Muse Spark 1.1 ist das multimodale Reasoning-Modell von Meta, entwickelt für agentische Aufgaben. Es akzeptiert eine ungewöhnlich breite Palette von Eingaben – Text, Bilder, Video, Audio und PDF-Dokumente – und gibt Text aus, wobei es nativ über Modalitäten hinweg innerhalb eines 1M-Token-Kontextfensters argumentiert. Es unterstützt konfigurierbare Reasoning-Anstrengung und natives Tool-Calling, was es ideal für multimodale Agenten, tiefgehende Recherchen über gemischte Medien und Langkontext-Analysen macht. Dank effizienter Inferenz und einer breiten Eingabeoberfläche zielt Muse Spark 1.1 auf Workloads ab, die Dokumente, Screenshots, Aufnahmen und Video mit Text kombinieren – von der Analyse langer Berichte und Medienbibliotheken bis hin zur Steuerung mehrstufiger agentischer Pipelines, die über mehr als nur Text nachdenken müssen.
Meta Muse Spark 1.1 ist ein multimodales großes Sprachmodell von Meta, das Text, Bilder, Videos, Dateien und Audio in einem einzigen Kontext verarbeiten kann. Sein Kontextfenster umfasst 1.048.576…
Die Hauptstärke von Muse Spark 1.1 ist seine Fähigkeit, einen sehr langen Kontext (1,048,576 Token) zu verarbeiten und darüber zu schlussfolgern, der mehrere Medientypen umfasst. Es kann ein 500-seitiges PDF mit eingebetteten Bildern oder ein 2-stündiges Video zusammen mit dessen Audiotranskript in einem Durchgang analysieren. Dies macht die Notwendigkeit von Chunking oder separaten Modellen überflüssig. Das Modell ist außerdem in der Lage, detaillierte Anweisungen zu befolgen und komplexe logische Aufgaben wie Zusammenfassung, Beantwortung von Fragen und Extraktion von Entitäten aus gemischten Medieneingaben durchzuführen.
Verwenden Sie Muse Spark 1.1, wenn Ihre Aufgabe von einem großen Kontextfenster und mehreren Eingabemodalitäten tatsächlich profitiert. Wenn Sie nur kurze Textgenerierung (z. B. 1.000 Tokens) benötigen und keine Bilder oder Audio, ist ein günstigeres, reines Textmodell mit kleinerem Kontext kosteneffizienter. Für ein durchgängiges multimodales Verständnis – wie das Zusammenfassen eines Videos mit seinen visuellen Details und Audio – kann Muse Spark 1.1 jedoch die Systemkomplexität und Latenz reduzieren, da mehrere Modellaufrufe vermieden werden.
Zu den besten Anwendungsfällen gehören die Überprüfung von Rechtsdokumenten mit gescannten PDFs und Audio-Aussagen, die Analyse von Krankenakten mit Bildern und Notizen, die Moderation von Videoinhalten (Analyse von Frames und Audio) sowie das Verständnis von akademischen Forschungspapieren mit Abbildungen und Tabellen. Jedes Szenario, in dem eine einzelne Eingabeaufforderung eine lange, heterogene Eingabe abdecken muss, profitiert von diesem Modell. Es eignet sich auch gut für den Aufbau multimodaler RAG-Pipelines, bei denen das Kontextfenster ganze Dokumente plus relevante Bilder aufnehmen kann.
Das Modell ist nicht für extrem schnelle, latenzarme Antworten optimiert – große Kontexte erhöhen die Verarbeitungszeit. Es unterstützt auch keinen Streaming-Output (zum Zeitpunkt der Erstellung). Für Aufgaben, die Echtzeit-Interaktion erfordern (z. B. Chatbots), sind kleinere Modelle vorzuziehen. Zudem sind die Kosten pro Token höher als bei vielen reinen Textmodellen, daher kann es für reine Textaufgaben überdimensioniert sein. Die Leistung des Modells bei Benchmark-Aufgaben wurde nicht offengelegt; Nutzer sollten es anhand ihrer eigenen Daten bewerten.
Meta hat keine Benchmark-Ergebnisse für Muse Spark 1.1 öffentlich veröffentlicht. Nutzer werden gebeten, eigene Bewertungen zu repräsentativen Aufgaben durchzuführen. Der große Kontext und die multimodale Eingabe des Modells legen nahe, dass es bei Dokumentverständnis und visuellen Frage-Antwort-Aufgaben gut abschneiden sollte, aber es gibt keine standardisierten Zahlen in den bereitgestellten Fakten. OrcaRouter stellt keine zusätzlichen Benchmark-Daten zur Verfügung; die Leistung entspricht der von Meta gelieferten.
Die Verarbeitung von 1.048.576 Tokens multimodaler Daten ist rechenintensiv. Die Latenz hängt von der Eingabelänge, der Anzahl der Bilder oder Videoframes und der Anzahl der Ausgabe-Tokens ab. Bei sehr langen Kontexten sind eher Minuten als Sekunden zu erwarten. OrcaRouter veröffentlicht keine Latenz-Benchmarks für dieses Modell. Benutzer sollten mit realistischen Workloads testen, um akzeptable Antwortzeiten für ihre Anwendung zu ermitteln.
Die Hauptlimitierung ist das Fehlen öffentlich verfügbarer Leistungsdaten, was es schwierig macht, ohne individuelle Tests mit Alternativmodellen zu vergleichen. Das Modell unterstützt auch keine Ausgabemodalitäten über Text hinaus – es kann keine Bilder oder Audiodaten generieren. Darüber hinaus ist der 1M-Token-Kontext theoretisch; die Genauigkeit in der Praxis kann bei maximaler Länge für einige Aufgaben nachlassen. Wie bei allen großen Modellen können die Ergebnisse bei unterschiedlichen Eingabeaufforderungsstilen uneinheitlich sein.
Aufgrund der potenziell hohen Latenz bei der Verarbeitung großer multimodaler Kontexte wird dieses Modell nicht für Echtzeitanwendungen wie interaktive Chatbots oder Live-Transkription empfohlen. Es eignet sich besser für Stapelverarbeitung, Offline-Analyse und asynchrone Workflows, bei denen eine Verarbeitungszeit von einigen Sekunden bis Minuten akzeptabel ist. Für niedrige Latenzanforderungen sollten Sie kleinere, schnellere Modelle in Betracht ziehen, die über OrcaRouter verfügbar sind.
Preisgestaltung: $1,25 pro 1 Million Eingabe-Token und $4,25 pro 1 Million Ausgabe-Token. Token werden nach dem Tokenizer des Modells gezählt; Eingabe-Token umfassen den gesamten Text, Bild-Token (typischerweise 170 Token pro Bild), Videoframes, Audio und Dateiinhalte. Ausgabe-Token sind generierter Text. OrcaRouter gibt den Anbieterpreis ohne Aufschlag weiter, sodass die Kosten exakt diesen Zahlen entsprechen. Es fallen keine zusätzlichen Plattformgebühren an.
Da das Modell bis zu 1M Eingabetoken unterstützt, kann ein einzelner Aufruf mit einem langen Dokument allein für die Eingabetoken 1,25 $ oder mehr kosten. Bei kurzen Eingaben (z. B. einigen tausend Token) liegen die Kosten deutlich niedriger – etwa 0,0013 $ für 1.000 Eingabetoken. Der Kompromiss besteht darin, dass für Aufgaben, die nur einen kleinen Kontext erfordern, günstigere Modelle mit niedrigeren Token-Raten wirtschaftlicher sind. Bei multimodalien Aufgaben mit großem Kontext kann dieses Modell kosteneffizienter sein, als die Arbeit auf mehrere Modelle aufzuteilen.
OrcaRouter bietet derzeit kein Caching oder Mengenrabatte für Muse Spark 1.1 an. Die Preisgestaltung erfolgt nutzungsabhängig pro Token. Es gibt keine gestaffelten Preise basierend auf dem Nutzungsvolumen. Benutzer sollten ihren Token-Verbrauch überwachen, insbesondere bei großen multimodalen Eingaben, um die Kosten zu kontrollieren. Die Nullaufschlag-Richtlinie stellt sicher, dass die Kosten exakt den Preis des zugrunde liegenden Anbieters widerspiegeln.
Nein. OrcaRouter berechnet lediglich den Token-Verbrauch zum Anbieter-Tarif ohne Aufschlag. Es gibt keine Anfragegebühren, keine monatlichen Mindestbeträge und keine Zuschläge für Streaming (obwohl das Modell derzeit kein Streaming unterstützt). Die einzigen Kosten sind Eingabe-Tokens mit 1,25 $/1 Mio. und Ausgabe-Tokens mit 4,25 $/1 Mio. Die Nutzer sind für alle Kosten verantwortlich, die mit der Kodierung oder Übertragung von Medien an die API (Netzwerkbandbreite) verbunden sind.
Verwenden Sie den OpenAI-kompatiblen Chat-Completions-Endpunkt. Setzen Sie base_url auf https://api.orcarouter.ai/v1. Im Anforderungstext setzen Sie model auf "meta/muse-spark-1.1". Fügen Sie Nachrichten im Standard-OpenAI-Format hinzu. Verwenden Sie für multimodale Inhalte eine Nachricht mit der Rolle "user" und Inhalt als Array von Teilen: text, image_url, usw. Die Authentifizierung erfolgt über einen API-Schlüssel von OrcaRouter. Beispiel in Python unter Verwendung der openai-Bibliothek: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
Die API unterstützt Standardparameter: max_tokens (Ausgabe-Token-Limit), temperature (0-2, Standardwert 1), top\_p (0-1), frequency\_penalty, presence\_penalty, stop-Sequenzen und seed für deterministische Ausgaben. Das Modell unterstützt derzeit kein Streaming oder Function Calling. Der Parameter n (Anzahl der Vervollständigungen) wird ebenfalls nicht unterstützt – nur eine Vervollständigung pro Anfrage. Das Kontextfenster-Limit beträgt insgesamt 1.048.576 Token für Eingabe und Ausgabe zusammen.
Wenn Sie derzeit einen anderen Anbieter nutzen, ändern Sie die Basis-URL zu https://api.orcarouter.ai/v1 und den Modellnamen zu "meta/muse-spark-1.1". Besorgen Sie sich einen OrcaRouter-API-Schlüssel vom Dashboard. Das Anfragekörperformat ist identisch mit der API von OpenAI. Multimodale Inhalte (Bilder, Videos, Dateien, Audio) verwenden dasselbe Format wie die Vision-Endpunkte von OpenAI. Es sind keine weiteren Codeänderungen erforderlich. Testen Sie mit einer kleinen Anfrage, um Tokenisierung und Kosten zu bestätigen.
Derzeit unterstützt Muse Spark 1.1 kein Streaming. Anfragen sind synchron; die Antwort wird zurückgegeben, sobald die Generierung abgeschlossen ist. Bei Kontextaufforderungen mit langem Kontext kann dies erhebliche Zeit in Anspruch nehmen. OrcaRouter könnte in Zukunft Streaming-Unterstützung hinzufügen, aber derzeit ist nur Nicht-Streaming verfügbar. Asynchrone Verarbeitung kann erreicht werden, indem Sie mehrere Anfragen parallel aus Ihrer Anwendung senden.
Muse Spark 1.1’s Kontextfenster von 1.048.576 Tokens gehört zu den größten verfügbaren und konkurriert mit Modellen anderer Anbieter. Da es sich jedoch um ein multimodales Modell handelt, ist es speziell für die Verarbeitung gemischter Eingaben ausgelegt. Rein textbasierte Modelle mit großem Kontext können für reine Textaufgaben günstiger pro Token sein. Die angegebenen Fakten enthalten keine Benchmark-Vergleiche, daher sollten Benutzer basierend auf ihren eigenen multimodalen Anforderungen bewerten.
Kleinere multimodale Modelle (z. B. mit 128K Kontext) sind schneller und günstiger, können aber in einem einzigen Aufruf nicht so viele Informationen verarbeiten. Muse Spark 1.1 opfert Geschwindigkeit und Kosten zugunsten der Fähigkeit, ganze Dokumente oder lange Videos aufzunehmen. Bei Aufgaben, die in Teile zerlegt werden können, kann ein kleineres Modell effizienter sein. Die richtige Wahl hängt davon ab, ob Ihre Anwendung tatsächlich eine einmalige Verarbeitung sehr großer Eingaben erfordert.
Verwenden Sie ein reines Textmodell, wenn Ihre Eingaben keine Bilder, Videos oder Audio enthalten. Reine Textmodelle mit vergleichbaren Kontextgrößen sind oft günstiger pro Token. Wenn Ihre Aufgabe beispielsweise die Zusammenfassung eines 1M-Token-Textdokuments ohne visuelle Elemente ist, wäre ein reines Textmodell, das weniger als $1.25/1M Eingabe kostet, kosteneffizienter. Die Preisgestaltung von Muse Spark 1.1 ist wettbewerbsfähig für multimodale Aufgaben, aber nicht für reinen Text.
OrcaRouter bietet eine einheitliche, OpenAI-kompatible Schnittstelle, während die direkte API von Meta möglicherweise ein eigenes Protokoll verwendet. OrcaRouter erhebt keinen Aufschlag, sodass die Token-Kosten gleich sind (vorausgesetzt, Meta berechnet denselben Satz). OrcaRouter bietet möglicherweise zusätzliche Funktionen wie API-Key-Verwaltung, Nutzungsverfolgung und Lastverteilung zwischen den Anbietern. Die Entscheidung hängt davon ab, ob Sie eine konsistente API-Abstraktion über mehrere Modelle hinweg bevorzugen.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="meta/muse-spark-1.1",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningreasoning_effortrepetition_penaltyresponse_formatstructured_outputstemperaturetool_choicetoolstop_ktop_p| Eingabe / 1M Tokens | $1.25 |
| Ausgabe / 1M Tokens | $4.25 |
| Cache-Lesen / 1M | $0.150 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
GET /api/public/models/meta/muse-spark-1.1Öffnen @misc{orcarouter_muse_spark_1_1,
title = {Muse Spark 1.1 API},
author = {Meta},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/meta/muse-spark-1.1}
}Meta. (2026). Muse Spark 1.1 API. OrcaRouter. https://www.orcarouter.ai/models/meta/muse-spark-1.1