Meta Muse Spark

Muse Spark, Meta'nin kodlama ve ajan akislari icin ayarlanmis reasoning modelidir. Uc kimlik de ayni aileyi sunar, 1.048.576 tokenlik bir baglam penceresi ve ayni yetenek kumesiyle; aralarindaki fark checkpoint ve katmandir. /v1/chat/completions uzerinden cagrilirlar.

Model	Baglam	Input / Cache Read / Output ($/1M)	Katman
meta/muse-spark-1.2	1M	1.25 / 0.15 / 4.25	Standart
meta/muse-spark-1.1	1M	1.25 / 0.15 / 4.25	Standart
meta/muse-spark-1.2-contributor	1M	0.10 / 0.002 / 0.20	Contributor

muse-spark-1.2 guncel checkpoint'tir ve yeni islerde varsayilan tercihtir. muse-spark-1.1 onceki checkpoint'tir; ayni fiyattan calisir ve davranisini sabitlemek isteyen, ciktisi dogrulanmis akislar icindir.

curl "$LLMTR_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer llmtr-your_key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-1.2",
    "messages": [
      { "role": "user", "content": "Bu fonksiyondaki hatayi bul." }
    ],
    "max_tokens": 2048
  }'

Contributor katmani ve veri politikasi

meta/muse-spark-1.2-contributor, muse-spark-1.2 ile ayni checkpointtir. Girdide 12 kat, ciktida 21 kat daha ucuzdur. Bunun karsiligi sudur:

Bu modele gonderdiginiz istemler ve aldiginiz yanitlar Meta tarafindan gelecek modellerin egitiminde kullanilir.

Gizli, kisisel veri veya musteri verisi iceren istekleri bu modele gondermeyin; standart katmandaki meta/muse-spark-1.2 ayni yanitlari verir ve egitim icin kullanilmaz. Contributor katmani prototip, yuk testi ve entegrasyon denemeleri gibi verisi hassas olmayan isler icindir.

Ayrica bu katmanin saglayici tarafindaki hiz limiti dusuktur ve LLMTR kullanicilari arasinda paylasilir, bu yuzden yuksek hacimli uretim trafigi icin uygun degildir.

Reasoning effort

Muse Spark her istekte yanit oncesi dusunur ve reasoning kapatilamaz. Dusunme eforunu reasoning_effort alani ile ayarlarsiniz; gecerli degerler bes seviyedir: minimal, low, medium, high, xhigh.

reasoning_effort: "none" bu modelde desteklenmez ve 400 ile reddedilir. Reasoning'i tamamen kapatmaniz gereken bir is varsa reasoning'siz bir model secin.

Efor, model kimligine suffix olarak da verilebilir:

meta/muse-spark-1.2          -> varsayilan
meta/muse-spark-1.2:minimal  -> en dusuk efor
meta/muse-spark-1.2:high     -> yuksek efor
meta/muse-spark-1.2:xhigh    -> en yuksek efor

curl "$LLMTR_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer llmtr-your_key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-1.2",
    "messages": [{ "role": "user", "content": "17 * 23 kac eder?" }],
    "reasoning_effort": "minimal",
    "max_tokens": 512
  }'

Reasoning tokenlari completion_tokens icinde doner ve cikti olarak ucretlendirilir. Pratik sonucu: max_tokens cok dusuk verilirse butce reasoning asamasinda tukenebilir ve content bos, finish_reason length doner. Kisa yanitlarda bile max_tokens degerini rahat tutun. Ayrinti icin Reasoning Effort sayfasina bakin.

Multimodal girdi

Muse Spark metin disinda gorsel, video ve PDF kabul eder. Ses girdisi desteklenmez; ses iceren istekler 400 ile reddedilir.

Gorsel hem base64 veri URL'si hem de uzak https URL'si olarak verilebilir:

curl "$LLMTR_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer llmtr-your_key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-1.2",
    "messages": [{
      "role": "user",
      "content": [
        { "type": "text", "text": "Bu ekran goruntusunde ne var?" },
        { "type": "image_url", "image_url": { "url": "data:image/png;base64,iVBORw0KG..." } }
      ]
    }],
    "max_tokens": 1024
  }'

Uzak URL kullanirken kaynak sunucunun istegi reddetmedigine dikkat edin: saglayici gorseli kendisi indirir ve indirme basarisiz olursa failed to download media mesajiyla 400 doner. Erisimi kisitli bir kaynakta base64 tercih edin.

Video icin video_url, PDF icin file icerik parcasi kullanilir.

Arac cagrisi

Muse Spark arac/fonksiyon cagrisini destekler; tools dizisini standart OpenAI formatinda verirsiniz ve model gerektiginde tool_calls dondurur.

Onemli kisit: bu model yalnizca tool_choice: "auto" kabul eder. "required", "none" ve isimli fonksiyon secimi desteklenmez; LLMTR bu istekleri saglayiciya gondermeden 400 ile reddeder.

• Modelin arac cagirip cagirmayacagina kendisinin karar vermesini istiyorsaniz tool_choice alanini hic gondermeyin.
• Bir turda arac cagrilmasini istemiyorsaniz tools dizisini o istekte hic gondermeyin.

curl "$LLMTR_BASE_URL/v1/chat/completions" \
  -H "Authorization: Bearer llmtr-your_key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-1.2",
    "messages": [{ "role": "user", "content": "Istanbul hava durumu ne?" }],
    "tools": [{
      "type": "function",
      "function": {
        "name": "get_weather",
        "description": "Verilen sehir icin guncel hava durumunu dondurur.",
        "parameters": {
          "type": "object",
          "properties": { "location": { "type": "string" } },
          "required": ["location"]
        }
      }
    }]
  }'

Genel akis icin Tool Calling sayfasina bakin.

Yapilandirilmis cikti

Muse Spark hem response_format: { "type": "json_object" } ile JSON nesnesi hem de json_schema ile semaya uyan yapilandirilmis cikti uretir. Sema gercekten zorlanir; donen nesne tanimladiginiz alanlari tasir.

Prompt cache

Ayni onek tekrar gonderildiginde saglayici prompt cache uygulayabilir ve cache'lenen tokenlar usage.prompt_tokens_details.cached_tokens alaninda raporlanir. Bu tokenlar tam input yerine cache read fiyatindan faturalanir.

Cache isabeti garanti degildir: ayni istek pes pese gonderildiginde bile bazi cagrilarda isabet olusmayabilir. Maliyet planlamasi yaparken cache'i bir indirim olarak dusunun, sabit bir kazanc olarak degil.

Baglam penceresi

Uc model de 1.048.576 tokenlik baglam sunar. Input tokenlari ile max_tokens ayni butceyi paylasir, bu yuzden max_tokens degerini pencerenin tamami olarak vermeyin. Toplam siniri asan istekler 400 doner.