Muse Spark Contributor prototipinden standart katmana geçiş

Önce veri kullanımını değerlendirin

Muse Spark Contributor prototipinden standart katmana geçmek için LLMTR model kimliğini meta/muse-spark-1.2-contributor yerine meta/muse-spark-1.2 yapın; bunu veri kontrolü, regresyon değerlendirmesi ve geri alma planıyla birlikte uygulayın. LLMTR kayıtları iki katmanı aynı 1.2 checkpoint’i olarak tanımlar. Aynı checkpoint, her istekte aynı yanıtın üretileceği anlamına gelmez.

Uyarı: Contributor katmanında gönderilen istemler ve alınan yanıtlar Meta model eğitiminde kullanılabilir. Gizli, kişisel veya müşteri verisini bu katmana göndermeyin. Buna sistem mesajları, araç sonuçları, konuşma geçmişi ve eklerin içeriği de dahildir; yalnız son kullanıcı mesajını temizlemek yeterli değildir.

LLMTR, standart katmanda istem ve yanıtların Meta model eğitiminde kullanılmadığını belirtir. Bu, mutlak gizlilik, sıfır saklama veya belirli bir ülkede işleme garantisi değildir. Üretim verisini açmadan önce güncel sağlayıcı şartlarını ve LLMTR üzerinden işleme koşullarını değerlendirin. Standart kimliği seçmek tek başına veri kullanım onayı vermez.

Model kimliğini yapılandırmanın parçası yapın

Model adını uygulamanın farklı dosyalarına dağıtmak yerine sürümlenen tek yapılandırmadan okuyun. Etkileşimli uygulama, arka plan çalışanları ve zamanlanmış işler aynı izin listesini kullansın. Contributor kimliğini üretim yapılandırmasında reddeden bir başlangıç kontrolü, unutulmuş bir işin yanlış katmana gitmesini önler.

Bu iki LLMTR kimliği POST /v1/chat/completions üzerinden kullanılır. Katman değiştirirken endpoint’i Responses API’ye çevirmeyin. LLMTR anahtarı ve LLMTR taban adresi kullanılır; bunları doğrudan Meta API kimlik bilgileriyle karıştırmayın.

Standart kimlikle tek bir deneme isteği hazırlayın

Aşağıdaki Python örneği yalnız standart modeli kabul eder ve sentetik bir görev gönderir. LLMTR_BASE_URL değişkenini /v1 dahil tam API taban adresiniz, LLMTR_API_KEY değişkenini LLMTR anahtarınız olarak yapılandırın. LLMTR_MODEL bu örneğin uygulama değişkenidir; verilmezse standart kimlik seçilir.

Kod istem veya yanıt metnini yazdırmaz; yalnız model, bitiş nedeni ve kullanım alanını gösterir. 2048 örnek çıktı bütçesidir, her görev için yeterlilik garantisi değildir. Örnek çalıştırılmadı; sizin çalıştırmanız ücretli bir API isteği oluşturur. Gerçek veriyi eklemeden önce veri değerlendirmesini tamamlayın.

Standart katmana sabitlenmiş, içerik kaydetmeyen deneme

import json
import os
from urllib.request import Request, urlopen

model = os.environ.get("LLMTR_MODEL", "meta/muse-spark-1.2")
if model != "meta/muse-spark-1.2":
    raise ValueError("This example requires the standard tier.")

payload = {
    "model": model,
    "messages": [{
        "role": "user",
        "content": "Synthetic task: explain why 17 * 23 equals 391."
    }],
    "reasoning_effort": "minimal",
    "max_tokens": 2048,
    "stream": False
}
request = Request(
    os.environ["LLMTR_BASE_URL"].rstrip("/") + "/chat/completions",
    data=json.dumps(payload).encode("utf-8"),
    headers={
        "Authorization": "Bearer " + os.environ["LLMTR_API_KEY"],
        "Content-Type": "application/json"
    },
    method="POST"
)
with urlopen(request, timeout=60) as response:
    result = json.load(response)
choices = result.get("choices") or []
print(json.dumps({
    "model": result.get("model"),
    "finish_reason": choices[0].get("finish_reason") if choices else None,
    "usage": result.get("usage")
}))

Regresyonu cümle eşitliğiyle ölçmeyin

Prototipte kullandığınız hassas olmayan değerlendirme setini dondurun. Standart katmanda aynı istem sürümü, araç tanımları, reasoning_effort ve çıktı bütçesiyle değerlendirin. İlk geçişte hem model kimliğini hem istemi değiştirirseniz farkın kaynağını ayırmak zorlaşır. Yanıtların kelimesi kelimesine eşitliğini değil, görevin kabul koşullarını ölçün.

Araç kullanan işlerde Muse Spark’ın yalnız tool_choice: auto kabul ettiğini koruyun; standart katmana geçmek required veya isimli seçim desteği eklemez. Araç argümanlarını uygulama tarafında doğrulayın. Gerçek yan etkileri olan işlemleri değerlendirme sırasında çalıştırmayın.

• Yanıtın istenen alanları içerdiğini ve iş kuralını sağladığını kontrol edin.
• Boş içerik, kesilmiş çıktı ve ayrıştırma hatalarını ayrı değerlendirin.
• Araç seçimini, argüman doğruluğunu ve izin kontrolünü sınayın.
• Kabul sınırlarını sonuçları görmeden önce yazın; başarısız örnekleri saklamak yerine örnek kimlikleriyle izleyin.

Trafiği kademeli açın, içeriği kaydetmeyin

Veri onayı tamamlandıktan sonra küçük bir trafik grubuyla başlayın. Model kimliği, yapılandırma sürümü, gecikme, token kullanımı, bitiş nedeni ve HTTP hata türü gibi içeriksiz ölçümleri izleyin. İstemleri, müşteri metinlerini veya araç sonuçlarını hata ayıklama amacıyla günlüklere taşımayın.

Maliyet sınırını geçişten önce belirleyin. 28 Ağustos 2026 kontrolünde Meta’nın fiyat ve limit sayfası oturum istediği için burada güncel tarife veya sabit RPM verilmez. Hesabınızda doğruladığınız fiyatlarla bütçe kurun; cache isabetini garanti gelir gibi hesaplamayın. Standart katman seçimi sınırsız kapasite veya SLA vaadi değildir.

Geri alma veri sınırını bozmamalı

Geri alma koşullarını ve sorumlusunu önceden yazın. Kritik başarısızlıkta yeni trafiği durdurun veya daha önce değerlendirilmiş standart yapılandırmaya dönün. Eski uygulama sürümünü geri yüklemek model kimliğini fark edilmeden Contributor’a çevirmemeli; üretimdeki model izin listesini ayrıca koruyun.

Kuyrukta bekleyen işleri yeniden göndermeden önce veri sınıfını ve hedef modeli kontrol edin. Otomatik Contributor yedeği oluşturmayın. Zaman aşımı yaşayan bir araçlı işlemi yeniden çalıştırmadan önce önceki yan etkinin gerçekleşip gerçekleşmediğini belirleyin. Katman değişimi, geçmişte Contributor’a gönderilmiş içeriğin işlenmesini geri almaz.

Sık sorulan sorular

Sadece model kimliğini değiştirmek yeterli mi?

İstek sözleşmesi aynı kalabilir; güvenli geçiş için veri değerlendirmesi, tüm çalışanların yapılandırması, regresyon sonuçları ve geri alma politikası da kontrol edilmelidir.

Aynı checkpoint neden aynı yanıtı garanti etmiyor?

Checkpoint eşitliği, üretimin deterministik olduğunu söylemez. İstek ayarları, konuşma bağlamı ve üretim değişkenliği yanıtı etkileyebilir; değerlendirmeyi görev sonucuna göre yapın.

Standart katman hata verirse Contributor’a dönebilir miyim?

Müşteri, kişisel veya gizli veri içeren üretim isteğini Contributor’a yönlendirmeyin. Trafiği durdurmak veya önceden onaylanmış standart bir yapılandırmaya dönmek için açık bir prosedür kullanın.

İlgili yazılar

• Muse Spark Contributor için hassas veri içermeyen değerlendirme seti
• muse-spark-1.2-contributor: LLMTR model kimliği ve endpoint
• Muse Spark 1.2 Contributor nedir? Veri politikası ve standart katman

• meta/muse-spark-1.2-contributor
• meta/muse-spark-1.2
• Model kataloğu
• Gateway dokümantasyonu
• OpenAI / OpenRouter