Muse Spark 1.3 är Metas resonemangsmodell för uthålligt agentbaserat arbete och kodning. Tillverkaren betonar att behålla kontext och tidigare resultat genom långa uppgifter, arbeta igenom motstridiga källor och producera en färdig leverans. Denna post gäller Standard 1.3-utgåvan, vars dokumenterade resonemangsinställningar omfattar max; den separat namngivna Contributor-utgåvan har egna inställningsgränser.
Långvarigt agentarbete
Utgåvan beskriver en modell som tränats i olika agentmiljöer för att samla information, revidera en plan när underlaget ändras och bevara detaljerade krav genom en uppgift med flera steg. Den beskriver också förbättrad hantering av flera arbetsflöden i en tråd, där inkommande begäranden kopplas till relevant uppgift. En användbar begäran bör definiera målet, källorna, kraven och det arbetsresultat som ska räknas som slutfört.
För en professionell dokumentuppgift tillhandahåller du källrapporterna, identifierar vilka fakta som måste bevaras och ber om ett strukturerat underlag med källpositioner. Om källorna motsäger varandra begär du de motstridiga påståendena separat och den information som behövs för att lösa konflikten. För en koduppgift inkluderar du önskat beteende, berörda moduler och relevant kod; be om den föreslagna implementationen och det underlag som skulle särskilja det avsedda resultatet.
Tillverkaren säger att 1.3 ber om förtydliganden när en begäran är tvetydig och söker användarens hjälp när arbetet är blockerat. Den beskriver också bättre omdöme kring åtgärder med betydande konsekvenser. Detta är förbättringar av modellbeteendet snarare än en ersättning för applikationens exekveringskontroller. Ge agenten den information den behöver för att besluta och gör det nödvändiga resultatet uttryckligt.
Kodning och multimodalt underlag
Utgåvan fokuserar på längre koduppgifter, renare utdata och färre onödiga turer jämfört med 1.2. Ett kodagentarbetsflöde kan granska en skärmbild, hitta relevant kod, föreslå en korrigering och använda exekverings- eller renderingsåterkoppling från verktygen. Ange det gränssnitt som måste förbli kompatibelt och begär det ändrade arbetsresultatet separat från antaganden och förklaring.
Den officiella modelltabellen anger text-, bild-, video- och PDF-indata med textutdata och en kontext på 1,048,576 token. Bilder eller klipp kan tillföra synligt underlag tillsammans med den skriftliga uppgiften. En diagramfråga bör behålla axlar, teckenförklaringar och enheter; en skärmbildsfråga bör identifiera beteendet som ska återskapas eller granskas. En PDF-fråga kan begära en källkopplad extraktion eller jämförelse snarare än en allmän sammanfattning av varje sida.
Tillverkaren anger uttryckligen att ljudförståelse i 1.3 inte stöds fullt ut och att svar som innehåller ljud kan försämras. Detta skiljer sig från 1.2:s dokumenterade audiovisuella förmåga. Modellens textresultat genererar inte heller i sig en bild, en talinspelning eller en färdig fil utan den omgivande applikationens verktyg.
Resonemangsinsats och kontinuitet
De dokumenterade nivåerna är minimal, low, medium, high, xhigh och max. Max är specifikt för Standard 1.3. Muse Spark stöder inte att resonemang inaktiveras med none; att utelämna inställningen lämnar en resonemangsnivå som modellen bestämmer. Välj insatsen för det faktiska problemet och lämna utrymme för både det interna resonemanget och det nödvändiga skriftliga resultatet.
Resonemangstoken och synliga token delar på utdatabudgeten. Rått internt resonemang förblir privat och returneras inte som vanlig läsbar text. Tillverkaren skiljer synlig konversationshistorik från privat resonemangskontinuitet: dess chattgränssnitt exponerar inget spår som externa anropare kan spela upp igen, medan dess andra dokumenterade konversationsarbetsflöde stöder hanterad eller krypterad fortsättning av resonemang. Bevara källor, synliga meddelanden och faktiska verktygsresultat som behövs för en uppföljning i stället för att anta att alla gränssnitt behåller privat resonemang på samma sätt.
Verktyg och strukturerade leveranser
Applikationen tillhandahåller utvecklardefinierade funktionsbeskrivningar, modellen skapar de nödvändiga anropsargumenten och applikationen kör varje anrop och returnerar det tillhörande resultatet. Modellen kan begära flera funktioner under en tur. Återför resultatet för varje ursprunglig åtgärd innan du ber om nästa slutsats så att svaret använder faktiskt hämtad eller beräknad information.
Tillverkaren dokumenterar separat inbyggda sökverktyg som körs i dess anslutna tjänst. Utvecklarfunktioner och dessa inbyggda verktyg har olika exekveringsupplägg. Modellen kan resonera om vilken information den behöver, men att välja modellen i sig ger inte åtkomst till ett kodarkiv, en webbläsare eller en privat informationskälla.
Strukturerade utdata kan begränsa resultatet till ett tillhandahållet JSON-schema. Definiera de fält och typer som nästa steg behöver samt hanteringen av saknad källinformation. I tillverkarens strikta schemaläge är roten ett vanligt objekt, varje egenskap är obligatorisk och extra egenskaper tillåts inte; rekursiva scheman avvisas. Detta är begränsningar i tillverkarens strukturerade gränssnitt, inte bevis för att uppgifterna i en korrekt formad post är sanna.
För ett användbart slutresultat begär du de källstödda fynden, den föreslagna ändringen eller dokumentet och de olösta villkoren separat. De lästa källorna ger ingen oberoende hård maximal kapacitet för indata- eller utdatatoken utöver den dokumenterade kontexten. Håll Standard 1.3-identiteten, resonemangsvalet och de anslutna exekveringsresultaten uttryckliga genom hela uppgiften.
", "aboutText": "Muse Spark 1.3 är Metas resonemangsmodell för uthålligt agentbaserat arbete och kodning. Tillverkaren betonar att behålla kontext och tidigare resultat genom långa uppgifter, arbeta igenom motstridiga källor och producera en färdig leverans. Denna post gäller Standard 1.3-utgåvan, vars dokumenterade resonemangsinställningar omfattar max; den separat namngivna Contributor-utgåvan har egna inställningsgränser.\n\nLångvarigt agentarbete\n\nUtgåvan beskriver en modell som tränats i olika agentmiljöer för att samla information, revidera en plan när underlaget ändras och bevara detaljerade krav genom en uppgift med flera steg. Den beskriver också förbättrad hantering av flera arbetsflöden i en tråd, där inkommande begäranden kopplas till relevant uppgift. En användbar begäran bör definiera målet, källorna, kraven och det arbetsresultat som ska räknas som slutfört.\n\nFör en professionell dokumentuppgift tillhandahåller du källrapporterna, identifierar vilka fakta som måste bevaras och ber om ett strukturerat underlag med källpositioner. Om källorna motsäger varandra begär du de motstridiga påståendena separat och den information som behövs för att lösa konflikten. För en koduppgift inkluderar du önskat beteende, berörda moduler och relevant kod; be om den föreslagna implementationen och det underlag som skulle särskilja det avsedda resultatet.\n\nTillverkaren säger att 1.3 ber om förtydliganden när en begäran är tvetydig och söker användarens hjälp när arbetet är blockerat. Den beskriver också bättre omdöme kring åtgärder med betydande konsekvenser. Detta är förbättringar av modellbeteendet snarare än en ersättning för applikationens exekveringskontroller. Ge agenten den information den behöver för att besluta och gör det nödvändiga resultatet uttryckligt.\n\nKodning och multimodalt underlag\n\nUtgåvan fokuserar på längre koduppgifter, renare utdata och färre onödiga turer jämfört med 1.2. Ett kodagentarbetsflöde kan granska en skärmbild, hitta relevant kod, föreslå en korrigering och använda exekverings- eller renderingsåterkoppling från verktygen. Ange det gränssnitt som måste förbli kompatibelt och begär det ändrade arbetsresultatet separat från antaganden och förklaring.\n\nDen officiella modelltabellen anger text-, bild-, video- och PDF-indata med textutdata och en kontext på 1,048,576 token. Bilder eller klipp kan tillföra synligt underlag tillsammans med den skriftliga uppgiften. En diagramfråga bör behålla axlar, teckenförklaringar och enheter; en skärmbildsfråga bör identifiera beteendet som ska återskapas eller granskas. En PDF-fråga kan begära en källkopplad extraktion eller jämförelse snarare än en allmän sammanfattning av varje sida.\n\nTillverkaren anger uttryckligen att ljudförståelse i 1.3 inte stöds fullt ut och att svar som innehåller ljud kan försämras. Detta skiljer sig från 1.2:s dokumenterade audiovisuella förmåga. Modellens textresultat genererar inte heller i sig en bild, en talinspelning eller en färdig fil utan den omgivande applikationens verktyg.\n\nResonemangsinsats och kontinuitet\n\nDe dokumenterade nivåerna är minimal, low, medium, high, xhigh och max. Max är specifikt för Standard 1.3. Muse Spark stöder inte att resonemang inaktiveras med none; att utelämna inställningen lämnar en resonemangsnivå som modellen bestämmer. Välj insatsen för det faktiska problemet och lämna utrymme för både det interna resonemanget och det nödvändiga skriftliga resultatet.\n\nResonemangstoken och synliga token delar på utdatabudgeten. Rått internt resonemang förblir privat och returneras inte som vanlig läsbar text. Tillverkaren skiljer synlig konversationshistorik från privat resonemangskontinuitet: dess chattgränssnitt exponerar inget spår som externa anropare kan spela upp igen, medan dess andra dokumenterade konversationsarbetsflöde stöder hanterad eller krypterad fortsättning av resonemang. Bevara källor, synliga meddelanden och faktiska verktygsresultat som behövs för en uppföljning i stället för att anta att alla gränssnitt behåller privat resonemang på samma sätt.\n\nVerktyg och strukturerade leveranser\n\nApplikationen tillhandahåller utvecklardefinierade funktionsbeskrivningar, modellen skapar de nödvändiga anropsargumenten och applikationen kör varje anrop och returnerar det tillhörande resultatet. Modellen kan begära flera funktioner under en tur. Återför resultatet för varje ursprunglig åtgärd innan du ber om nästa slutsats så att svaret använder faktiskt hämtad eller beräknad information.\n\nTillverkaren dokumenterar separat inbyggda sökverktyg som körs i dess anslutna tjänst. Utvecklarfunktioner och dessa inbyggda verktyg har olika exekveringsupplägg. Modellen kan resonera om vilken information den behöver, men att välja modellen i sig ger inte åtkomst till ett kodarkiv, en webbläsare eller en privat informationskälla.\n\nStrukturerade utdata kan begränsa resultatet till ett tillhandahållet JSON-schema. Definiera de fält och typer som nästa steg behöver samt hanteringen av saknad källinformation. I tillverkarens strikta schemaläge är roten ett vanligt objekt, varje egenskap är obligatorisk och extra egenskaper tillåts inte; rekursiva scheman avvisas. Detta är begränsningar i tillverkarens strukturerade gränssnitt, inte bevis för att uppgifterna i en korrekt formad post är sanna.\n\nFör ett användbart slutresultat begär du de källstödda fynden, den föreslagna ändringen eller dokumentet och de olösta villkoren separat. De lästa källorna ger ingen oberoende hård maximal kapacitet för indata- eller utdatatoken utöver den dokumenterade kontexten. Håll Standard 1.3-identiteten, resonemangsvalet och de anslutna exekveringsresultaten uttryckliga genom hela uppgiften.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är Metas multimodala resonemangsmodell för långvariga agenter och kodarbetsflöden. Den håller reda på källor och tidigare resultat, stöder en tillverkarkontext på 1,048,576 token och resonemangsnivåer upp till max i denna Standard-utgåva samt returnerar text och föreslagna verktygsåtgärder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.3 är Metas resonemangsmodell för uthålligt agentbaserat arbete och kodning. Tillverkaren betonar att behålla kontext och tidigare resultat genom långa uppgifter, arbeta igenom motstridiga källor och producera en färdig leverans. Denna post gäller Standard 1.3-utgåvan, vars dokumenterade resonemangsinställningar omfattar max; den separat namngivna Contributor-utgåvan har egna inställningsgränser.
Långvarigt agentarbete
Utgåvan beskriver en modell som tränats i olika agentmiljöer för att samla information, revidera en plan när underlaget ändras och bevara detaljerade krav genom en uppgift med flera steg. Den beskriver också förbättrad hantering av flera arbetsflöden i en tråd, där inkommande begäranden kopplas till relevant uppgift. En användbar begäran bör definiera målet, källorna, kraven och det arbetsresultat som ska räknas som slutfört.
För en professionell dokumentuppgift tillhandahåller du källrapporterna, identifierar vilka fakta som måste bevaras och ber om ett strukturerat underlag med källpositioner. Om källorna motsäger varandra begär du de motstridiga påståendena separat och den information som behövs för att lösa konflikten. För en koduppgift inkluderar du önskat beteende, berörda moduler och relevant kod; be om den föreslagna implementationen och det underlag som skulle särskilja det avsedda resultatet.
Tillverkaren säger att 1.3 ber om förtydliganden när en begäran är tvetydig och söker användarens hjälp när arbetet är blockerat. Den beskriver också bättre omdöme kring åtgärder med betydande konsekvenser. Detta är förbättringar av modellbeteendet snarare än en ersättning för applikationens exekveringskontroller. Ge agenten den information den behöver för att besluta och gör det nödvändiga resultatet uttryckligt.
Kodning och multimodalt underlag
Utgåvan fokuserar på längre koduppgifter, renare utdata och färre onödiga turer jämfört med 1.2. Ett kodagentarbetsflöde kan granska en skärmbild, hitta relevant kod, föreslå en korrigering och använda exekverings- eller renderingsåterkoppling från verktygen. Ange det gränssnitt som måste förbli kompatibelt och begär det ändrade arbetsresultatet separat från antaganden och förklaring.
Den officiella modelltabellen anger text-, bild-, video- och PDF-indata med textutdata och en kontext på 1,048,576 token. Bilder eller klipp kan tillföra synligt underlag tillsammans med den skriftliga uppgiften. En diagramfråga bör behålla axlar, teckenförklaringar och enheter; en skärmbildsfråga bör identifiera beteendet som ska återskapas eller granskas. En PDF-fråga kan begära en källkopplad extraktion eller jämförelse snarare än en allmän sammanfattning av varje sida.
Tillverkaren anger uttryckligen att ljudförståelse i 1.3 inte stöds fullt ut och att svar som innehåller ljud kan försämras. Detta skiljer sig från 1.2:s dokumenterade audiovisuella förmåga. Modellens textresultat genererar inte heller i sig en bild, en talinspelning eller en färdig fil utan den omgivande applikationens verktyg.
Resonemangsinsats och kontinuitet
De dokumenterade nivåerna är minimal, low, medium, high, xhigh och max. Max är specifikt för Standard 1.3. Muse Spark stöder inte att resonemang inaktiveras med none; att utelämna inställningen lämnar en resonemangsnivå som modellen bestämmer. Välj insatsen för det faktiska problemet och lämna utrymme för både det interna resonemanget och det nödvändiga skriftliga resultatet.
Resonemangstoken och synliga token delar på utdatabudgeten. Rått internt resonemang förblir privat och returneras inte som vanlig läsbar text. Tillverkaren skiljer synlig konversationshistorik från privat resonemangskontinuitet: dess chattgränssnitt exponerar inget spår som externa anropare kan spela upp igen, medan dess andra dokumenterade konversationsarbetsflöde stöder hanterad eller krypterad fortsättning av resonemang. Bevara källor, synliga meddelanden och faktiska verktygsresultat som behövs för en uppföljning i stället för att anta att alla gränssnitt behåller privat resonemang på samma sätt.
Verktyg och strukturerade leveranser
Applikationen tillhandahåller utvecklardefinierade funktionsbeskrivningar, modellen skapar de nödvändiga anropsargumenten och applikationen kör varje anrop och returnerar det tillhörande resultatet. Modellen kan begära flera funktioner under en tur. Återför resultatet för varje ursprunglig åtgärd innan du ber om nästa slutsats så att svaret använder faktiskt hämtad eller beräknad information.
Tillverkaren dokumenterar separat inbyggda sökverktyg som körs i dess anslutna tjänst. Utvecklarfunktioner och dessa inbyggda verktyg har olika exekveringsupplägg. Modellen kan resonera om vilken information den behöver, men att välja modellen i sig ger inte åtkomst till ett kodarkiv, en webbläsare eller en privat informationskälla.
Strukturerade utdata kan begränsa resultatet till ett tillhandahållet JSON-schema. Definiera de fält och typer som nästa steg behöver samt hanteringen av saknad källinformation. I tillverkarens strikta schemaläge är roten ett vanligt objekt, varje egenskap är obligatorisk och extra egenskaper tillåts inte; rekursiva scheman avvisas. Detta är begränsningar i tillverkarens strukturerade gränssnitt, inte bevis för att uppgifterna i en korrekt formad post är sanna.
För ett användbart slutresultat begär du de källstödda fynden, den föreslagna ändringen eller dokumentet och de olösta villkoren separat. De lästa källorna ger ingen oberoende hård maximal kapacitet för indata- eller utdatatoken utöver den dokumenterade kontexten. Håll Standard 1.3-identiteten, resonemangsvalet och de anslutna exekveringsresultaten uttryckliga genom hela uppgiften.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.3 | 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-1.3", "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 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
Använd metodsökvägarna som visas ovan.
meta/muse-spark-1.3Muse Spark 1.3 är Metas multimodala resonemangsmodell för långvariga agenter och kodarbetsflöden. Den håller reda på källor och tidigare resultat, stöder en tillverkarkontext på 1,048,576 token och resonemangsnivåer upp till max i denna Standard-utgåva samt returnerar text och föreslagna verktygsåtgärder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Muse Spark 1.3 är Metas resonemangsmodell för uthålligt agentbaserat arbete och kodning. Tillverkaren betonar att behålla kontext och tidigare resultat genom långa uppgifter, arbeta igenom motstridiga källor och producera en färdig leverans. Denna post gäller Standard 1.3-utgåvan, vars dokumenterade resonemangsinställningar omfattar max; den separat namngivna Contributor-utgåvan har egna inställningsgränser.
Långvarigt agentarbete
Utgåvan beskriver en modell som tränats i olika agentmiljöer för att samla information, revidera en plan när underlaget ändras och bevara detaljerade krav genom en uppgift med flera steg. Den beskriver också förbättrad hantering av flera arbetsflöden i en tråd, där inkommande begäranden kopplas till relevant uppgift. En användbar begäran bör definiera målet, källorna, kraven och det arbetsresultat som ska räknas som slutfört.
För en professionell dokumentuppgift tillhandahåller du källrapporterna, identifierar vilka fakta som måste bevaras och ber om ett strukturerat underlag med källpositioner. Om källorna motsäger varandra begär du de motstridiga påståendena separat och den information som behövs för att lösa konflikten. För en koduppgift inkluderar du önskat beteende, berörda moduler och relevant kod; be om den föreslagna implementationen och det underlag som skulle särskilja det avsedda resultatet.
Tillverkaren säger att 1.3 ber om förtydliganden när en begäran är tvetydig och söker användarens hjälp när arbetet är blockerat. Den beskriver också bättre omdöme kring åtgärder med betydande konsekvenser. Detta är förbättringar av modellbeteendet snarare än en ersättning för applikationens exekveringskontroller. Ge agenten den information den behöver för att besluta och gör det nödvändiga resultatet uttryckligt.
Kodning och multimodalt underlag
Utgåvan fokuserar på längre koduppgifter, renare utdata och färre onödiga turer jämfört med 1.2. Ett kodagentarbetsflöde kan granska en skärmbild, hitta relevant kod, föreslå en korrigering och använda exekverings- eller renderingsåterkoppling från verktygen. Ange det gränssnitt som måste förbli kompatibelt och begär det ändrade arbetsresultatet separat från antaganden och förklaring.
Den officiella modelltabellen anger text-, bild-, video- och PDF-indata med textutdata och en kontext på 1,048,576 token. Bilder eller klipp kan tillföra synligt underlag tillsammans med den skriftliga uppgiften. En diagramfråga bör behålla axlar, teckenförklaringar och enheter; en skärmbildsfråga bör identifiera beteendet som ska återskapas eller granskas. En PDF-fråga kan begära en källkopplad extraktion eller jämförelse snarare än en allmän sammanfattning av varje sida.
Tillverkaren anger uttryckligen att ljudförståelse i 1.3 inte stöds fullt ut och att svar som innehåller ljud kan försämras. Detta skiljer sig från 1.2:s dokumenterade audiovisuella förmåga. Modellens textresultat genererar inte heller i sig en bild, en talinspelning eller en färdig fil utan den omgivande applikationens verktyg.
Resonemangsinsats och kontinuitet
De dokumenterade nivåerna är minimal, low, medium, high, xhigh och max. Max är specifikt för Standard 1.3. Muse Spark stöder inte att resonemang inaktiveras med none; att utelämna inställningen lämnar en resonemangsnivå som modellen bestämmer. Välj insatsen för det faktiska problemet och lämna utrymme för både det interna resonemanget och det nödvändiga skriftliga resultatet.
Resonemangstoken och synliga token delar på utdatabudgeten. Rått internt resonemang förblir privat och returneras inte som vanlig läsbar text. Tillverkaren skiljer synlig konversationshistorik från privat resonemangskontinuitet: dess chattgränssnitt exponerar inget spår som externa anropare kan spela upp igen, medan dess andra dokumenterade konversationsarbetsflöde stöder hanterad eller krypterad fortsättning av resonemang. Bevara källor, synliga meddelanden och faktiska verktygsresultat som behövs för en uppföljning i stället för att anta att alla gränssnitt behåller privat resonemang på samma sätt.
Verktyg och strukturerade leveranser
Applikationen tillhandahåller utvecklardefinierade funktionsbeskrivningar, modellen skapar de nödvändiga anropsargumenten och applikationen kör varje anrop och returnerar det tillhörande resultatet. Modellen kan begära flera funktioner under en tur. Återför resultatet för varje ursprunglig åtgärd innan du ber om nästa slutsats så att svaret använder faktiskt hämtad eller beräknad information.
Tillverkaren dokumenterar separat inbyggda sökverktyg som körs i dess anslutna tjänst. Utvecklarfunktioner och dessa inbyggda verktyg har olika exekveringsupplägg. Modellen kan resonera om vilken information den behöver, men att välja modellen i sig ger inte åtkomst till ett kodarkiv, en webbläsare eller en privat informationskälla.
Strukturerade utdata kan begränsa resultatet till ett tillhandahållet JSON-schema. Definiera de fält och typer som nästa steg behöver samt hanteringen av saknad källinformation. I tillverkarens strikta schemaläge är roten ett vanligt objekt, varje egenskap är obligatorisk och extra egenskaper tillåts inte; rekursiva scheman avvisas. Detta är begränsningar i tillverkarens strukturerade gränssnitt, inte bevis för att uppgifterna i en korrekt formad post är sanna.
För ett användbart slutresultat begär du de källstödda fynden, den föreslagna ändringen eller dokumentet och de olösta villkoren separat. De lästa källorna ger ingen oberoende hård maximal kapacitet för indata- eller utdatatoken utöver den dokumenterade kontexten. Håll Standard 1.3-identiteten, resonemangsvalet och de anslutna exekveringsresultaten uttryckliga genom hela uppgiften.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser meta/muse-spark-1.3 | 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 $0.0003 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "meta/muse-spark-1.3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.