Felo API PlatformFelo API Platform
بازگشت به مدل‌ها
Metamessages

Muse Ember API

Muse Ember کوچک‌ترین و کارآمدترین مدل خانواده Muse متا است که برای اجرای حجم بالای گردش‌کارهای عاملی، فراخوانی ابزار و وظایف کدنویسی با پنجره زمینه یک میلیون توکن طراحی شده است.

Muse Ember مدل سبک‌وزن متا است که در ۹ نوامبر ۲۰۲۶ معرفی شد و در معماری برنامه‌ریز-مجری در کنار Muse Wonder قرار می‌گیرد. متا تقسیم کار را چنین خلاصه می‌کند: «Muse Wonder برنامه‌ریزی می‌کند، Muse Ember حجم کار را انجام می‌دهد.» این مدل از ورودی متن، تصویر، صدا و ویدیو پشتیبانی می‌کند و خروجی متنی تولید می‌کند.

این مدل برای وظایف مشخص و پرتکرار عملکرد قوی دارد؛ از جمله تحلیل داده، بررسی کیفیت داده، فراخوانی ابزار، مسیریابی، استخراج اطلاعات، تجزیه اسناد طولانی و اجرای انبوه ویژگی‌های هوش مصنوعی. پنجره زمینه یک میلیون توکنی و محدودیت خروجی ۵۱۲٬۰۰۰ توکنی آن را برای پردازش اسناد بسیار طولانی و گردش‌کارهای عاملی در مقیاس بزرگ مناسب می‌کند.

از محدودیت‌های آن می‌توان به تمایل به مصرف توکن بیش از حد در پرسش‌های باز، دشواری در تشخیص الگوهای پنهان و عدم انتشار وزن‌ها و تعداد پارامترها اشاره کرد. Muse Ember از طریق Meta Model API و Muse Code با شناسه مدل muse-ember-1.0 در دسترس است.

به‌روزرسانی:

MODEL ID

muse-ember
زمینه
1.049M
حداکثر خروجی
943.718K
API پیشنهادی
messages
ورودی
text / image / video / file / audio
خروجی
text

نکات برجسته

  • کوچک‌ترین و کارآمدترین مدل خانواده Muse
  • پنجره زمینه یک میلیون توکن
  • پشتیبانی از ورودی چندوجهی
  • اجرای حجم بالای گردش‌کارهای عاملی
  • عملکرد قوی در تحلیل داده و بررسی کیفیت داده

ارائه‌دهندگان

1 ارائه‌دهنده

قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.

ارائه‌دهنده · جزئیات قیمت‌گذاری
دسترس‌پذیری
$0.1$0.5$0.004

با $10 چه می‌توان خرید

ورودی
۱۰۰ میلیون توکن
خروجی
۲۰ میلیون توکن

برآورد بر اساس قیمت‌های فعلی ورودی و خروجی، پیش از تخفیف.

بنچمارک‌ها

  • Artificial Analysis Intelligence Index

    امتیاز

    36
  • Vals Index

    درصد؛ رتبه ۱۳ از ۳۶ مدل

    60.48
  • PlotlyDataAnalyticsBench

    درصد؛ پاسخ درست به ۳۸ پرسش از ۴۳ پرسش

    88

امتیازها همان‌گونه که ارائه‌دهنده مدل منتشر کرده است.

استدلال

سطح تلاش پیش‌فرض
max
همیشه فعال
بله
سطوح تلاش موجود
max / xhigh / high / medium / low / minimal

شروع سریع

کد آماده برای فراخوانی این مدل با APIهای سازگار با Felo API Platform. وقتی می‌خواهید پرامپت‌ها را پیش از نوشتن کد آزمایش کنید، از Playground شروع کنید.

1

کلید API خود را بگیرید

از حساب Felo API Platform خود کلیدی بسازید و آن را به‌عنوان متغیر محیطی تنظیم کنید.

export FELO_API_KEY="YOUR_API_KEY"
2

اولین درخواست خود را بفرستید

این شناسه مدل را با endpoint Felo API Platform به کار ببرید. سرآیندهای اختیاری درخواست مانند X-Request-Id می‌توانند در عیب‌یابی کمک کنند.

muse-ember

این مدل توان استدلال دارد. اگر پروتکل و مسیر مدل انتخاب‌شده کنترل‌های استدلال ارائه می‌دهند، هنگام ادامه گفتگو فراداده استدلال بازگشتی را نگه دارید.

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-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());

استفاده از SDKهای شخص ثالث

از SDKهای سازگار با تنظیم baseURL روی این نشانی استفاده کنید: https://openapi.felo.ai/api/v1. برای کلاینت‌های به سبک Claude از نشانی پایه سازگار با Anthropic استفاده کنید. https://openapi.felo.ai/api.

3

جریان را فعال کنید

برای دریافت پاسخ‌ها به‌صورت رویدادهای ارسالی از سرور، stream: true را اضافه کنید.

curl -N https://openapi.felo.ai/api/v1/messages \
  -H "Authorization: Bearer $FELO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "muse-ember",
  "max_tokens": 1024,
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "stream": true
}'

Endpoint

Felo API Platform سطوح سازگار برای فراخوانی مدل ارائه می‌کند. سطحی را انتخاب کنید که برنامه یا کلاینت عامل شما از قبل پشتیبانی می‌کند.

سطحروشURL

Messages

پیام‌های سازگار با Anthropic برای کلاینت‌های به سبک Claude.

POST

https://openapi.felo.ai/api/v1/messages

پارامترها

نامنوعپیش‌فرضتوضیح
modelstringmuse-emberشناسه عمومی مدل برای فراخوانی.
max_tokensinteger—حداکثر token تولیدی.
messagesarray—پیام‌های گفتگو برای Chat Completions.
toolsarray—تعریف‌های فراخوانی ابزار بر پایه طرح‌واره سازگار.
top_k———
top_p———
reasoning———
temperaturenumber—در صورت پشتیبانی، تنوع پاسخ را کنترل می‌کند.
tool_choicestring or object—کنترل می‌کند آیا ابزاری باید فراخوانی شود.
response_formatobject—در صورت پشتیبانی، خروجی ساختاریافته درخواست می‌کند.
reasoning_effort———
include_reasoning———
repetition_penalty———
structured_outputs———

پرسش‌های متداول

معرفی مدل: Muse Ember?

Muse Ember مدل سبک‌وزن متا است که در ۹ نوامبر ۲۰۲۶ معرفی شد و در معماری برنامه‌ریز-مجری در کنار Muse Wonder قرار می‌گیرد. متا تقسیم کار را چنین خلاصه می‌کند: «Muse Wonder برنامه‌ریزی می‌کند، Muse Ember حجم کار را انجام می‌دهد.» این مدل از ورودی متن، تصویر، صدا و ویدیو پشتیبانی می‌کند و خروجی متنی تولید می‌کند. این مدل برای وظایف مشخص و پرتکرار عملکرد قوی دارد؛ از جمله تحلیل داده، بررسی کیفیت داده، فراخوانی ابزار، مسیریابی، استخراج اطلاعات، تجزیه اسناد طولانی و اجرای انبوه ویژگی‌های هوش مصنوعی. پنجره زمینه یک میلیون توکنی و محدودیت خروجی ۵۱۲٬۰۰۰ توکنی آن را برای پردازش اسناد بسیار طولانی و گردش‌کارهای عاملی در مقیاس بزرگ مناسب می‌کند. از محدودیت‌های آن می‌توان به تمایل به مصرف توکن بیش از حد در پرسش‌های باز، دشواری در تشخیص الگوهای پنهان و عدم انتشار وزن‌ها و تعداد پارامترها اشاره کرد. Muse Ember از طریق Meta Model API و Muse Code با شناسه مدل muse-ember-1.0 در دسترس است.

هزینه استفاده چگونه محاسبه می‌شود؟

صورت‌حساب شما به ارائه‌دهنده‌ای که استفاده می‌کنید، قیمت‌های آن و میزان مصرف شما بستگی دارد. ورودی‌های طولانی‌تر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.

Muse Ember از چه انواع ورودی پشتیبانی می‌کند؟

این مدل ورودی متن، تصویر، صدا و ویدیو را می‌پذیرد و فقط خروجی متنی تولید می‌کند.

طول زمینه و محدودیت خروجی Muse Ember چقدر است؟

پنجره زمینه آن یک میلیون توکن و محدودیت خروجی آن ۵۱۲٬۰۰۰ توکن است.

Muse Ember برای چه وظایفی مناسب است؟

برای اجرای حجم بالای گردش‌کارهای عاملی، فراخوانی ابزار، زیروظایف کدنویسی، مسیریابی، استخراج، تجزیه اسناد طولانی و چت‌بات‌های مبتنی بر بازیابی اطلاعات.

تفاوت Muse Ember با Muse Wonder چیست؟

Muse Ember در معماری برنامه‌ریز-مجری نقش مجری را دارد و Muse Wonder نقش برنامه‌ریز را ایفا می‌کند. متا این تقسیم کار را چنین توصیف می‌کند: «Muse Wonder برنامه‌ریزی می‌کند، Muse Ember حجم کار را انجام می‌دهد.»

چگونه می‌توان به Muse Ember دسترسی پیدا کرد؟

از طریق Meta Model API و Muse Code با شناسه مدل muse-ember-1.0.

مدل‌های مرتبط