Muse Spark 1.3 API

Über Muse Spark 1.3

Metas langhorizontiges agentisches Schlussfolgerungsmodell mit einem Kontext von 1.048.576 Tokens, Bildern, Videos und PDFs, Websuche und Werkzeugaufrufen.

Reasoning ist immer aktiviert und kann nicht deaktiviert werden. reasoning_effort akzeptiert minimal bis xhigh. Auf /v1/chat/completions wird der Reasoning-Text nicht zurückgegeben; auf /v1/responses kann man Reasoning-Zusammenfassungen mit reasoning.summary anfordern, und Reasoning-Token werden als Ausgabetoken abgerechnet und zählen in beide Richtungen zum Ausgabebudget. Text-, Bild-, MP4-Video- und PDF-Eingaben werden unterstützt; bis zu 50 Bilder können angehängt werden. Audio-Eingaben werden an diesem Checkpoint nicht unterstützt; die Muse Spark 1.1 und 1.2 Checkpoints akzeptieren Audio. PDFs verwenden Text von den ersten 100 Seiten und Seitenbilder von den ersten 50 Seiten. Die integrierte Websuche fügt $0.00825 pro ausgeführter Suchanfrage hinzu und meldet die Anzahl in usage.tool_usage. OpenAI Responses-Anfragen unterstützen außerdem benutzerdefinierte Tools und deferred tool search. tool_choice unterstützt Auto und None. Prompts und Completions, die an diesen Standard-Checkpoint gesendet werden, werden von Meta nicht zum Training seiner Modelle verwendet.

Auch bekannt als Muse Spark, Meta AI Muse Spark 1.3

Muse Spark 1.3 Spezifikationen

Modell-ID

muse-spark-1-3

Anbieter

Meta AI

Kategorie

Textgenerierung

Veröffentlicht

2. Sept. 2026

Kontextfenster

1M Token

Max. Ausgabe

131.072 Token

Eingabe

TextBildVideoDokument

Ausgabe

Text

Strukturierte Ausgabe

JSON Schema

Endpoints

POST/v1/chat/completionsPOST/v1/responsesPOST/v1/messagesPOST/v1beta/models/muse-spark-1-3:generateContent

Alternative Modell-IDs

muse-spark-1.3meta/muse-spark-1-3meta/muse-spark-1.3

Muse Spark 1.3 API-Preise

Live Pay-as-you-go-Preise aus dem EmpirioLabs-Katalog. Du zahlst nur für das, was du nutzt, ohne monatliches Minimum.

So rufst du die Muse Spark 1.3 API auf

Muse Spark 1.3 bedient die OpenAI-kompatible Chat Completions API. Richte ein beliebiges OpenAI SDK mit deinem EmpirioLabs API-Schlüssel auf https://api.empiriolabs.ai/v1 und verwende die Modell-ID muse-spark-1-3. Hol dir einen API-Schlüssel im EmpirioLabs Dashboard.

curl https://api.empiriolabs.ai/v1/chat/completions \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-spark-1-3",
    "messages": [
      {"role": "user", "content": "Write a haiku about the ocean."}
    ]
  }'

from openai import OpenAI

client = OpenAI(
    base_url="https://api.empiriolabs.ai/v1",
    api_key="YOUR_EMPIRIOLABS_API_KEY",
)

response = client.chat.completions.create(
    model="muse-spark-1-3",
    messages=[{"role": "user", "content": "Write a haiku about the ocean."}],
)
print(response.choices[0].message.content)

Muse Spark 1.3 API-Parameter

Request-Parameter, die die Muse Spark 1.3 API auf EmpirioLabs unterstützt. Standardwerte gelten, wenn ein Feld weggelassen wird.

Gut zu wissen

Reasoning ist immer aktiviert und kann nicht deaktiviert werden. reasoning_effort akzeptiert minimal bis xhigh. Auf /v1/chat/completions wird der Reasoning-Text nicht zurückgegeben; auf /v1/responses kann man Reasoning-Zusammenfassungen mit reasoning.summary anfordern, und Reasoning-Token werden als Ausgabetoken abgerechnet und zählen in beide Richtungen zum Ausgabebudget. Text-, Bild-, MP4-Video- und PDF-Eingaben werden unterstützt; bis zu 50 Bilder können angehängt werden. Audio-Eingaben werden an diesem Checkpoint nicht unterstützt; die Muse Spark 1.1 und 1.2 Checkpoints akzeptieren Audio. PDFs verwenden Text von den ersten 100 Seiten und Seitenbilder von den ersten 50 Seiten. Die integrierte Websuche fügt $0.00825 pro ausgeführter Suchanfrage hinzu und meldet die Anzahl in usage.tool_usage. OpenAI Responses-Anfragen unterstützen außerdem benutzerdefinierte Tools und deferred tool search. tool_choice unterstützt Auto und None. Prompts und Completions, die an diesen Standard-Checkpoint gesendet werden, werden von Meta nicht zum Training seiner Modelle verwendet.

Per-tool billing (usage.tool_usage)

When this model invokes tools inside a single request, the response carries a normalized usage.tool_usage map alongside the token counts. The example below shows the shape. Exact field names, units, and which tools appear can vary by tool:

"usage": {
  "prompt_tokens": 123,
  "completion_tokens": 456,
  "cost_usd": 0.0042,
  "tool_usage": {"web_search": 3}
}

The tool counts are already factored into cost_usd and are surfaced so you can audit per-tool billing. The field is omitted when no billed tool was invoked.

Muse Spark 1.3 API: häufige Fragen

Wie viel kostet die Muse Spark 1.3 API?

Auf EmpirioLabs wird Muse Spark 1.3 nach Verbrauch abgerechnet: Eingabe $1.25 pro 1M Prompt-Token; Output $4.25 pro 1 Million generierter Token; Implizite Cache-Leseart $1.00 pro 1M zwischengespeicherten Eingabetoken. Die Live-Preistabelle auf dieser Seite entspricht immer dem, was die API berechnet.

Wie groß ist das Kontextfenster von Muse Spark 1.3?

Muse Spark 1.3 unterstützt ein Kontextfenster von 1M Token mit bis zu 131.072 Ausgabe-Token pro Antwort.

Ist die Muse Spark 1.3 API OpenAI-kompatibel?

Ja. Muse Spark 1.3 bedient die OpenAI-kompatible Chat Completions API. Bestehende OpenAI SDKs funktionieren, indem du base_url auf https://api.empiriolabs.ai/v1 setzt und als Modell-ID muse-spark-1-3 verwendest.

Kann ich Muse Spark 1.3 im Browser testen, bevor ich integriere?

Ja. Der EmpirioLabs Playground führt Muse Spark 1.3 im Browser mit denselben Parametern aus, die die API bietet. So kannst du Prompts testen, bevor du Code schreibst.

Wie bekomme ich einen Muse Spark 1.3 API-Schlüssel?

Erstelle ein EmpirioLabs-Konto und generiere dann einen Schlüssel unter API Keys im Dashboard. Die Abrechnung erfolgt über Pay-as-you-go-Guthaben, du zahlst also nur für deine Requests.