Muse Spark 1.3 está disponível no EmpirioLabs. A Meta construiu esse checkpoint para trabalhos de longo prazo: execuções agenticas, codificação em múltiplas etapas e tarefas que permanecem em um único thread tempo suficiente para acumular contexto. Ela combina uma janela de contexto de 1.048.576 tokens com compreensão de imagens, vídeos e PDFs, chamada de funções, saída estruturada rigorosa, busca web integrada e ferramentas nativas de Respostas.
O que o Muse Spark 1.3 suporta
O Muse Spark 1.3 aceita texto, até 50 imagens, vídeo MP4 e documentos PDF. O processamento PDF abrange texto das primeiras 100 páginas e imagens das páginas anteriores 50, adequando-se a relatórios longos, especificações e documentos visuais.
A razão está sempre ativa. Uso raciocinação esforço de mínimo através xhigh para controlar quanto trabalho o modelo gasta antes de responder. Os rastreios de raciocínio permanecem privados, e os tokens de raciocínio contam como tokens de saída no orçamento de saída da solicitação.
O comportamento de longo contexto é a manchete: Meta reporta o detalhe do acompanhamento do modelo em threads muito longos, pedindo esclarecimentos sobre prompts ambíguos e checando antes de ações consequentes em vez de adivinhar.
Como chamar Muse Spark 1.3
Use o endpoint de conclusão de chat compatível com OpenAI e configure modelo para muse-spark-1-3:
curl https://api.empiriolabs.ai/v1/chat/completions \ -H 'Autorização: Portador $EMPIRIOLABS_API_KEY' \ -h 'Tipo-de-Conteúdo: application/json' \ -d '{ "modelo": "muse-spark-1-3", "reasoning_effort": "meio", "mensagens": [ { "função": "usuário", "conteúdo": "Planeje uma migração em etapas de um serviço ocupado para um novo banco de datos, e sinalize o que pode dar errado." } ] }'O mesmo modelo está disponível através dos endpoints de geração de conteúdo compatíveis com o Google Responses, Messages e Responses. O endpoint Respostas preserva ferramentas personalizadas e a descoberta diferida de ferramentas com tool_search. As respostas em streaming carregam dados finais de uso, então token, cache e liquidação de ferramentas permanecem auditáveis.
Busca na web, ferramentas e saída estruturada
Ative a busca web embutida quando uma resposta precisar de informações atuais. Cada consulta de busca executada é reportada em usage.tool_usage e adiciona a taxa listada por catálogo por busca, e uma única requisição pode executar várias buscas. Ferramentas de função podem ser chamadas em paralelo, e as fontes citadas são adicionadas quando o modelo as retorna.
Para saída legível por máquina, use o modo JSON ou forneça um esquema JSON rigoroso. O modo esquema é imposto, o que o torna confiável para extração, roteamento, avaliação e fluxos de trabalho de agentes que exigem um contrato de resposta estável.
Preços e uso de dados
O Muse Spark 1.3 utiliza precificação pay-as-you-go token, com uma taxa descontada para entrada em cache e uma taxa separada por consulta quando a busca web embutida é executada. As taxas atuais estão sempre no página do modelo e o página de preços. Não há assinatura nem mínimo de crédito.
EmpirioLabs serve ao checkpoint Standard. Prompts e completações enviados a ele não são usados pela Meta para treinar seus modelos.
Notas que valem a pena saber antes da sua primeira ligação
- Os tokens de raciocínio são retirados do mesmo orçamento da sua resposta. Um tight
max_tokenspode ser consumido inteiramente por raciocínio e retorna uma resposta truncada no comprimento sem conteúdo visível, então dê aos prompts de longo prazo um orçamento generoso de saída. - Ao contrário do Muse Spark 1.1 e 1.2, este checkpoint não aceita entrada de áudio. Requisições que transportam áudio são rejeitadas imediatamente em vez de ignoradas silenciosamente, então encaminhe a fala para a 1.2 ou para um modelo de transcrição dedicado.
tool_choicesuportesAutoenenhum. Forçar uma função específica pelo nome não está disponível neste modelo.
Começar
Experimente o Muse Spark 1.3 no Área de reprodução, ler Referência de API, ou veja as especificações completas sobre o página do modelo.
