifieraren, observerat faktum, tolkning och frågan som fortfarande behöver förtydligas. Håll posten separat från valfri prosa när en applikation måste bearbeta fälten tillförlitligt. Tillverkarens schemagränssnitt avvisar rekursiva scheman och begränsar nästling till tio nivåer. Det strikta läget kräver ett vanligt objekt som rot, att varje listad egenskap är obligatorisk och att extra egenskaper inte tillåts. En matchande struktur visar inte att innehållet är faktamässigt korrekt.\n\nEn användbar prototypuppgift\n\nVälj ett arbetsflöde som kan producera ett granskningsbart resultat. Tillhandahåll kravet, ett visuellt exempel och den kod som avgör det aktuella beteendet. Begär en kort jämförelse, ett föreslaget reviderat kodavsnitt och exempel som skiljer det förväntade beteendet från det nuvarande. Inkludera eventuella uppslagnings- eller exekveringsresultat som applikationen returnerat innan du ber om slutförklaringen.\n\nFör en dokumentinriktad prototyp tillhandahåller du PDF-filen och frågan som ska besvaras och ber sedan om en källkopplad sammanfattning eller jämförelsetabell. För video identifierar du händelsen eller den visuella relation som ska granskas och begär en ordnad beskrivning med de observationer som stöder den. Definiera längden och avsnitten i slutsvaret så att modellens stora kontext tjänar den faktiska frågan.\n\nUtgåva och kontinuitetsgränser\n\nContributor förblir sin egen namngivna 1.3-utgåva med dokumenterad kontext och dokumenterade indatatyper. Metas resonemangsguide skiljer vanlig konversationshistorik från bevarande av privat resonemang mellan turer: tillverkarens chattgränssnitt returnerar inte det privata spåret till externa anropare. Behåll de synliga meddelanden, källor och verktygsutfall som behövs för en uppföljning i stället för att anta att varje gränssnitt för vidare internt resonemang.\n\nDe lästa källorna anger ingen separat hård maximal kapacitet för indata- eller utdatatoken utöver kontextfönstret. Bevara utgåvan, förberedelsen av indata och det efterfrågade arbetsresultatet och håll verktygskörningen och den slutliga textleveransen kopplade till de resultat som faktiskt erhållits i prototyparbetsflödet.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor är en resonemangsutgåva i Metas agent- och kodfamilj för prototyparbetsflöden. Tillverkaren anger text-, bild-, video- och PDF-indata, textutdata och en kontext på 1,048,576 token, med resonemangsnivåer upp till xhigh snarare än max som i Standard 1.3.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.3 Contributor är en separat namngiven utgåva i Metas Muse Spark-familj för prototyper och experiment. Familjen är utformad för agentbaserat arbete och kodning: verktygsloopar med flera steg, programvaruassistenter och resonemang över omfattande källmaterial. Behåll Contributor-namnet när utgåvan väljs i stället för att behandla den som Standard 1.3-posten med alla inställningar oförändrat överförda.
Indata och kontext
Den officiella modelltabellen anger text, bilder, video och PDF-filer som indata och text som utdata, med ett kontextfönster på 1,048,576 token. En uppgift kan kombinera ett skriftligt krav, en skärmbild, ett relevant klipp eller dokumentsidor och begära en skriftlig förklaring, strukturerade fynd eller föreslagen kod. Modellens textresultat kan bli ett arbetsresultat i den omgivande applikationen; att rendera en sida eller köra kod kräver denna applikationsmiljö.
Identifiera varje källa och dess roll innan du begär ett resultat. En prototypuppgift för ett gränssnitt kan kombinera en skärmbild med önskat beteende och det befintliga kodavsnittet. Be om de synliga skillnaderna, den föreslagna implementationsändringen och de antaganden som fortfarande behöver förtydligas. En dokumentuppgift kan definiera fälten som ska extraheras och begära den stödjande sidan eller textpassagen bredvid varje fynd.
Tillverkaren anger att ljudförståelse i version 1.3 inte stöds fullt ut och kan ge försämrade svar. Behandla detta som en versionsspecifik begränsning i stället för att överföra ljudfunktionerna från Muse Spark 1.2 eller en separat namngiven transkriptionsmodell till denna beskrivning.
Resonemangsnivåer och svarsbudget
Muse Spark genererar internt resonemang före sitt synliga svar. De dokumenterade insatsnivåerna som gäller här är minimal, low, medium, high och xhigh. Nivån max tillhör specifikt Standard Muse Spark 1.3 och är inte tillgänglig för Contributor-modeller. Att inaktivera resonemang med none stöds inte; om inställningen utelämnas resonerar modellen fortfarande på en nivå som modellen bestämmer.
Budgeten för utdatatoken täcker både internt resonemang och synlig text. En begäran om ett långt skriftligt resultat behöver därför utrymme för båda, särskilt vid en högre resonemangsinsats. Det råa interna resonemanget förblir privat, och loggsannolikheter stöds inte som konfidensmått. Begär den förklaring, de fält eller den slutliga kod som uppgiften behöver i stället för att anta att det underliggande resonemangsspåret returneras som läsbar text.
För ett avgränsat extraktions- eller formateringsexperiment definierar du den exakta posten och källmaterialet. För ett visuellt problem eller en koduppgift med flera steg definierar du mellanliggande beslut och slutresultatet. Högre resonemangsinsats ändrar tilldelningen för resonemang; den definierar inte i sig vad som utgör ett slutfört, användbart resultat.
Verktyg och strukturerade fynd
Tillverkarens Muse Spark-dokumentation beskriver utvecklardefinierade verktygsanrop och strukturerade utdata. Applikationen tillhandahåller verktygsdefinitionerna, modellen avgör vilken åtgärd som behövs och förbereder dess argument, och applikationen kör varje anrop och returnerar motsvarande resultat. Nästa svar kan använda dessa resultat för att avgöra vad som ska göras härnäst. Ett föreslaget anrop skiljer sig från en slutförd åtgärd.
Samma dokumentation skiljer mellan anslutna inbyggda sökverktyg och utvecklardefinierade funktioner. Sökning eller kodkörning är en del av verktygsmiljön, inte en ytterligare innehållsmodalitet i textsvaret. I en prototyp tillhandahåller du endast de åtgärder som är relevanta för frågan och beskriver vad var och en returnerar så att det efterföljande svaret förblir kopplat till faktiskt hämtad eller beräknad information.
För strukturerad extraktion anger du fältnamn, nödvändig information och representation för saknade värden. En praktisk post kan innehålla källidentifieraren, observerat faktum, tolkning och frågan som fortfarande behöver förtydligas. Håll posten separat från valfri prosa när en applikation måste bearbeta fälten tillförlitligt. Tillverkarens schemagränssnitt avvisar rekursiva scheman och begränsar nästling till tio nivåer. Det strikta läget kräver ett vanligt objekt som rot, att varje listad egenskap är obligatorisk och att extra egenskaper inte tillåts. En matchande struktur visar inte att innehållet är faktamässigt korrekt.
En användbar prototypuppgift
Välj ett arbetsflöde som kan producera ett granskningsbart resultat. Tillhandahåll kravet, ett visuellt exempel och den kod som avgör det aktuella beteendet. Begär en kort jämförelse, ett föreslaget reviderat kodavsnitt och exempel som skiljer det förväntade beteendet från det nuvarande. Inkludera eventuella uppslagnings- eller exekveringsresultat som applikationen returnerat innan du ber om slutförklaringen.
För en dokumentinriktad prototyp tillhandahåller du PDF-filen och frågan som ska besvaras och ber sedan om en källkopplad sammanfattning eller jämförelsetabell. För video identifierar du händelsen eller den visuella relation som ska granskas och begär en ordnad beskrivning med de observationer som stöder den. Definiera längden och avsnitten i slutsvaret så att modellens stora kontext tjänar den faktiska frågan.
Utgåva och kontinuitetsgränser
Contributor förblir sin egen namngivna 1.3-utgåva med dokumenterad kontext och dokumenterade indatatyper. Metas resonemangsguide skiljer vanlig konversationshistorik från bevarande av privat resonemang mellan turer: tillverkarens chattgränssnitt returnerar inte det privata spåret till externa anropare. Behåll de synliga meddelanden, källor och verktygsutfall som behövs för en uppföljning i stället för att anta att varje gränssnitt för vidare internt resonemang.
De lästa källorna anger ingen separat hård maximal kapacitet för indata- eller utdatatoken utöver kontextfönstret. Bevara utgåvan, förberedelsen av indata och det efterfrågade arbetsresultatet och håll verktygskörningen och den slutliga textleveransen kopplade till de resultat som faktiskt erhållits i prototyparbetsflödet.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000004 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-1.3-contributor", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta/muse-spark-1.3-contributor',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-1.3-contributor
Använd metodsökvägarna som visas ovan.
meta/muse-spark-1.3-contributorMuse Spark 1.3 Contributor är en resonemangsutgåva i Metas agent- och kodfamilj för prototyparbetsflöden. Tillverkaren anger text-, bild-, video- och PDF-indata, textutdata och en kontext på 1,048,576 token, med resonemangsnivåer upp till xhigh snarare än max som i Standard 1.3.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.3 Contributor är en separat namngiven utgåva i Metas Muse Spark-familj för prototyper och experiment. Familjen är utformad för agentbaserat arbete och kodning: verktygsloopar med flera steg, programvaruassistenter och resonemang över omfattande källmaterial. Behåll Contributor-namnet när utgåvan väljs i stället för att behandla den som Standard 1.3-posten med alla inställningar oförändrat överförda.
Indata och kontext
Den officiella modelltabellen anger text, bilder, video och PDF-filer som indata och text som utdata, med ett kontextfönster på 1,048,576 token. En uppgift kan kombinera ett skriftligt krav, en skärmbild, ett relevant klipp eller dokumentsidor och begära en skriftlig förklaring, strukturerade fynd eller föreslagen kod. Modellens textresultat kan bli ett arbetsresultat i den omgivande applikationen; att rendera en sida eller köra kod kräver denna applikationsmiljö.
Identifiera varje källa och dess roll innan du begär ett resultat. En prototypuppgift för ett gränssnitt kan kombinera en skärmbild med önskat beteende och det befintliga kodavsnittet. Be om de synliga skillnaderna, den föreslagna implementationsändringen och de antaganden som fortfarande behöver förtydligas. En dokumentuppgift kan definiera fälten som ska extraheras och begära den stödjande sidan eller textpassagen bredvid varje fynd.
Tillverkaren anger att ljudförståelse i version 1.3 inte stöds fullt ut och kan ge försämrade svar. Behandla detta som en versionsspecifik begränsning i stället för att överföra ljudfunktionerna från Muse Spark 1.2 eller en separat namngiven transkriptionsmodell till denna beskrivning.
Resonemangsnivåer och svarsbudget
Muse Spark genererar internt resonemang före sitt synliga svar. De dokumenterade insatsnivåerna som gäller här är minimal, low, medium, high och xhigh. Nivån max tillhör specifikt Standard Muse Spark 1.3 och är inte tillgänglig för Contributor-modeller. Att inaktivera resonemang med none stöds inte; om inställningen utelämnas resonerar modellen fortfarande på en nivå som modellen bestämmer.
Budgeten för utdatatoken täcker både internt resonemang och synlig text. En begäran om ett långt skriftligt resultat behöver därför utrymme för båda, särskilt vid en högre resonemangsinsats. Det råa interna resonemanget förblir privat, och loggsannolikheter stöds inte som konfidensmått. Begär den förklaring, de fält eller den slutliga kod som uppgiften behöver i stället för att anta att det underliggande resonemangsspåret returneras som läsbar text.
För ett avgränsat extraktions- eller formateringsexperiment definierar du den exakta posten och källmaterialet. För ett visuellt problem eller en koduppgift med flera steg definierar du mellanliggande beslut och slutresultatet. Högre resonemangsinsats ändrar tilldelningen för resonemang; den definierar inte i sig vad som utgör ett slutfört, användbart resultat.
Verktyg och strukturerade fynd
Tillverkarens Muse Spark-dokumentation beskriver utvecklardefinierade verktygsanrop och strukturerade utdata. Applikationen tillhandahåller verktygsdefinitionerna, modellen avgör vilken åtgärd som behövs och förbereder dess argument, och applikationen kör varje anrop och returnerar motsvarande resultat. Nästa svar kan använda dessa resultat för att avgöra vad som ska göras härnäst. Ett föreslaget anrop skiljer sig från en slutförd åtgärd.
Samma dokumentation skiljer mellan anslutna inbyggda sökverktyg och utvecklardefinierade funktioner. Sökning eller kodkörning är en del av verktygsmiljön, inte en ytterligare innehållsmodalitet i textsvaret. I en prototyp tillhandahåller du endast de åtgärder som är relevanta för frågan och beskriver vad var och en returnerar så att det efterföljande svaret förblir kopplat till faktiskt hämtad eller beräknad information.
För strukturerad extraktion anger du fältnamn, nödvändig information och representation för saknade värden. En praktisk post kan innehålla källidentifieraren, observerat faktum, tolkning och frågan som fortfarande behöver förtydligas. Håll posten separat från valfri prosa när en applikation måste bearbeta fälten tillförlitligt. Tillverkarens schemagränssnitt avvisar rekursiva scheman och begränsar nästling till tio nivåer. Det strikta läget kräver ett vanligt objekt som rot, att varje listad egenskap är obligatorisk och att extra egenskaper inte tillåts. En matchande struktur visar inte att innehållet är faktamässigt korrekt.
En användbar prototypuppgift
Välj ett arbetsflöde som kan producera ett granskningsbart resultat. Tillhandahåll kravet, ett visuellt exempel och den kod som avgör det aktuella beteendet. Begär en kort jämförelse, ett föreslaget reviderat kodavsnitt och exempel som skiljer det förväntade beteendet från det nuvarande. Inkludera eventuella uppslagnings- eller exekveringsresultat som applikationen returnerat innan du ber om slutförklaringen.
För en dokumentinriktad prototyp tillhandahåller du PDF-filen och frågan som ska besvaras och ber sedan om en källkopplad sammanfattning eller jämförelsetabell. För video identifierar du händelsen eller den visuella relation som ska granskas och begär en ordnad beskrivning med de observationer som stöder den. Definiera längden och avsnitten i slutsvaret så att modellens stora kontext tjänar den faktiska frågan.
Utgåva och kontinuitetsgränser
Contributor förblir sin egen namngivna 1.3-utgåva med dokumenterad kontext och dokumenterade indatatyper. Metas resonemangsguide skiljer vanlig konversationshistorik från bevarande av privat resonemang mellan turer: tillverkarens chattgränssnitt returnerar inte det privata spåret till externa anropare. Behåll de synliga meddelanden, källor och verktygsutfall som behövs för en uppföljning i stället för att anta att varje gränssnitt för vidare internt resonemang.
De lästa källorna anger ingen separat hård maximal kapacitet för indata- eller utdatatoken utöver kontextfönstret. Bevara utgåvan, förberedelsen av indata och det efterfrågade arbetsresultatet och håll verktygskörningen och den slutliga textleveransen kopplade till de resultat som faktiskt erhållits i prototyparbetsflödet.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.3-contributor | 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000004 / 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 $0.0002 / 1K token Utdata · Utdatatoken $0.0004 / 1K token Indata · Cacheläsning $0.000004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta/muse-spark-1.3-contributor",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta/muse-spark-1.3-contributor', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-1.3-contributor
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Prototype and test a text-only helper\n\nDesign a small Python prototype for an appointment reminder. Input records contain id and minutes_until_start. Return IDs where 0 <= minutes_until_start <= 30, preserving input order. Supply the function and cases at -1, 0, 30 and 31 minutes. Include a short note on assumptions; no calendar connection or reminder sending is available.A self-contained function, boundary-case assertions and explicit assumptions about input fields.Exactly the 0- and 30-minute records qualify, and the function does not send messages or assume calendar access.