Muse Spark 1.2 Contributor frente a Muse Spark 1.2

Respuesta corta: mismo checkpoint, distinto uso

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. Compara meta/muse-spark-1.2 y meta/muse-spark-1.2-contributor; cambian precio, entrenamiento y límite. POST /v1/chat/completions usa la base https://llmtr.com/v1 y responde desde llmtr.com.

En el estándar, Meta no usa prompts ni salidas para entrenamiento. En Contributor, Meta puede usarlos para entrenar futuros modelos y el límite de solicitudes es menor. Bajo tráfico intenso, la API puede responder 429 y requerir reintento con backoff; endpoint y capacidades no cambian.

Muse Spark 1.2 Contributor frente a Muse Spark 1.2: ¿qué cambia?

Contributor no es otro checkpoint: tanto Contributor como el estándar ejecutan Muse Spark 1.2. En el catálogo del 2026-10-06, el estándar cuesta 1,25 $ por cada millón de tokens de entrada y 4,25 $ por cada millón de salida; Contributor cuesta 0,10 $ y 0,20 $, respectivamente.

Ambos aceptan texto, imagen, vídeo y documento. Admiten llamada a funciones, modo JSON, salidas estructuradas y prompt caching. La elección depende de los datos, el presupuesto y el límite de solicitudes, no de funciones distintas del checkpoint.

Mismo punto de partida, capacidades, contexto y endpoint

Los dos identificadores ejecutan el mismo checkpoint Muse Spark 1.2. Ambos aceptan texto, imagen, vídeo y documento, además de llamada a funciones, modo JSON, salidas estructuradas y prompt caching. Sus capacidades declaradas son iguales; no hay diferencias funcionales en la API.

En ambos, el razonamiento está siempre activo y reasoning_effort admite minimal, low, medium, high y xhigh; no existe none. Comparten una ventana de 1.048.576 tokens y solo se sirven mediante POST en https://llmtr.com/v1/chat/completions. Cambiar de variante requiere otro identificador de modelo.

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

Qué cambia y cuánto cuesta

El catálogo del 2026-10-06 fija para el estándar 1,25 $ por millón de tokens de entrada, 4,25 $ de salida y 0,15 $ de lectura de caché. Contributor aplica 0,10 $, 0,20 $ y 0,002 $. Es 12,5 veces más barato en entrada, 21,25 en salida y 75 en caché. Los tokens de razonamiento se cuentan en completion_tokens y se cobran como salida.

La tabla calcula 21,00 $ mensuales para 10M tokens de entrada y 2M de salida con el estándar, frente a 1,40 $ con Contributor. Contributor permite que Meta use prompts y completions para entrenar futuros modelos; el estándar no. Su límite de solicitudes también es menor: bajo tráfico intenso, la API puede responder 429 y exigir reintento con backoff.

Cuál elegir según el tipo de datos

Usa meta/muse-spark-1.2 con datos personales, de clientes, código o documentos confidenciales y datos regulados. Puedes usar meta/muse-spark-1.2-contributor con contenido público, datos sintéticos, código abierto y prompts de evaluación o prueba. La razón es el entrenamiento: el estándar no usa prompts y salidas; Contributor sí.

El código devuelve Contributor cuando contains_private_data es False y el estándar cuando es True. Solo cambia model; la URL base, la clave API, el saldo y el endpoint permanecen iguales. pick_model aplica la regla sin duplicar la integración de la API.

Routing en Python que cambia únicamente el identificador model según si la solicitud contiene datos privados.

import os

from openai import OpenAI

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


def pick_model(contains_private_data: bool) -> str:
    # Contributor prompts and outputs are used by Meta for training.
    if contains_private_data:
        return "meta/muse-spark-1.2"
    return "meta/muse-spark-1.2-contributor"


response = client.chat.completions.create(
    model=pick_model(contains_private_data=False),
    messages=[{"role": "user", "content": "Summarize this public changelog in three bullets: ..."}],
    reasoning_effort="low",
)
print(response.choices[0].message.content)

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

Para empezar, crea una cuenta en llmtr.com y verifica el correo. Añade crédito desde el Dashboard con pago seguro. El margen de plataforma del 8 % se añade una vez: solicitar 10,00 $ de crédito cuesta 10,80 $. No modifica los precios del catálogo; cada llamada se descuenta al precio de su modelo.

Genera la clave en Dashboard > API Keys. La clave sin procesar aparece una vez; guárdala como LLMTR_API_KEY. Para la primera solicitud, usa https://llmtr.com/v1 con un SDK compatible con OpenAI y cambia solo base_url y api_key. El Dashboard muestra uso y gasto por clave. La misma clave y el mismo saldo sirven para todo el catálogo; cambiar de modelo solo cambia model.

Conectar Muse Spark 1.2 con la API de LLMTR

Crea tu acceso, añade crédito, genera una clave API y envía la primera solicitud a Muse Spark 1.2 mediante un SDK compatible con OpenAI.

1. Crear la cuenta. Crea una cuenta en llmtr.com y verifica tu dirección de correo electrónico.
2. Añadir crédito. Añade crédito desde el Dashboard mediante el pago seguro. El margen de plataforma del 8 % se añade una sola vez sobre la cantidad solicitada; no modifica los precios de los modelos.
3. Crear la clave API. Crea una clave en Dashboard > API Keys. La clave sin procesar solo se muestra una vez; guárdala como la variable de entorno LLMTR_API_KEY.
4. Enviar la primera solicitud. Usa https://llmtr.com/v1 con un SDK compatible con OpenAI y cambia únicamente base_url y api_key. Para completar la solicitud, envía POST a https://llmtr.com/v1/chat/completions con el identificador del modelo.

Frequently asked questions

¿Muse Spark 1.2 Contributor es un modelo diferente?

No. Comparte el checkpoint Muse Spark 1.2 y el endpoint /v1/chat/completions con el estándar. Contributor cambia precio, entrenamiento y límite de solicitudes: el catálogo del 2026-10-06 fija 0,10 $ de entrada y 0,20 $ de salida por millón de tokens. Meta usa sus prompts y completions para entrenar modelos futuros.

¿Puedo enviar datos de clientes a Muse Spark 1.2 Contributor?

No. No los envíes a Contributor. Usa meta/muse-spark-1.2 para datos personales, de clientes, código o documentos confidenciales y datos regulados. Meta no usa prompts ni completions del estándar para entrenamiento; en Contributor sí pueden usarse para entrenar futuros modelos de Meta.

¿Existe una versión Muse Spark 1.3 en LLMTR?

Sí: meta/muse-spark-1.3 y meta/muse-spark-1.3-contributor están disponibles con los mismos precios que sus pares 1.2. Los dos pares incluyen una variante estándar y una variante Contributor en LLMTR.

Artículos relacionados

• Modelo Muse Spark 1.2 Contributor
• Modelo Muse Spark 1.2
• Precios