Muse Spark 1.2 ist Metas Reasoning-Modell für komplexe agentische Aufgaben und der aktuelle Checkpoint der Muse-Spark-Familie. Meta beschreibt es als einen aktualisierten Checkpoint gegenüber Muse Spark 1.1 mit etwas höherer Leistung, der auf derselben Standard-Stufe zu identischen Preisen angeboten wird – eher ein Drop-in-Upgrade als eine neue Stufe. Es akzeptiert ein ungewöhnlich breites Spektrum an Eingaben – Text, Bilder, Video, Audio und PDF-Dokumente – und gibt Text zurück, wobei es nativ über Modalitäten hinweg innerhalb eines Kontextfensters von 1 Mio. Token schlussfolgert. Es unterstützt konfigurierbaren Reasoning-Aufwand, native Tool-Aufrufe und strukturierte Ausgaben und eignet sich daher gut für multimodale Agenten, Deep Research über gemischte Medien und Langkontext-Analysen. Muse Spark 1.2 zielt auf Workloads ab, die Dokumente, Screenshots, Aufnahmen und Videos mit Text kombinieren – von der Analyse langer Berichte und Medienbibliotheken bis hin zum Betrieb mehrstufiger agentischer Pipelines, die über mehr als nur Text schlussfolgern müssen. Meta liefert außerdem muse-spark-1.2-contributor aus, denselben Checkpoint auf seiner Contributor-Stufe.
Muse Spark 1.2 ist ein von Meta produziertes Sprachmodell, das über OrcaRouter bereitgestellt wird. Es akzeptiert Text-, Bild-, Video-, Datei- und Audioeingaben und erzeugt Textausgaben. Das Modell…
Basierend auf den bereitgestellten Fakten kann Muse Spark 1.2 Text, Bild, Video, Datei und Audio aufnehmen und mit Text antworten. Es eignet sich daher für multimodale Verständnisaufgaben wie Zusammenfassung, Extraktion, Übersetzung von Audioinhalten und die Beantwortung von Fragen zu visuellem oder audiovisuellem Material. Ein Kontextfenster von 1.048.576 Token bedeutet, dass es umfangreiches Quellmaterial als Kontext verwenden kann. Das Modell wägt alle Eingabemodalitäten gegen dasselbe Token-Budget ab. In den bereitgestellten Metadaten gibt es keine Informationen über besondere Fähigkeiten wie Tool-Aufrufe, strukturierte Ausgabe oder Feinabstimmung. OrcaRouter bietet das Modell über eine Standard-API an, sodass alle von der API bereitgestellten Fähigkeiten genutzt werden können. Für alles, was nicht von der Modellkarte abgedeckt wird, testen Sie das Modell mit Ihren eigenen Prompts und Payloads, bevor Sie es in Produktion nehmen.
Die besten Anwendungsfälle ergeben sich aus der Kombination von multimodaler Eingabe und großem Kontext. Sie können Fragen zu einem langen Video stellen, eine Audioaufnahme zusammenfassen, Bilder zusammen mit unterstützendem Text untersuchen oder mit Dateianhängen in derselben Konversation arbeiten. Das Kontextfenster mit 1.048.576 Token unterstützt auch lange Dokumente und Dateikorpora aus mehreren Dateien. Verwenden Sie Muse Spark 1.2, wenn eine Aufgabe andernfalls mehrere Modelle oder viele segmentierte Aufrufe erfordern würde. Wenn die Eingabe überwiegend aus Text besteht und kurz ist, könnte ein günstigeres Modell einen besseren Nutzen bieten. OrcaRouter wird zum Anbieterpreis abgerechnet, sodass die Kosten proportional zu den gesendeten Token sind. Um die Kosten überschaubar zu halten, filtern Sie Inhalte vorab und senden Sie nur die relevanten Teile von Dateien, Bildern oder Audio. Dieses Modell ist nicht für die Generierung von Medien ausgelegt; seine Ausgabe ist Text.
Muse Spark 1.2 ist als multimodales Modell mit großem Kontext positioniert. Für kurze reine Textabfragen ist ein kleineres Modell in der Regel schneller und günstiger. Der angegebene Preis von $4.25 pro 1M Ausgabe-Tokens ist ein Premium-Preis im Vergleich zu vielen schlanken Textmodellen, wobei genaue Vergleiche von den Alternativen abhängen. Es gibt keine spezifischen Token-Budgets oder Benchmark-Zahlen in den bereitgestellten Fakten, daher basiert die Entscheidung auf der Komplexität der Aufgabe. Wenn Ihre Inhalte einfacher Text mit weniger als ein paar tausend Tokens sind, verwenden Sie ein günstigeres Modell. Wenn Ihre Aufgabe lange Audiodateien, Videos, Bilder oder Dateien umfasst, können die multimodale Eingabeunterstützung und der 1M-Kontext den Preis rechtfertigen. Mit OrcaRouter können Sie Modelle wechseln, indem Sie den Modellparameter ändern, sodass Sie einfache Aufgaben an ein günstigeres Modell weiterleiten und Muse Spark 1.2 für schwierigere multimodale Aufgaben reservieren können.
Das Modell erzeugt Text. Es generiert keine Bilder, Videos oder Audiodaten. Es akzeptiert diese Medien als Eingaben, aber die Antwort ist eine textuelle Vervollständigung. In den bereitgestellten Metadaten ist kein explizites Ausgabetoken-Limit angegeben, aber Standard-API-Einstellungen wie max_tokens können die Länge einer Antwort begrenzen. Da keine Benchmark-Zahlen bereitgestellt werden, sollten Genauigkeits- und Fähigkeitsaussagen mit Ihren eigenen Daten überprüft werden. Das Modell ist möglicherweise nicht in der Lage, extrem lange Videos zu verarbeiten, wenn die Darstellung das Kontextfenster von 1.048.576 Token überschreitet. Es ist auch nicht garantiert, dass es bei Aufgaben außerhalb des erwarteten multimodalen Verständnisbereichs gut abschneidet. Bei Verwendung von OrcaRouter gibt die API Fehler für Anfragen zurück, die das Kontextbudget überschreiten oder die Eingabebeschränkungen des Anbieters verletzen.
Die bereitgestellten Modellfakten enthalten keine Benchmark-Werte oder Auswertungstabellen für Muse Spark 1.2. Das bedeutet nicht, dass das Modell ungetestet ist; es bedeutet, dass die Metadaten für diesen Katalogeintrag diese Zahlen nicht auflisten. Um das Modell zu bewerten, führen Sie eigene Testbeispiele durch und vergleichen Sie die Ausgaben anhand aufgabenspezifischer Metriken. OrcaRouter veröffentlicht in diesem Eintrag keine Benchmark-Ergebnisse für Drittanbieter-Modelle. Ohne Benchmark-Daten sollten sich Leser auf qualitative Fähigkeiten wie ein Kontextfenster von 1.048.576 Token und die Unterstützung multimodaler Eingaben verlassen. Alle Leistungszahlen, die Sie anderswo sehen, sollten direkt von Meta oder aus unabhängigen Bewertungen stammen. Der Ausdruck Muse Spark 1.2 sollte hier nicht mit spezifischen Benchmark-Behauptungen in Verbindung gebracht werden. Wenn Sie ein quantitatives Qualitätsmaß benötigen, entwerfen Sie ein kleines Bewertungsset, das Ihre erwarteten Eingabetypen abdeckt, einschließlich Text, Bild, Video, Datei und Audio. Messen Sie Aufgaben genauigkeit, Ausgabekonsistenz und Kosten. Das Fehlen veröffentlichter Benchmarks unterstreicht auch die Notwendigkeit von Tests vor der Produktionsbereitstellung.
Das Kontextfenster beträgt 1.048.576 Token. Dies ist die maximale Eingabegröße, die das Modell in einem einzigen Aufruf verarbeiten kann, wie in den bereitgestellten Fakten angegeben. Ein Token ist eine Einheit der Textverarbeitung; 1.048.576 Token entsprechen ungefähr einer großen Menge an Textdaten, wobei die genaue Anzahl der Wörter pro Token variiert. Dieses Kontextlimit gilt auch für Inhalte aus Video-, Bild-, Datei- und Audioeingaben, sobald sie in Token umgewandelt werden. Ein großes Kontextfenster ermöglicht es dem Modell, ein gesamtes Dokument, ein langes Transkript oder viele Quelldateien ohne Aufteilung zu sehen. Es bedeutet auch, dass Sie sich der Token-Nutzung bewusst sein müssen, wenn Sie Mediendateien hochladen. Wenn die Gesamtzahl der Token einer Anfrage das Kontextfenster überschreitet, schlägt der API-Aufruf fehl. Verwenden Sie die Token-Zähltools von OrcaRouter oder Ihre eigene Schätzung, um innerhalb des Limits zu bleiben.
In den bereitgestellten Metadaten sind keine Angaben zu Latenz oder Durchsatz enthalten. Die tatsächliche Antwortzeit hängt von mehreren Variablen ab: der Gesamtlänge der Eingabe, der Anzahl der Modalitäten, der Komplexität des Prompts und der Last auf Anbieterseite. Eine Anfrage mit Video und Audio kann langsamer sein als eine reine Textanfrage, da die zugehörigen Daten vor der Inferenz verarbeitet werden müssen. Auch die Länge der Ausgabe wirkt sich auf die Zeit aus; das Erzeugen vieler Tokens dauert länger als das Erzeugen weniger Tokens. Für dieses Modell werden keine garantierten Geschwindigkeits- oder Verfügbarkeitsstufen angegeben. Um zuverlässige Latenzmessungen zu erhalten, benchmarken Sie die API über OrcaRouter mit repräsentativen Anfragen. Wenn Sie für einfache Prompts eine extrem niedrige Latenz benötigen, verwenden Sie ein kleineres Modell. Bei der multimodalen Verarbeitung mit langem Kontext ist die Latenz naturgemäß wahrscheinlich höher.
OrcaRouter berechnet für Muse Spark 1,2 $1,25 pro 1.000.000 Eingabe-Tokens und $4,25 pro 1.000.000 Ausgabe-Tokens. Diese Zahlen stammen aus den bereitgestellten Fakten und werden zum Anbieterpreis ohne Aufschlag durchgereicht. Eingabe-Tokens sind Tokens, die vom Client gesendet werden, einschließlich Text, Dateiinhalten sowie jeglicher Bild-, Video- oder Audiodarstellung. Ausgabe-Tokens sind die Tokens, die im generierten Text zurückgegeben werden. Die Gesamtkosten eines Aufrufs betragen daher Eingabe-Tokens mal $1,25/1M plus Ausgabe-Tokens mal $4,25/1M. Da OrcaRouter keinen Aufschlag erhebt, ist dies der Einzelposten-Satz, den Sie für die Budgetplanung verwenden sollten. Das Kontextfenster umfasst 1.048.576 Tokens, sodass eine Eingabe mit vollem Kontext beim Eingabesatz etwas mehr als $1,25 kosten würde. Diese Schätzung geht von exakt der maximalen Anzahl an Eingabe-Tokens aus; tatsächliche Anfragen variieren.
Input-Tokens kosten 1,25 $ pro Million. Output-Tokens kosten 4,25 $ pro Million. Output-Tokens sind teurer als Input-Tokens, was bei generativen Modellen üblich ist. Bei vielen Aufgaben ist die Ausgabe eine kurze Vervollständigung, während die Eingabe eine große Menge an Quellmaterial enthält. In diesem Fall dominieren die Kosten für Input-Tokens. Wenn Sie hingegen einen langen generierten Text anfordern, können die Output-Kosten erheblich sein. Da das Kontextfenster 1.048.576 Token umfasst, ist es möglich, nahe an diese Grenze zu gehen und Input-Gebühren zu verursachen. Sie können die Input-Kosten senken, indem Sie nur relevante Abschnitte von Dateien senden, die Video- oder Audiolänge begrenzen und den Gesprächsverlauf kürzen. OrcaRouter erhebt keinen Aufschlag, sodass etwaige Kostendifferenzen aus Nutzungsvolumen und -entscheidungen resultieren.
Die bereitgestellten Fakten enthalten keine Cache-Preise oder Rabattinformationen für Muse Spark 1.2. Einige Anbieter bieten niedrigere Preise für gecachte Eingabe-Tokens, aber solche Werte sind hier nicht aufgeführt. Falls OrcaRouter oder Meta Prompt-Caching für dieses Modell aktiviert, wären die verfügbaren Cache-Preise separat dokumentiert. Ohne diese Dokumentation gehen Sie davon aus, dass jedes Eingabe-Token zum vollen Satz von $1.25 pro Million abgerechnet wird. Planen Sie Ihr Budget nicht auf Basis von Cache-Ersparnissen, es sei denn, Sie haben die aktuellen Bedingungen bestätigt. Caching hängt auch von der Wiederverwendung von Prompts ab; Anfragen mit einzigartigen oder stark variierenden Eingaben werden nicht profitieren. Überprüfen Sie die Preisseite von OrcaRouter oder kontaktieren Sie den Support, um zu sehen, ob Cache-Preise für meta/muse-spark-1.2 existieren.
OrcaRouter gibt an, dass Muse Spark 1.2 zum Anbieterpreis ohne Aufschlag abgerechnet wird. Das bedeutet, der Preis pro Token, den Sie zahlen, entspricht dem vom Anbieter aufgeführten Tarif: 1,25 $ pro 1 Mio. Input-Tokens und 4,25 $ pro 1 Mio. Output-Tokens. OrcaRouter erhebt keinen zusätzlichen Pro-Token-Aufschlag oder Servicegebühr auf diesen Eintrag. Ein Nullaufschlag vereinfacht die Kostenprognose, da Ihre Rechnungsposition dem Listenpreis des Modells entspricht. Das bedeutet jedoch nicht, dass es keine Grundgebühr oder Infrastrukturgebühr gibt, falls OrcaRouter eine solche für das API-Konto erhebt; die angegebenen Fakten beschreiben ausschließlich die Pro-Token-Abrechnung. Prüfen Sie immer Ihren OrcaRouter-Tarif auf etwaige Fixkosten. Der Nullaufschlag gilt für den Modelltarif und bildet die Grundlage für Kostenvergleiche mit anderen Modellen.
Um Muse Spark 1.2 über OrcaRouter aufzurufen, setzen Sie die Basis-URL auf https://api.orcarouter.ai/v1 und verwenden Sie die Modell-ID meta/muse-spark-1.2. Ihr Client sollte eine Anfrage senden, die dem OpenAI-kompatiblen Chat-Completion-Format folgt. Fügen Sie Ihren OrcaRouter-API-Schlüssel in den Authorization-Header ein. Das messages-Array kann den Inhalt enthalten, den Sie verarbeiten möchten. Bei multimodaler Eingabe hängt das Inhaltsformat für Bild, Video, Datei und Audio vom von OrcaRouter unterstützten Schema ab; die OpenAI-kompatible Schnittstelle erlaubt typischerweise Inhaltsteile. Die genauen Feldnamen sind in der API-Referenz dokumentiert. Stellen Sie sicher, dass die Gesamtzahl der Token der Anfrage innerhalb des 1.048.576-Token-Kontextfensters bleibt. Wenn Sie das OpenAI-SDK verwenden, setzen Sie die Parameter base_url und model entsprechend.
OrcaRouter stellt eine OpenAI-kompatible API bereit, daher sind standardmäßige Inferenzparameter wie temperature, top_p, max_tokens und Stop-Sequenzen möglicherweise verfügbar. Da es sich um allgemeine OpenAI-API-Parameter handelt, folgt ihr Verhalten der API-Spezifikation. Die bereitgestellten Fakten listen keine modellspezifischen Parameter für Muse Spark 1.2 auf. Sie können auch eine Systemnachricht, Benutzernachrichten und Assistentennachrichten als Teil des Gesprächs übergeben. Für multimodale Eingaben sollte das Anfrageformat die korrekten Inhaltsteile für die enthaltenen Medien enthalten. Es gibt keine Garantie, dass jeder OpenAI-Parameter von jedem Anbieter unterstützt wird. Testen Sie daher jeden Parameter, wenn Sie migrieren. Verwenden Sie die Modell-ID meta/muse-spark-1.2 genau. Wenn ein Parameter nicht unterstützt wird, gibt OrcaRouter eine Fehlermeldung zurück; überprüfen Sie dies anhand der API-Dokumentation.
Um eine bestehende OpenAI-kompatible Integration zu OrcaRouter zu migrieren, ändern Sie die Basis-URL von Ihrem aktuellen Endpunkt zu https://api.orcarouter.ai/v1 und setzen Sie das Modell auf meta/muse-spark-1.2. Behalten Sie dieselbe Nachrichtenstruktur bei, wenn Sie standardmäßige OpenAI-Chat-Completions verwendet haben. Ersetzen Sie Ihren API-Schlüssel durch einen OrcaRouter-Schlüssel. Falls Ihre bestehenden Anfragen modellspezifische Erweiterungen enthalten, entfernen Sie diese oder passen Sie sie gemäß der OrcaRouter-API-Dokumentation an. Das Kontextfenster beträgt 1.048.576 Token, was größer sein kann als bei Ihrem bisherigen Modell, sodass dieselbe Anfrage ohne Kürzung hineinpasst. Überprüfen Sie Ihre Eingabeformatierung für Bild, Video, Datei und Audio, falls Sie anbieterspezifische Felder verwendet haben. Testen Sie zuerst mit einer kleinen Anfrage. Da Muse Spark 1.2 Text ausgibt, ist die Migration für textbasierte Tools unkompliziert.
Die bereitgestellten Modellfakten enthalten keine Bedingungen zur Datenverarbeitung, Aufbewahrung oder zum Datenschutz für Muse Spark 1.2 oder OrcaRouter. Im Allgemeinen werden Anfragen an den Modellanbieter gesendet, um Vervollständigungen zu generieren. OrcaRouter kann API-Protokolle oder Nutzungsdaten für den Betrieb speichern, aber die spezifische Richtlinie wird hier nicht beschrieben. Wenn Datenschutz für Sie wichtig ist, lesen Sie die Nutzungsbedingungen und Datenschutzrichtlinie von OrcaRouter und bestätigen Sie, ob die Anbieterbedingungen von Meta auf die von Ihnen gesendeten Inhalte zutreffen. Gehen Sie nicht davon aus, dass eingegebene Videos, Audiodateien oder Dateien nach der Inferenz automatisch gelöscht werden. Bei vertraulichen Daten sollten Sie Schwärzung und lokale Vorverarbeitung in Betracht ziehen. Dieser Abschnitt ist nicht als Rechtsberatung zu verstehen. Kontaktieren Sie den OrcaRouter-Support, um die aktuelle Datenverarbeitungsvereinbarung zu erhalten. Ihre Nutzung der API stellt eine Zustimmung zu den geltenden Bedingungen dar.
Muse Spark 1.2 unterscheidet sich von reinen Text-Sprachmodellen, weil es Bild-, Video-, Datei- und Audioeingaben akzeptiert. Ein reines Textmodell kann nur geschriebene Inhalte verarbeiten. Bei multimodalen Aufgaben entfällt mit Muse Spark 1.2 die Notwendigkeit, Medien vor dem Aufruf eines LLM zu extrahieren und zu transkribieren. Sein Kontextfenster von 1.048.576 Token ermöglicht es zudem, deutlich längere Eingaben zu verarbeiten als viele Standardmodelle. Andererseits sind reine Textmodelle oft günstiger und können bei reiner Textarbeit schneller ausgeführt werden. Der Ausgabepreis von 4,25 $ pro Million Token ist höher als bei vielen leichtgewichtigen Textmodellen. Wenn Ihr Projekt vollständig textbasiert ist und keinen langen Kontext benötigt, könnte ein reines Textmodell besser passen. Wenn Ihr Workflow bereits Bilder, Audio oder Video sendet, bietet dieses Modell einen einzigen Aufrufpfad.
Reine Audio- und Bildmodelle spezialisieren sich in der Regel auf eine Modalität und können Labels, Embeddings oder Transkriptionen ausgeben. Muse Spark 1.2 vereinheitlicht Text, Bild, Video, Datei und Audio in einer einzigen Schnittstelle zur Textgenerierung. Dies kann Pipelines vereinfachen, die zuvor einen Audio-Transkriptor, einen Bild-Captioner und ein LLM kombinierten. Spezialisierte Modelle können jedoch besser für Aufgaben wie Spracherkennung oder Objekterkennung optimiert sein. Für Muse Spark 1.2 werden keine Benchmark-Werte bereitgestellt, daher gibt es hier keine Daten, um es mit spezialisierten Modellen zu vergleichen. Die geeignete Wahl hängt davon ab, ob Sie allgemeines Verständnis oder spezifische Genauigkeit benötigen. Für allgemeines Denken über mehrere Modalitäten hinweg kann ein einzelnes multimodales Modell einfacher zu warten sein. Für strikte Produktionsgenauigkeit bei einem Medientyp testen Sie spezialisierte Alternativen.
Die einzigen Preisangaben für Muse Spark 1.2 sind $1.25 pro 1 Mio. Eingabe-Token und $4.25 pro 1 Mio. Ausgabe-Token, die ohne Aufschlag über OrcaRouter abgerechnet werden. Vergleiche mit anderen Modellen würden deren Preislisten erfordern, die nicht Teil dieses Eintrags sind. Im Allgemeinen sind multimodale Modelle im Betrieb teurer als einfache Textmodelle, da sie umfangreichere Eingaben verarbeiten. Das Kontextfenster mit 1.048.576 Token kann die Kosten erhöhen, wenn Sie große Mengen an Medien senden. Bei einem kurzen Text-Prompt sind die Eingabekosten sehr gering. Bei einer Anfrage mit mehreren Minuten Video und einer langen Ausgabe fallen höhere Kosten an. Verwenden Sie die Preise pro Token und Ihre erwarteten Token-Anzahlen, um abzuschätzen, ob ein alternatives Modell wirtschaftlicher wäre. Da OrcaRouter keinen Aufschlag erhebt, ist der Anbieterpreis der relevante Maßstab.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="meta/muse-spark-1.2",
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.
Worüber Entwickler diese Woche sprechen
GET /api/public/models/meta/muse-spark-1.2Öffnen @misc{orcarouter_muse_spark_1_2,
title = {Muse Spark 1.2 API},
author = {Meta},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/meta/muse-spark-1.2}
}Meta. (2026). Muse Spark 1.2 API. OrcaRouter. https://www.orcarouter.ai/models/meta/muse-spark-1.2