Muse Spark 1.3 Contributor API
Muse Spark 1.3 Contributor ist eine rabattierte Variante des Reasoning-Modells von Meta für agentische und Coding-Aufgaben mit sehr langem Kontext.
Muse Spark 1.3 Contributor stammt von Meta Superintelligence Labs und ist die dritte Iteration der Muse Spark Familie, die im April 2026 die Llama-Reihe ablöste. Das Modell verarbeitet Text, Bilder, Video, PDF-Dokumente und Audio als Eingabe und gibt Text aus; Audio wird in Version 1.3 allerdings nicht vollständig unterstützt. Mit einem Kontextfenster von 1.048.576 Tokens und einem Ausgabelimit von 943.718 Tokens hält es eine gesamte große Codebasis oder einen langen mehrteiligen Gesprächsverlauf in einem einzigen Kontext. Es handelt sich um ein geschlossenes, ausschließlich über API verfügbares Modell; die Gewichte sind nicht öffentlich.
Das Modell ist als Reasoning-Modell mit schrittweisem Denken konzipiert und unterstützt konfigurierbaren Reasoning-Aufwand bis hin zur maximalen Stufe im Standard-Tier. Es bietet Tool- und Funktionsaufrufe über die Parameter tools und tool_choice sowie strukturierte Ausgaben über ein JSON-Schema im Parameter response_format. Es eignet sich für agentische und Coding-Workloads, langfristige Coding-Aufgaben, Repository-weites Reasoning, dokumentenlastige Agenten und mehrstufige Coding-Aufgaben, bei denen Kontext und frühere Ergebnisse verfolgt werden müssen. Laut internen Vergleichen von Meta benötigt es rund 20 Prozent weniger Tool-Aufrufe und etwa 25 Prozent weniger Tokens als Muse Spark 1.2 bei vergleichbaren agentischen und Coding-Aufgaben. Es kann als Hauptagent planen und delegieren oder als Subagent parallel ausgeführt werden und unterstützt Multi-Agenten-Workflows. Zudem ist es in Muse Code, Metas terminalbasiertem Coding-Agenten, sowie über die Meta Model API, OpenRouter und OpenCode verfügbar.
Der Contributor-Tier ist eine rabattierte Version des Standardmodells Muse Spark 1.3 und bietet niedrigere Ratenlimits als der Standard-Tier; zudem muss der Nutzung zugestimmt werden, dass Meta zukünftige Modelle mit Prompts und Completionen trainieren darf. Zu den Stärken zählen bessere Multitasking-Fähigkeiten innerhalb eines langen Threads, eine höhere Widerstandsfähigkeit gegen Prompt-Injection und ein verbessertes Selbstwissen, da das Modell darauf trainiert ist zu sagen, was es nicht kann, statt ein Ergebnis zu halluzinieren. Es stellt klärende Fragen, eskaliert bei Blockaden und bestätigt vor folgenschweren Aktionen. Die Effizienzangaben stammen aus internen Vergleichen von Meta, nicht aus unabhängigen Tests Dritter.
Aktualisiert:
MODELL-ID
muse-spark-1.3-contributor- Kontext
- 1.049M
- Max. Ausgabe
- 943.718K
- Empfohlene API
- messages
- Eingabe
- text / image / video / file
- Ausgabe
- text
Den Pelikan dieses Modells ansehen
Sehen Sie, was Muse Spark 1.3 Contributor aus demselben Prompt gemacht hat.
Highlights
- Kontextfenster von 1.048.576 Tokens
- Ausgabelimit von 943.718 Tokens
- Reasoning mit konfigurierbarem Aufwand
- Tool- und Funktionsaufrufe
- Strukturierte Ausgaben per JSON-Schema
- Multi-Agenten-Workflows
Anbieter
Vergleichen Sie die API-Preise verschiedener Anbieter. Wählen Sie einen Anbieter aus, um alle Kosten und Bedingungen zu sehen.
| Verfügbarkeit | ||||
|---|---|---|---|---|
| $0.1 | $0.2 | $0.002 |
Historische Daten sind keine Live-Statusprüfung. Fehlende Daten bedeuten keinen Ausfall.
Was man für $10 bekommt
- Eingabe
- 100 Mio. Token
- Ausgabe
- 50 Mio. Token
Geschätzt anhand der aktuellen Eingabe- und Ausgabepreise, vor Rabatten.
Benchmarks
- 98.5
MRCR (256K bis 512K Tokens)
Punkte; höchster gemeldeter Wert im Vergleichsset
- 98.1
MRCR (512K bis 1M Tokens)
Punkte; höchster gemeldeter Wert im Vergleichsset
- 61
Artificial Analysis Intelligence Index
Punkte; kundenverfügbarer Tier; gleichauf mit GPT-5.6 Sol, Grok 4.6 und Claude Opus 5
- 79
Genauigkeit beim Reasoning über langen Kontext
Prozent; Rückgang von 83 Prozent in Version 1.2
Werte wie vom Modellanbieter veröffentlicht.
Schlussfolgern
- Standardaufwand
- medium
- Immer aktiviert
- Ja
- Verfügbare Aufwandsstufen
- max / xhigh / high / medium / low / minimal
Schnellstart
Direkt einsetzbarer Code, um dieses Modell über die kompatiblen APIs der Felo API Platform aufzurufen. Testen Sie Prompts im Playground, bevor Sie Code schreiben.
API-Schlüssel hinterlegen
Erstellen Sie einen Schlüssel in Ihrem Konto bei der Felo API Platform und legen Sie ihn als Umgebungsvariable ab.
export FELO_API_KEY="YOUR_API_KEY"Erste Anfrage senden
Verwenden Sie diese Modell-ID mit dem Endpoint der Felo API Platform. Optionale Anfrage-Header wie X-Request-Id helfen bei der Fehlersuche.
muse-spark-1.3-contributorDieses Modell kann schlussfolgern. Wenn das gewählte Protokoll und die Modellroute Reasoning-Steuerungen bereitstellen, behalten Sie die zurückgegebenen Reasoning-Metadaten bei, wenn Sie das Gespräch fortsetzen.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "muse-spark-1.3-contributor",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());Drittanbieter-SDKs verwenden
Setzen Sie in kompatiblen SDKs baseURL auf https://openapi.felo.ai/api/v1. Für Clients im Claude-Stil verwenden Sie die Anthropic-kompatible Basis-URL. https://openapi.felo.ai/api.
Streaming aktivieren
Fügen Sie stream: true hinzu, um Antworten als Server-Sent Events zu erhalten.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "muse-spark-1.3-contributor",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Die Felo API Platform stellt kompatible Oberflächen für Modellaufrufe bereit. Wählen Sie die Oberfläche, die Ihre App oder Ihr Agent-Client bereits unterstützt.
Messages
Anthropic-kompatible Nachrichten für Clients im Claude-Stil.
POST
https://openapi.felo.ai/api/v1/messagesParameter
modelstringmuse-spark-1.3-contributorÖffentliche Modell-ID, die aufgerufen wird.max_tokensinteger—Maximale Anzahl generierter Tokens.messagesarray—Gesprächsnachrichten für Chat Completions.toolsarray—Tool-Calling-Definitionen nach kompatiblem Schema.top_k———top_p———reasoning———temperaturenumber—Steuert die Vielfalt der Antworten, wenn unterstützt.tool_choicestring or object—Steuert, ob ein Tool aufgerufen werden soll.response_formatobject—Fordert strukturierte Ausgabe an, wenn unterstützt.reasoning_effort———include_reasoning———repetition_penalty———structured_outputs———Häufige Fragen
Was ist Muse Spark 1.3 Contributor?
Muse Spark 1.3 Contributor stammt von Meta Superintelligence Labs und ist die dritte Iteration der Muse Spark Familie, die im April 2026 die Llama-Reihe ablöste. Das Modell verarbeitet Text, Bilder, Video, PDF-Dokumente und Audio als Eingabe und gibt Text aus; Audio wird in Version 1.3 allerdings nicht vollständig unterstützt. Mit einem Kontextfenster von 1.048.576 Tokens und einem Ausgabelimit von 943.718 Tokens hält es eine gesamte große Codebasis oder einen langen mehrteiligen Gesprächsverlauf in einem einzigen Kontext. Es handelt sich um ein geschlossenes, ausschließlich über API verfügbares Modell; die Gewichte sind nicht öffentlich. Das Modell ist als Reasoning-Modell mit schrittweisem Denken konzipiert und unterstützt konfigurierbaren Reasoning-Aufwand bis hin zur maximalen Stufe im Standard-Tier. Es bietet Tool- und Funktionsaufrufe über die Parameter tools und tool_choice sowie strukturierte Ausgaben über ein JSON-Schema im Parameter response_format. Es eignet sich für agentische und Coding-Workloads, langfristige Coding-Aufgaben, Repository-weites Reasoning, dokumentenlastige Agenten und mehrstufige Coding-Aufgaben, bei denen Kontext und frühere Ergebnisse verfolgt werden müssen. Laut internen Vergleichen von Meta benötigt es rund 20 Prozent weniger Tool-Aufrufe und etwa 25 Prozent weniger Tokens als Muse Spark 1.2 bei vergleichbaren agentischen und Coding-Aufgaben. Es kann als Hauptagent planen und delegieren oder als Subagent parallel ausgeführt werden und unterstützt Multi-Agenten-Workflows. Zudem ist es in Muse Code, Metas terminalbasiertem Coding-Agenten, sowie über die Meta Model API, OpenRouter und OpenCode verfügbar. Der Contributor-Tier ist eine rabattierte Version des Standardmodells Muse Spark 1.3 und bietet niedrigere Ratenlimits als der Standard-Tier; zudem muss der Nutzung zugestimmt werden, dass Meta zukünftige Modelle mit Prompts und Completionen trainieren darf. Zu den Stärken zählen bessere Multitasking-Fähigkeiten innerhalb eines langen Threads, eine höhere Widerstandsfähigkeit gegen Prompt-Injection und ein verbessertes Selbstwissen, da das Modell darauf trainiert ist zu sagen, was es nicht kann, statt ein Ergebnis zu halluzinieren. Es stellt klärende Fragen, eskaliert bei Blockaden und bestätigt vor folgenschweren Aktionen. Die Effizienzangaben stammen aus internen Vergleichen von Meta, nicht aus unabhängigen Tests Dritter.
Wie wird die Nutzung abgerechnet?
Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben.
Welche Eingaben unterstützt Muse Spark 1.3 Contributor?
Das Modell verarbeitet Text-, Bild-, Video- und PDF-Eingaben sowie Audio, wobei Audio in Version 1.3 nicht vollständig unterstützt wird. Die Ausgabe erfolgt als Text.
Wie groß sind Kontextfenster und Ausgabelimit?
Das Kontextfenster umfasst 1.048.576 Tokens, das Ausgabelimit liegt bei 943.718 Tokens.
Für welche Aufgaben ist das Modell geeignet?
Es ist auf agentische und Coding-Workloads, langfristige Coding-Aufgaben, Repository-weites Reasoning und dokumentenlastige Agenten ausgelegt. Auch mehrstufige Aufgaben, die das Verfolgen von Kontext und früheren Ergebnissen erfordern, gehören dazu.
Wie unterscheidet sich der Contributor-Tier vom Standardmodell?
Der Contributor-Tier ist eine rabattierte Version von Muse Spark 1.3 mit niedrigeren Ratenlimits als der Standard-Tier. Zudem setzt er die Erlaubnis voraus, dass Meta zukünftige Modelle mit Prompts und Completionen trainieren darf.
Wo ist Muse Spark 1.3 Contributor verfügbar?
Das Modell ist über die Meta Model API, Muse Code, OpenRouter und OpenCode verfügbar.
Wie effizient ist das Modell im Vergleich zu Muse Spark 1.2?
Laut internen Vergleichen von Meta benötigt es etwa 20 Prozent weniger Tool-Aufrufe und rund 25 Prozent weniger Tokens als Muse Spark 1.2 bei vergleichbaren agentischen und Coding-Aufgaben. Diese Angaben stammen nicht aus unabhängigen Tests Dritter.
Verwandte Modelle
Muse Ember
Metamuse-emberMuse Ember ist Metas kleinstes und effizientestes Modell der Muse-Familie für hochvolumige Agenten-Workflows mit 1 Million Token Kontext.
Kontext
1.049M
Max. Ausgabe
943.718K
Eingabe-Token
$0.1 / 1M Token
Ausgabe-Token
$0.5 / 1M Token
Muse Wonder
Metamuse-wonderMeta stellt Muse Wonder vor, ein agentisches Modell mit 1.048.576 Tokens Kontext für Coding und mehrstufige Aufgaben.
Kontext
1.049M
Max. Ausgabe
943.718K
Eingabe-Token
$4 / 1M Token
Ausgabe-Token
$20 / 1M Token