Comment utiliser l’API Muse Spark 1.1

Muse Spark 1.1 est le modèle de raisonnement de la frontière de Meta AI, désormais disponible sur EmpirioLabs. Il associe une fenêtre contextuelle de 1 048 576 jetons avec un raisonnement toujours activé, une compréhension d’image et de vidéo, des appels de fonctions, une sortie strictement structurée en JSON Schema, et une recherche web intégrée qui cite ses sources. Il est conçu pour le travail d’outils d’agent, le codage, l’analyse de documents et de médias, ainsi que la recherche fondée.

Vous pouvez essayer dans le Terrain de jeu ou l’appeler via l’API compatible OpenAI aujourd’hui. Les détails complets des paramètres sont disponibles sur le Page docs.

Prix

Muse Spark 1.1 est pay-as-you-go avec une facturation par jeton. Les jetons invités, générés et jetons d’entrée mis en cache ont chacun leur propre débit, et les entrées en cache sont facturées à prix réduit chaque fois que le service détecte un préfixe d’invite répété, ce qui se produit automatiquement sans configuration de cache de votre côté. La recherche web intégrée ajoute un petit frais de per-search-query uniquement lorsqu’une recherche est effectivement effectuée. Les taux actuels sont toujours sur le page modèle et les page de prix.

Démarrer rapidement

from openai import OpenAI client = OpenAI(base_url="https://api.empiriolabs.ai/v1", api_key="YOUR_EMPIRIOLABS_API_KEY »,) réponse = client.chat.completions.create(model="muse-spark-1-1 », reasoning_effort="medium », max_tokens=16384, messages=[{"role »: « user », « content »: « Résumer les compromis entre SQL et NoSQL en cinq puces."}],) print(response.choices[0].message.content)

Le même modèle d’ID fonctionne /v1/chat/completions, /v1/responses, style anthropique /v1/messages, et le modèle compatible Google generateContent point de terminaison, donc la plupart des SDK existants peuvent pointer vers EmpirioLabs sans modification de code.

Recherche web intégrée

Jeu " tool_web_search ": vrai et le modèle peut rechercher seul sur le web, fonder la réponse dans ce qu’il trouve, et ajouter une liste de sources avec des liens lorsque des citations sont disponibles. Chaque requête de recherche exécutée ajoute le tarif par requête affiché sur la page du modèle, et les recherches qui ne s’exécutent jamais ne coûtent rien.

Entrée image et vidéo

Envoyer des images avec la norme image_url Parties de contenu et vidéo avec video_url certaines parties, sous forme d’URL https ou d’URL de données base64. Plusieurs images dans une même requête sont prises en charge. Les deux fonctionnent ensemble avec la recherche web lorsque vous avez besoin de réponses fondées sur une image ou un extrait.

Notes opérationnelles

• Le raisonnement est toujours activé et ne peut pas être désactivé, et le modèle ne retourne pas son texte de raisonnement, seulement la réponse finale. Les jetons de raisonnement facturent comme jetons de sortie et comptent contre max_tokens, donc donner de la marge au modèle: de très petits condensateurs de sortie peuvent être consommés par le raisonnement avant que la réponse visible n’apparaisse. Utilisation raisonnement effort (minimal, faible, moyen, haut, x-haut) pour contrôler la force de la réflexion.
• Les contrôles d’échantillonnage pris en charge sont température, en haut, Seed, presence_penalty, et frequency_penalty. Séquences d’arrêt, top_k, logprobs, et plusieurs choix par requête ne sont pas pris en charge par ce modèle.
• tool_choice supports Auto et aucune. La sortie structurée prend en charge à la fois le mode JSON et le schéma JSON strict.

Obtenez une clé API depuis le tableau de bord Et tu es à une demande de moi.