Cómo usar Muse Spark 1.2 Contributor con LLMTR

Respuesta corta: usar Muse Spark 1.2 Contributor

LLMTR (llmtr.com) es una pasarela que da acceso a modelos de lenguaje alojados en Turquía y en proveedores globales a través de una única API compatible con OpenAI. Para usar Muse Spark 1.2 Contributor, envía una petición POST a https://llmtr.com/v1/chat/completions, usa el identificador meta/muse-spark-1.2-contributor y autentica la llamada con tu clave de LLMTR en llmtr.com.

El ejemplo usa reasoning_effort low y max_tokens 2000. La respuesta sigue el formato de chat completions compatible con OpenAI. Antes de integrarlo, revisa el uso de datos: Meta usa prompts y finalizaciones para entrenar futuros modelos; para datos sensibles, cambia al modelo standard meta/muse-spark-1.2.

Cómo usar Muse Spark 1.2 Contributor

Usa POST https://llmtr.com/v1/chat/completions con meta/muse-spark-1.2-contributor y tu clave de API. Según el catálogo del 2026-10-06, el modelo cuesta 0,10 $ por 1M tokens de entrada, 0,20 $ por 1M de salida y 0,002 $ por 1M de lectura de caché; su contexto es de 1.048.576 tokens.

Puedes integrarlo con cualquier SDK compatible con OpenAI: define base_url como https://llmtr.com/v1 y api_key con tu clave de LLMTR. El cuerpo conserva model, messages, reasoning_effort y max_tokens, por lo que la diferencia de conexión se limita al transporte, la autenticación y la lectura de la respuesta.

Primera solicitud con curl

El bloque de curl mostrado envía meta/muse-spark-1.2-contributor como contenido de un mensaje user. La cabecera Authorization usa LLMTR_API_KEY y Content-Type indica JSON. Los parámetros reasoning_effort low y max_tokens 2000 forman la configuración del ejemplo; sustituye el texto por el tuyo sin cambiar el endpoint.

Este bloque de curl muestra una llamada completa con autenticación, modelo, razonamiento low y max_tokens 2000.

curl https://llmtr.com/v1/chat/completions \
  -H "Authorization: Bearer $LLMTR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta/muse-spark-1.2-contributor",
    "messages": [
      {"role": "user", "content": "Write three unit test cases for a function that validates email addresses."}
    ],
    "reasoning_effort": "low",
    "max_tokens": 2000
  }'

La misma llamada con el SDK de Python de OpenAI

En Python, el bloque usa OpenAI con base_url https://llmtr.com/v1 y api_key leído desde LLMTR_API_KEY. Frente a la llamada curl, solo cambian base_url y api_key: model, messages, reasoning_effort y max_tokens siguen iguales. El objeto devuelto mantiene choices y usage para leer la respuesta y su consumo.

response.usage.completion_tokens incluye los tokens de razonamiento y los tokens de salida. El ejemplo imprime ese valor, y esos tokens se cobran al precio de salida, no al de entrada. La lectura permite registrar el consumo de completion_tokens en tu integración si lo necesitas.

Este bloque usa OpenAI Python para ejecutar la misma configuración y mostrar el consumo.

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-1.2-contributor",
    messages=[{"role": "user", "content": "Write three unit test cases for a function that validates email addresses."}],
    reasoning_effort="low",
    max_tokens=2000,
)
print(response.choices[0].message.content)
# completion_tokens includes reasoning tokens and is billed at the output price.
print(response.usage.completion_tokens)

Parámetros y límites que importan

El razonamiento está siempre activo y no admite none. reasoning_effort acepta minimal, low, medium, high y xhigh; los niveles superiores producen más tokens de razonamiento. Por eso, fija max_tokens lo bastante alto para reservar espacio tanto para el razonamiento como para la respuesta final.

El modelo acepta texto, imagen, vídeo y documento. También admite llamada a funciones mediante tools, modo JSON y salidas estructuradas mediante response_format, además de prompt caching. El contexto de 1.048.576 tokens se aplica a la solicitud, y estas capacidades usan el mismo endpoint.

El modelo se sirve únicamente en /v1/chat/completions y no está disponible en /v1/responses. El nivel Contributor tiene un límite de frecuencia inferior al de standard. Si recibes 429, implementa reintentos con backoff para no insistir de inmediato y permitir que el servicio vuelva a estar disponible.

En Contributor, Meta usa los prompts y las finalizaciones para entrenar futuros modelos. No envíes datos personales, datos de clientes ni código confidencial. Para esos datos, cambia únicamente el model string a meta/muse-spark-1.2: el nivel standard cuesta 1,25 $ por 1M tokens de entrada y 4,25 $ por 1M de salida, mantiene el mismo checkpoint y la misma forma de solicitud.

El ejemplo de coste usa 1.000 solicitudes x 1.500 tokens de entrada y 600 de salida, con razonamiento incluido. Supone 1,5M de entrada, que cuesta 0,15 $, y 0,6M de salida, que cuesta 0,12 $. El total es 0,27 $ por las 1.000 solicitudes.

• Meta, Muse Spark models · 2026-10-06

Empezar en LLMTR: cuenta, crédito, clave y primera solicitud

Paso 1: crea una cuenta en llmtr.com y verifica tu correo electrónico. Paso 2: recarga crédito desde el Dashboard mediante el checkout seguro. El margen de plataforma del 8% se añade una sola vez sobre la cantidad solicitada: una recarga de 10,00 $ se cobra 10,80 $. El margen no se añade a esos precios; cada llamada se cobra al precio de catálogo.

Paso 3: crea una API key en Dashboard > API Keys. La clave en claro se muestra solo una vez; guárdala como LLMTR_API_KEY. Paso 4: envía la primera solicitud a https://llmtr.com/v1 con cualquier SDK compatible con OpenAI, cambiando solo base_url y api_key. El Dashboard muestra el uso y el gasto por clave. La misma clave y el mismo saldo sirven para todo el catálogo: cambia solo el model string para usar otro modelo.

Usar meta/muse-spark-1.2-contributor con la API de LLMTR

Crea una cuenta, recarga crédito, genera una API key y envía la primera solicitud de chat completions.

1. Crea la cuenta. Regístrate en llmtr.com y verifica tu correo electrónico.
2. Recarga crédito. Abre el Dashboard y usa el checkout seguro. El margen del 8% se añade una vez; una recarga de 10,00 $ se cobra 10,80 $.
3. Crea la API key. Abre Dashboard > API Keys, genera una clave y guárdala como LLMTR_API_KEY porque el valor en claro solo se muestra una vez.
4. Envía la primera solicitud. Envía POST https://llmtr.com/v1/chat/completions con model meta/muse-spark-1.2-contributor y la clave de LLMTR.

Frequently asked questions

¿Cuál es el model id de Muse Spark 1.2 Contributor?

Es meta/muse-spark-1.2-contributor; envía ese valor como model.

¿Puedo desactivar el razonamiento?

No. El nivel mínimo es minimal; no existe none.

¿Funciona con el SDK de Python de OpenAI?

Sí. Usa base_url=https://llmtr.com/v1 y api_key de LLMTR.

Artículos relacionados

• Inicio rápido
• Claves de API
• Modelo Muse Spark 1.2 Contributor
• Precios