Muse Spark Open API: OpenAI SDK ile kullanım ve fiyat

Kısa yanıt: kimlik meta/muse-spark-open, adres https://llmtr.com/v1

LLMTR (llmtr.com), farklı sağlayıcıların dil modellerine tek bir OpenAI uyumlu API ile erişim veren bir gateway'dir. Meta'nın Muse Spark Open modelini burada meta/muse-spark-open kimliğiyle, https://llmtr.com/v1 adresindeki /v1/chat/completions uç noktası üzerinden çağırırsınız. Mevcut bir OpenAI istemcisinde yalnızca base_url, API anahtarı ve model adı değişir.

Meta, Muse Spark Open'ı 15 Ekim 2026'da Muse Model License ile açık ağırlıklı olarak yayımladı. Meta'nın duyurusuna ve model kartına göre toplam 816 milyar, token başına yaklaşık 42 milyar aktif parametreli bir uzman karışımı (MoE) modelidir ve kodlama ile ajan işleri için eğitilmiştir: kod tabanını okur, kod yazar ve hata ayıklar, çok adımlı iş akışlarında araç çağırır. Metnin yanında görsel, video ve ses girdisi alır, metin üretir. LLMTR'de bağlam penceresi 1.048.576 token'dır.

• Meta, Build with Muse Spark Open · 2026-10-17
• Meta, Muse Spark Open model kartı · 2026-10-17

Muse Spark Open API'si nasıl kullanılır?

LLMTR'de bir API anahtarı oluşturun, OpenAI istemcisinin base_url değerini https://llmtr.com/v1 yapın ve model olarak meta/muse-spark-open yazın. Aşağıdaki Python örneği kısa bir fonksiyondaki hatayı sorar ve reasoning_effort değerini medium olarak gönderir. Cevap content alanında, modelin düşünme izi reasoning_content alanında, token sayıları usage içinde gelir. Node.js, Go ya da curl kullanan uygulamalarda yol aynıdır: istek gövdesi OpenAI Chat Completions biçimindedir.

Model her yanıttan önce düşünür. Düşünme token'ları completion_tokens içinde sayılır, çıktı fiyatından faturalanır ve max_tokens bütçesinden düşer; bu yüzden kısa bir cevap beklediğinizde de bütçeyi birkaç bin token tutun. finish_reason değeri length olan yanıt tamamlanmamıştır: max_tokens değerini yükseltin ya da daha düşük bir düzey seçin. Akış için stream: true gönderin; stream_options içinde include_usage: true verirseniz usage son parçada gelir, düşünme izi ise delta.reasoning_content alanında akar.

OpenAI Python SDK ile meta/muse-spark-open çağrısı; cevap, düşünme izi ve token kullanımı ayrı ayrı yazdırılır.

import os

from openai import OpenAI

client = OpenAI(base_url="https://llmtr.com/v1", api_key=os.environ["LLMTR_API_KEY"])

response = client.chat.completions.create(
    model="meta/muse-spark-open",
    messages=[
        {"role": "system", "content": "You are a senior software engineer."},
        {"role": "user", "content": "Find the bug and suggest a fix: def mean(xs): return sum(xs) / len(xs) - 1"},
    ],
    reasoning_effort="medium",
    max_tokens=4096,
)
message = response.choices[0].message
print(message.content)
print(getattr(message, "reasoning_content", None))
print(response.usage)

Muse Spark Open fiyatı, bağlamı ve yetenekleri

Fiyat 1 milyon token başına girdi için 1,25 $, önbellekten okunan girdi için 0,15 $, çıktı için 4,25 $'dır. Görsel, video ve ses token'ları prompt_tokens içinde sayılır ve girdi fiyatından faturalanır. Her istek, işlendiği andaki katalog fiyatıyla bakiyenizden düşülür.

Örnek hesap: 20.000 token'lık bir istemin 15.000 token'ı önbellekten okunsun ve yanıt, düşünme dahil 3.000 token olsun. Tutar (5.000 x 1,25 $ + 15.000 x 0,15 $ + 3.000 x 4,25 $) / 1 milyon = 0,02125 $'dır. Aynı istem önbelleğe hiç denk gelmeseydi girdi tarafı 20.000 x 1,25 $ / 1 milyon = 0,025 $ tutardı. Uzun ve sabit bir sistem istemini her turda yeniden gönderen ajan döngülerinde bu fark tur sayısıyla birlikte büyür.

LLMTR'deki model kartı araç çağırma, JSON modu, yapılandırılmış çıktı ve istem önbelleğini listeler. Kartın veri notu şudur: bu model üçüncü taraf bir sağlayıcı üzerinden sunulur.

Düşünme düzeyi: dört seçenek, kapatma yok

reasoning_effort alanı low, medium, high ve xhigh değerlerini alır. Aynı düzeyi model kimliğine sonek ekleyerek de verebilirsiniz: meta/muse-spark-open:low gibi. Alanı göndermezseniz istek düzeysiz gider ve model kendi varsayılanıyla, yüksek bir eforla düşünür; Meta'nın model kartı bu varsayılanı xhigh olarak verir. Daha kısa ve daha ucuz yanıtlar için low ya da medium gönderin.

max değeri xhigh olarak uygulanır. none ve minimal 400 invalid_request döndürür ve hata mesajı kabul edilen dört düzeyi listeler. Düşünme kapatılamaz: "reasoning": false ya da "reasoning": {"enabled": false} göndermek de 400 alır ve mesaj en az düşünme için low düzeyini önerir. include_reasoning bu modelde desteklenmez; düşünme izini gizlemek için bu alana güvenmeyin. Düzey seçimi ve maliyete etkisi bu serinin ayrı bir yazısında ele alınıyor.

Araç çağırma ve JSON çıktı

Model kartı araç çağırmayı listeler. tools dizisini standart OpenAI biçiminde gönderin; model bir araç çağırmak istediğinde yanıt tool_calls alanını taşır. Aracı kendi kodunuzda çalıştırıp sonucu role: tool mesajıyla geri verdiğinizde model cevabını tamamlar. LLMTR bu modelde tool_choice alanının auto, required, none ve isimli fonksiyon biçimlerini kabul eder.

JSON için response_format alanına json_object ya da şemayla birlikte json_schema verin; LLMTR'deki model kartı JSON modunu ve yapılandırılmış çıktıyı da listeler. Aşağıdaki curl isteği get_weather adlı bir aracı tanımlar, kararı modele bırakır ve araç kararı gibi kısa işlerde düşünmeyi low düzeyinde tutar.

get_weather aracını tanımlayan ve tool_choice auto ile gönderilen curl isteği.

curl https://llmtr.com/v1/chat/completions \
  -H "Authorization: Bearer $LLMTR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-open",
    "reasoning_effort": "low",
    "max_tokens": 2048,
    "messages": [
      {"role": "user", "content": "What is the weather in Istanbul right now?"}
    ],
    "tools": [
      {
        "type": "function",
        "function": {
          "name": "get_weather",
          "description": "Get the current weather for a city",
          "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"]
          }
        }
      }
    ],
    "tool_choice": "auto"
  }'

Sık karşılaşılan hatalar ve başlangıç adımları

PDF gibi dosya parçaları bu modelde desteklenmez; belgenin metnini isteğe text olarak ekleyin. Bağlam penceresine istem ile max_tokens birlikte sayılır: büyük bir istemle max_tokens değerini pencerenin tamamı olarak vermeyin, toplamı 1.048.576 token'ı aşan istek reddedilir. Tekrar eden istem önekleri önbelleğe alınabilir; önbellekten okunan token sayısı usage.prompt_tokens_details.cached_tokens alanında gelir. İsabet garanti değildir; uzun ve sabit sistem istemini her istekte aynı tutun.

Başlamak için llmtr.com'da hesap açın, Dashboard > Faturalandırma'dan bakiye yükleyin ve Dashboard > API Anahtarları altında bir anahtar oluşturun. Ham anahtar yalnızca bir kez gösterilir; onu LLMTR_API_KEY ortam değişkeninde saklayın. Aynı anahtar katalogdaki diğer modellerde de çalışır.

Muse Spark Open'ı LLMTR üzerinden çağırma

Hesap açın, bakiye yükleyin, API anahtarı oluşturun ve meta/muse-spark-open ile https://llmtr.com/v1 adresine ilk isteği gönderin.

1. Hesap ve bakiye. llmtr.com'da bir hesap oluşturun ve Dashboard > Faturalandırma'dan bakiye yükleyin.
2. API anahtarı. Dashboard > API Anahtarları altında bir anahtar oluşturun ve LLMTR_API_KEY ortam değişkeninde saklayın.
3. İlk istek. OpenAI uyumlu bir SDK'da base_url değerini https://llmtr.com/v1 yapın, model olarak meta/muse-spark-open yazın ve reasoning_effort ile ilk isteği gönderin.

Sık sorulan sorular

Muse Spark Open API'sinin fiyatı ne kadar?

LLMTR'de 1 milyon token başına 1,25 $ girdi, 0,15 $ önbellekten okunan girdi ve 4,25 $ çıktı. Düşünme token'ları completion_tokens içinde sayılır ve çıktı fiyatından faturalanır.

Muse Spark Open OpenAI SDK ile kullanılabilir mi?

Evet. base_url değerini https://llmtr.com/v1 yapın, API anahtarı olarak LLMTR anahtarınızı verin ve model olarak meta/muse-spark-open yazın. İstek /v1/chat/completions uç noktasına gider.

Muse Spark Open'da düşünme kapatılabilir mi?

Hayır. Model her yanıttan önce düşünür; none, minimal ve reasoning: false 400 döndürür. En az düşünme için reasoning_effort değerini low yapın.

İlgili yazılar

• Muse Spark Open'a görsel, video ve ses gönderme
• Muse Spark Open reasoning_effort: düzey seçimi ve maliyet
• Ekim 2026'da LLMTR'ye eklenen modeller: tablo ve rehber

• Muse Spark Open model sayfası
• Muse Spark Open dokümantasyonu
• Chat Completions dokümantasyonu