Muse Spark 1.2 ist auf EmpirioLabs verfügbar. Dieser aktualisierte Meta-Reasoning-Checkpoint kombiniert ein 1.048.576-Token-Kontextfenster mit Text-, Bild-, Video-, Audio- und PDF-Verständnis. Es unterstützt außerdem Funktionsaufrufe, streng strukturierte Ausgaben, integrierte Websuche und native Responses-Tools.
Was Muse Spark 1.2 unterstützt
Muse Spark 1.2 akzeptiert Text, bis zu 50 Bilder, MP4-Videos, MP3- oder WAV-Audio sowie PDF-Dokumente. Die PDF-Verarbeitung umfasst Text von den ersten 100 Seiten und Seitenbilder von den ersten 50 Seiten, was das Modell für lange Berichte, visuelle Dokumente, aufgezeichnete Sprache und Mixed-Media-Analysen nützlich macht.
Das Denken ist immer an. Verwendung reasoning effort von minimal durch xhigh um zu steuern, wie viel Arbeit das Modell aufwendet, bevor es antwortet. Reasoning-Traces bleiben privat, während Reasoning-Tokens als Ausgabetoken zählen und das Ausgabe-Token-Budget der Anfrage verwenden.
Wie man Muse Spark 1.2 nennt
Verwenden Sie den OpenAI-kompatiblen Chat-Completions-Endpunkt und setzen Sie es ein modell zu muse-spark-1-2:
curl https://api.empiriolabs.ai/v1/chat/completions \ -h 'Autorisierung: Träger $EMPIRIOLABS_API_KEY' \ -H 'Inhalt-Typ: application/json' \ -d '{ "model": "muse-spark-1-2", "reasoning_effort": "medium", "messages": [ { "role": "user", "content": "entwerfen Sie einen sicheren Ausrollplan für eine hochfrequente API-Migration." } ] }'Das gleiche Modell ist über die Responses, Messages und Google-kompatible Inhaltsgenerierungs-Endpunkte verfügbar. Der Responses-Endpunkt bewahrt benutzerdefinierte Werkzeuge und aufgeschobene Werkzeugentdeckung mit tool_search. Streaming-Antworten enthalten endgültige Nutzungsdaten für auditierbare Token-, Cache- und Tool-Settlements.
Websuche, Werkzeuge und strukturierte Ergebnisse
Aktivieren Sie die integrierte Websuche, wenn eine Antwort aktuelle Informationen benötigt. Jede ausgeführte Suchanfrage wird in usage.tool_usage und fügt die im Katalog angegebene Gebühr pro Suche hinzu. Funktionswerkzeuge können parallel aufgerufen werden, und tool_choice Unterstützungen Auto und nicht.
Für maschinenlesbare Ergebnisse verwenden Sie den JSON-Modus oder stellen Sie ein strenges JSON-Schema bereit. Dies ist nützlich für Extraktion, Routing, Bewertung und Agenten-Workflows, die einen stabilen Antwortvertrag erfordern.
Preisgestaltung und Datennutzung
Muse Spark 1.2 verwendet pay-as-you-go Token-Preisgestaltung, mit einem separaten reduzierten Satz für zwischengespeicherte Eingaben und einer zusätzlichen pro Abfrage, wenn eine integrierte Websuche ausgeführt wird. Sehen Sie die Live-Übertragung Muse Spark 1.2 Modellseite und preisseite Für aktuelle Zinssätze.
Meta gibt an, dass Prompts und Abschlüsse, die an diesen Standard-Checkpoint eingereicht werden, nicht zum Training seiner Modelle verwendet werden. EmpirioLabs speichert keine Prompt- oder Nachrichteninhalte in Nutzungsprotokollen.
Beginnen Sie mit dem Bau
Probier Muse Spark 1.2 in der Spielplatzlesen sie die API-Dokumentation, oder vergleiche sie mit anderen Schlussfolgerungsmodellen in der Modellkatalog.
Offenlegung: Dieser Artikel wurde mit KI-Unterstützung geschrieben und von EmpirioLabs AI überprüft.
