Muse Spark 1.3 Contributor API
Muse Spark 1.3 Contributor نسخهای مقرونبهصرفه از مدل استدلالی Meta با پنجره زمینه یکمیلیونتوکنی است که برای کارهای عاملی و برنامهنویسی بلندمدت طراحی شده است.
Muse Spark 1.3 Contributor نسخهای تخفیفخورده از مدل استاندارد Muse Spark 1.3 از خانواده Muse Spark است که در ۸ آوریل ۲۰۲۶ بهعنوان جانشین خط Llama معرفی شد. این مدل متن، تصویر، ویدئو و PDF را بهعنوان ورودی میپذیرد (ورودی صوتی در نسخه ۱.۳ بهطور کامل پشتیبانی نمیشود) و فقط خروجی متنی تولید میکند. پنجره زمینه آن ۱٬۰۴۸٬۵۷۶ توکن و سقف خروجی آن ۹۴۳٬۷۱۸ توکن است. مدل استدلالی با تفکر گامبهگام است و تلاش استدلالی آن قابل تنظیم است، از جمله سطح حداکثری در رده استاندارد.
این مدل برای بارهای کاری عاملی و برنامهنویسی ساخته شده و میتواند کل یک پایگاه کد بزرگ یا تاریخچه گفتگوی چندفایلی طولانی را در یک زمینه جای دهد. از فراخوانی ابزار و توابع پشتیبانی میکند، خروجی ساختاریافته با طرحواره JSON ارائه میدهد و وظایف عاملی شامل برنامهریزی، فراخوانی ابزار، بررسی خروجیها و ادامه کار را انجام میدهد. بهعنوان عامل اصلی یا زیرعامل در جریانهای چندعاملی قابل استفاده است و در Muse Code، عامل برنامهنویسی مبتنی بر ترمینال Meta، و از طریق Meta Model API در دسترس است.
طبق مقایسههای داخلی Meta، این مدل در وظایف عاملی و برنامهنویسی همارز حدود ۲۰ درصد فراخوانی ابزار و حدود ۲۵ درصد توکن کمتر از Muse Spark 1.2 مصرف میکند. دقت استدلال زمینه بلند آن ۷۹ درصد گزارش شده که از ۸۳ درصد نسخه ۱.۲ کاهش یافته است. رده Contributor محدودیت نرخ پایینتری نسبت به رده استاندارد دارد و مستلزم اجازه دادن به Meta برای آموزش مدلهای آینده روی اعلانها و تکمیلهاست. این مدل بسته و فقط از طریق API ارائه میشود و وزنهای آن بهصورت عمومی در دسترس نیست.
بهروزرسانی:
MODEL ID
muse-spark-1.3-contributor- زمینه
- 1.049M
- حداکثر خروجی
- 943.718K
- API پیشنهادی
- messages
- ورودی
- text / image / video / file
- خروجی
- text
پلیکان این مدل را ببینید
ببینید Muse Spark 1.3 Contributor با همان درخواست چه ساخته است.
نکات برجسته
- زمینه یکمیلیونتوکنی برای پایگاه کد بزرگ
- مدل استدلالی با تفکر گامبهگام
- فراخوانی ابزار و خروجی ساختاریافته
- پشتیبانی از جریانهای چندعاملی
- ورودی متن، تصویر، ویدئو و PDF
- مقاومت بیشتر در برابر تزریق اعلان
ارائهدهندگان
قیمت API را بین ارائهدهندگان مقایسه کنید. یک ارائهدهنده را انتخاب کنید تا همه هزینهها و شرایط را ببینید.
| دسترسپذیری | ||||
|---|---|---|---|---|
| $0.1 | $0.2 | $0.002 |
آمار تاریخی بررسی زنده وضعیت نیست. نبود داده به معنی قطعی نیست.
با $10 چه میتوان خرید
- ورودی
- ۱۰۰ میلیون توکن
- خروجی
- ۵۰ میلیون توکن
برآورد بر اساس قیمتهای فعلی ورودی و خروجی، پیش از تخفیف.
بنچمارکها
- 98.5
MRCR (بازه ۲۵۶ هزار تا ۵۱۲ هزار توکن)
امتیاز؛ بالاترین امتیاز گزارششده در مجموعه مقایسه
- 98.1
MRCR (بازه ۵۱۲ هزار تا ۱ میلیون توکن)
امتیاز؛ بالاترین امتیاز گزارششده در مجموعه مقایسه
- 61
شاخص هوش Artificial Analysis
امتیاز؛ رده در دسترس مشتری؛ همتراز با GPT-5.6 Sol، Grok 4.6 و Claude Opus 5
- 79
دقت استدلال زمینه بلند
درصد؛ کاهش از ۸۳ درصد در نسخه ۱.۲
امتیازها همانگونه که ارائهدهنده مدل منتشر کرده است.
استدلال
- سطح تلاش پیشفرض
- medium
- 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.
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"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-spark-1.3-contributorاین 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-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());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.
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-spark-1.3-contributor",
"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.
Messages
پیامهای سازگار با Anthropic برای کلاینتهای به سبک Claude.
POST
https://openapi.felo.ai/api/v1/messagesپارامترها
modelstringmuse-spark-1.3-contributorشناسه 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 Spark 1.3 Contributor?
Muse Spark 1.3 Contributor نسخهای تخفیفخورده از مدل استاندارد Muse Spark 1.3 از خانواده Muse Spark است که در ۸ آوریل ۲۰۲۶ بهعنوان جانشین خط Llama معرفی شد. این مدل متن، تصویر، ویدئو و PDF را بهعنوان ورودی میپذیرد (ورودی صوتی در نسخه ۱.۳ بهطور کامل پشتیبانی نمیشود) و فقط خروجی متنی تولید میکند. پنجره زمینه آن ۱٬۰۴۸٬۵۷۶ توکن و سقف خروجی آن ۹۴۳٬۷۱۸ توکن است. مدل استدلالی با تفکر گامبهگام است و تلاش استدلالی آن قابل تنظیم است، از جمله سطح حداکثری در رده استاندارد. این مدل برای بارهای کاری عاملی و برنامهنویسی ساخته شده و میتواند کل یک پایگاه کد بزرگ یا تاریخچه گفتگوی چندفایلی طولانی را در یک زمینه جای دهد. از فراخوانی ابزار و توابع پشتیبانی میکند، خروجی ساختاریافته با طرحواره JSON ارائه میدهد و وظایف عاملی شامل برنامهریزی، فراخوانی ابزار، بررسی خروجیها و ادامه کار را انجام میدهد. بهعنوان عامل اصلی یا زیرعامل در جریانهای چندعاملی قابل استفاده است و در Muse Code، عامل برنامهنویسی مبتنی بر ترمینال Meta، و از طریق Meta Model API در دسترس است. طبق مقایسههای داخلی Meta، این مدل در وظایف عاملی و برنامهنویسی همارز حدود ۲۰ درصد فراخوانی ابزار و حدود ۲۵ درصد توکن کمتر از Muse Spark 1.2 مصرف میکند. دقت استدلال زمینه بلند آن ۷۹ درصد گزارش شده که از ۸۳ درصد نسخه ۱.۲ کاهش یافته است. رده Contributor محدودیت نرخ پایینتری نسبت به رده استاندارد دارد و مستلزم اجازه دادن به Meta برای آموزش مدلهای آینده روی اعلانها و تکمیلهاست. این مدل بسته و فقط از طریق API ارائه میشود و وزنهای آن بهصورت عمومی در دسترس نیست.
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.
چه ورودیهایی پشتیبانی میشود؟
این مدل ورودی متن، تصویر، ویدئو و PDF را میپذیرد. ورودی صوتی در نسخه ۱.۳ بهطور کامل پشتیبانی نمیشود. خروجی فقط متنی است.
طول زمینه و سقف خروجی چقدر است؟
پنجره زمینه ۱٬۰۴۸٬۵۷۶ توکن و سقف خروجی ۹۴۳٬۷۱۸ توکن است. این ظرفیت برای نگهداشتن کل یک پایگاه کد بزرگ یا تاریخچه گفتگوی طولانی در یک زمینه کافی است.
این مدل برای چه وظایفی مناسب است؟
برای بارهای کاری عاملی و برنامهنویسی، وظایف برنامهنویسی بلندمدت، استدلال در مقیاس مخزن، عاملهای متکی به اسناد و وظایف چندمرحلهای که نیاز به پیگیری زمینه و نتایج قبلی دارند.
تفاوت رده Contributor با مدل استاندارد چیست؟
رده Contributor نسخهای تخفیفخورده از Muse Spark 1.3 استاندارد است و محدودیت نرخ پایینتری دارد. همچنین برای آموزش مدلهای آینده Meta روی اعلانها و تکمیلها نیاز به اجازه دارد.
آیا از فراخوانی ابزار و خروجی ساختاریافته پشتیبانی میکند؟
بله، فراخوانی ابزار و توابع از طریق پارامترهای tools و tool_choice پشتیبانی میشود. خروجی ساختاریافته نیز از طریق طرحواره JSON در پارامتر response_format ارائه میشود.
مدلهای مرتبط
Muse Ember
Metamuse-emberMuse 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.
زمینه
1.049M
حداکثر خروجی
943.718K
توکنهای ورودی
$0.1 / 1M توکن
توکنهای خروجی
$0.5 / 1M توکن
Muse Wonder
Metamuse-wonderMuse Wonder مدل پیشروی متا با پنجره زمینه ۱٬۰۴۸٬۵۷۶ توکن است که ورودی متن، تصویر، ویدئو، صدا و PDF را میپذیرد و برای گردشکارهای عاملی، کدنویسی و پردازش اطلاعات پیچیده طراحی شده است.
زمینه
1.049M
حداکثر خروجی
943.718K
توکنهای ورودی
$4 / 1M توکن
توکنهای خروجی
$20 / 1M توکن