Muse Spark 1.2 Contributor nedir? Veri politikası ve standart katman

Contributor seçimi neyi değiştirir?

Muse Spark 1.2 Contributor, LLMTR dokümantasyonunda standart Muse Spark 1.2 ile aynı checkpoint'i kullanan, veri kullanım koşulları farklı bir hizmet katmanı olarak tanımlanır. Contributor'a gönderilen istemler ve alınan yanıtlar Meta modellerinin eğitiminde kullanılabilir. Bu nedenle gizli, kişisel veya müşteri verisini bu katmana göndermeyin; model kimliğini seçmeden önce verinin uygunluğuna karar verin.

Meta'nın 5 Ağustos 2026 duyurusu Muse Spark 1.2'nin Muse Code ve Meta Model API üzerinden sunulduğunu doğrular. Contributor veri uyarısı burada LLMTR rehberine dayanır. 28 Ağustos 2026 kontrolünde Meta'nın model, fiyat ve sözleşme sayfaları giriş istedi; hesap koşullarının tamamı bağımsız olarak doğrulanamadı.

Göndereceğiniz malzemeyi önce sınıflandırın

Bir dosyanın erişilebilir olması, içeriğinin bu kullanım için uygun olduğunu tek başına göstermez. Açık bir depoda kişisel e-posta adresi; bir örnek günlükte gerçek erişim belirteci bulunabilir. Aşağıdaki tablo bir uygulama kontrol listesidir, hukuki uygunluk kararı değildir. Kaynak ve kullanım izni belirsizse isteği durdurun.

Standart katman hangi soruları açık bırakır?

LLMTR rehberi standart meta/muse-spark-1.2 için eğitimde kullanılmayan veri politikasını belirtir. Bu ifade tek başına sıfır saklama, belirli bir ülkede işleme veya tüm kurumsal gereksinimlere uygunluk garantisi değildir. Hassas iş için standart katmanı değerlendirmek, gerekli hesap ve sözleşme incelemesini ortadan kaldırmaz.

İncelemede eğitim kullanımını, saklama süresini, silme sürecini ve işleme konumunu ayrı sorular olarak ele alın. LLMTR üzerinden erişiyorsanız hem LLMTR'nin hem sağlayıcının ilgili koşullarını kontrol edin. Aynı checkpoint de iki çağrının birebir aynı yanıtı vereceği anlamına gelmez; katman değişiminde görev doğruluğunu ayrıca değerlendirin.

Veri sınırı ilk mesajdan daha geniştir

Bir uygulama ilk mesajı temiz tutarken sonraki turda müşteri belgesi ekleyebilir. Özellikle belge araması ve araç kullanan akışlarda, dışarı gönderilecek son istek gövdesini oluşturan bütün kaynakları tanımlayın. Başka bir modelin ürettiği özet de kaynak metindeki hassas ayrıntıları taşıyabilir; otomatik olarak güvenli sayılmaz.

• Sohbet geçmişini, sistem talimatlarını, ekleri ve araç sonuçlarını aynı veri kontrolünden geçirin.
• Contributor denemelerini üretim veri kaynaklarına erişemeyen ayrı bir çalışma alanında tutun.
• Eksik veri etiketi veya bilinmeyen kaynak varsa gönderimi durdurun; yalnızca modelin kendi değerlendirmesine güvenmeyin.
• Hata sonrası tekrar deneme ve model değiştirme yollarının aynı veri kararını koruduğunu test edin.

Hassas veri içermeyen sabit bir ilk çağrı

Uyarı: Bu örnekteki Contributor katmanında istemler ve yanıtlar Meta eğitimi için kullanılabilir. Gizli, kişisel veya müşteri verisi eklemeyin. Örnek yalnızca elle yazılmış genel bir soru gönderir; dosya, geçmiş veya araç çıktısı toplamaz. Bu sınır, gerçek uygulamada ayrıca uygulanmalıdır.

LLMTR_BASE_URL değişkenini /v1 ile biten tam LLMTR API taban adresine, LLMTR_API_KEY değişkenini LLMTR anahtarınıza ayarlayın. Doğrudan Meta anahtarı kullanılmaz. Python standart kütüphanesiyle verilen örnek çalıştırıldığında gerçek bir istek gönderir ve ücret doğurabilir; bu yazı hazırlanırken çalıştırılmadı. Yanıt içeriği günlüğe yazılmaz.

Yalnızca sabit, hassas olmayan bir soruyla LLMTR Chat Completions çağrısı

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

base_url = os.environ["LLMTR_BASE_URL"].rstrip("/")
api_key = os.environ["LLMTR_API_KEY"]
payload = {
    "model": "meta/muse-spark-1.2-contributor",
    "messages": [{
        "role": "user",
        "content": "Birim testinin neyi kontrol ettiğini iki cümleyle açıkla."
    }],
    "reasoning_effort": "minimal",
    "max_tokens": 2048
}
request = Request(
    f"{base_url}/chat/completions",
    data=json.dumps(payload).encode("utf-8"),
    headers={
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    },
    method="POST"
)
with urlopen(request, timeout=120) as response:
    result = json.load(response)
# İstem veya yanıt içeriğini günlüğe yazmayın.

Kararı kaydedin, içeriği kaydetmeyin

Ekip için kısa bir karar kaydı tutun: izin verilen veri türü, seçilen model kimliği, kontrol tarihi ve karardan sorumlu kişi. Operasyonel kayıtta gerektiğinde durum kodu, süre ve token sayısı bulunabilir; istem, yanıt, müşteri içeriği ve anahtar bulunmamalıdır.

Yeni veri kaynağı eklendiğinde veya hizmet koşulları değiştiğinde kararı yeniden değerlendirin. Yanlış içerik gönderildiğinden şüphelenirseniz ilgili akışı durdurun ve kurumunuzun olay sürecini başlatın. Modeli sonradan değiştirmek önceki gönderimi geri almaz; sağlayıcının doğrulanmamış bir silme işlemini gerçekleşmiş saymayın.

Sık sorulan sorular

Müşteri isimlerini silmek Contributor için yeterli mi?

Hayır. Destek geçmişi, sipariş ayrıntısı veya nadir bir olay kişiyi ya da müşteriyi yine belirlenebilir kılabilir. İsimleri çıkarmak müşteri verisini otomatik olarak uygun malzemeye dönüştürmez. Gerçek kayıtlardan bağımsız hazırlanmış örnekleri kullanın.

Standart katman bütün gizlilik gereksinimlerini karşılar mı?

Bunu yalnızca model adından çıkaramazsınız. Eğitim kullanımı dışındaki saklama, silme, erişim ve bölgesel işleme koşullarını ihtiyacınıza göre kontrol edin. Gerektiğinde kurumunuzun güvenlik ve hukuk sorumlularından değerlendirme alın.

Contributor verisi kaç gün saklanır?

Bu yazıda doğrulanmış bir gün sayısı verilmiyor. Meta'nın ilgili sayfaları 28 Ağustos 2026 kontrolünde giriş istedi. Hesabınıza ve hizmet katmanınıza uygulanan güncel koşulları incelemeden saklama ya da silme süresi varsaymayın.

İlgili yazılar

• Muse Spark 1.2 Contributor maliyeti: cache ve reasoning hesabı
• muse-spark-1.2-contributor: LLMTR model kimliği ve endpoint

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