Muse Spark 1.1 es el modelo de razonamiento multimodal de Meta, diseñado para tareas agentivas. Acepta un rango inusualmente amplio de entradas — texto, imágenes, video, audio y documentos PDF — y devuelve texto, razonando de forma nativa entre modalidades dentro de una ventana de contexto de 1M tokens. Admite esfuerzo de razonamiento configurable y llamada nativa a herramientas, lo que lo hace adecuado para agentes multimodales, investigación profunda sobre medios mixtos y análisis de contexto largo. Con inferencia eficiente y una amplia superficie de entrada, Muse Spark 1.1 se dirige a cargas de trabajo que combinan documentos, capturas de pantalla, grabaciones y video con texto — desde analizar informes largos y bibliotecas multimedia hasta impulsar pipelines agentivos de múltiples pasos que deben razonar sobre algo más que solo texto.
Meta Muse Spark 1.1 es un modelo de lenguaje multimodal de Meta que puede procesar texto, imágenes, video, archivos y audio en un solo contexto. Su ventana de contexto es de 1,048,576 tokens –…
La principal fortaleza de Muse Spark 1.1 es su capacidad para procesar y razonar sobre un contexto muy largo (1,048,576 tokens) que incluye múltiples tipos de medios. Puede analizar un PDF de 500 páginas con imágenes incrustadas, o un video de 2 horas junto con su transcripción de audio, de una sola vez. Esto elimina la necesidad de fragmentación o modelos separados. El modelo también es capaz de seguir instrucciones detalladas y realizar tareas complejas de razonamiento como resumen, respuesta a preguntas y extracción de entidades a través de entradas de medios mixtos.
Usa Muse Spark 1.1 cuando tu tarea se beneficie genuinamente de una ventana de contexto grande y múltiples modalidades de entrada. Si solo necesitas generación de texto corto (p. ej., 1000 tokens) y sin imágenes ni audio, un modelo más barato solo de texto con contexto más pequeño es más rentable. Sin embargo, para comprensión multimodal de extremo a extremo – como resumir un video con sus detalles visuales y audio – Muse Spark 1.1 puede reducir la complejidad del sistema y la latencia al evitar múltiples llamadas al modelo.
Los mejores casos de uso incluyen revisión de documentos legales con archivos PDF escaneados y declaraciones de audio, análisis de registros médicos combinando imágenes y notas, moderación de contenido de video (analizando fotogramas y audio), y comprensión de artículos de investigación académica con figuras y tablas. Cualquier escenario donde una sola indicación debe cubrir una entrada larga y heterogénea se beneficia de este modelo. También funciona bien para construir canalizaciones RAG multimodales donde la ventana de contexto puede contener documentos completos más imágenes relevantes.
El modelo no está optimizado para respuestas extremadamente rápidas y de baja latencia – los contextos grandes aumentan el tiempo de procesamiento. Tampoco admite salida en streaming (al momento de escribir esto). Para tareas que requieren interacción en tiempo real (por ejemplo, chatbots), los modelos más pequeños son preferibles. Además, el costo por token es más alto que el de muchos modelos solo de texto, por lo que para tareas puramente textuales puede ser excesivo. El rendimiento del modelo en tareas de referencia no ha sido revelado; los usuarios deben evaluar con sus propios datos.
Meta no ha publicado públicamente las puntuaciones de referencia para Muse Spark 1.1. Se recomienda a los usuarios que realicen sus propias evaluaciones en tareas representativas. El amplio contexto y la entrada multimodal del modelo sugieren que debería funcionar bien en la comprensión de documentos y la respuesta visual a preguntas, pero no existen cifras estandarizadas en los hechos proporcionados. OrcaRouter no proporciona datos de referencia adicionales; el rendimiento es tal como lo entrega Meta.
Procesar 1,048,576 tokens de datos multimodales es computacionalmente costoso. La latencia depende de la longitud de la entrada, el número de imágenes o fotogramas de video y la cantidad de tokens de salida. Para contextos muy largos, espere minutos en lugar de segundos. OrcaRouter no publica puntos de referencia de latencia para este modelo. Los usuarios deben probar con cargas de trabajo realistas para determinar los tiempos de respuesta aceptables para su aplicación.
La principal limitación es la falta de datos de rendimiento disponibles públicamente, lo que dificulta la comparación con modelos alternativos sin realizar pruebas personalizadas. El modelo tampoco admite modalidades de salida más allá del texto: no puede generar imágenes ni audio. Además, el contexto de 1 millón de tokens es teórico; la precisión en el mundo real puede degradarse en la longitud máxima para algunas tareas. Como con todos los modelos grandes, los resultados pueden ser inconsistentes entre diferentes estilos de indicaciones.
Debido al posible retraso en el procesamiento de grandes contextos multimodales, este modelo no se recomienda para aplicaciones en tiempo real como chatbots interactivos o transcripción en vivo. Es más adecuado para procesamiento por lotes, análisis fuera de línea y flujos de trabajo asíncronos donde unos segundos o minutos de procesamiento son aceptables. Para necesidades de baja latencia, considere modelos más pequeños y rápidos disponibles a través de OrcaRouter.
El precio es de $1.25 por cada 1 millón de tokens de entrada y $4.25 por cada 1 millón de tokens de salida. Los tokens se cuentan según el tokenizador del modelo; los tokens de entrada incluyen todo el texto, tokens de imagen (normalmente 170 tokens por imagen), fotogramas de video, audio y contenido de archivos. Los tokens de salida son texto generado. OrcaRouter transmite la tarifa del proveedor sin margen adicional, por lo que el costo es exactamente estas cifras. No hay cargos adicionales de plataforma.
Debido a que el modelo admite hasta 1M tokens de entrada, una sola llamada con un documento largo puede costar $1.25 o más solo en tokens de entrada. Para entradas cortas (por ejemplo, unos pocos miles de tokens), el costo es mucho menor – alrededor de $0.0013 por 1,000 tokens de entrada. La compensación es que para tareas que requieren solo un contexto pequeño, los modelos más baratos con tarifas más bajas por token son más económicos. Para tareas multimodales de gran contexto, este modelo puede ser más rentable que dividir el trabajo entre varios modelos.
OrcaRouter no ofrece actualmente almacenamiento en caché ni descuentos por volumen para Muse Spark 1.1. El precio es de pago por uso por token. No existe una estructura de precios escalonados según el volumen de uso. Los usuarios deben monitorear su consumo de tokens, especialmente para entradas multimodales grandes, para gestionar los costos. La política de margen cero garantiza que el costo refleje exactamente el precio del proveedor subyacente.
No. OrcaRouter cobra únicamente por el consumo de tokens a la tarifa del proveedor sin margen adicional. No hay tarifas por solicitud, ni mínimos mensuales, ni recargos por streaming (aunque el modelo actualmente no admite streaming). El único costo son los tokens de entrada a $1.25/1M y los tokens de salida a $4.25/1M. Los usuarios son responsables de cualquier costo asociado con la codificación o transmisión de medios a la API (ancho de banda de red).
Use el endpoint de completaciones de chat compatible con OpenAI. Establezca base_url en https://api.orcarouter.ai/v1. En el cuerpo de la solicitud, establezca model en "meta/muse-spark-1.1". Incluya messages en el formato estándar de OpenAI. Para contenido multimodal, use un mensaje con role "user" y content como un array de partes: text, image_url, etc. La autenticación es mediante una clave de API proporcionada por OrcaRouter. Ejemplo en Python usando la biblioteca openai: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
La API admite parámetros estándar: max_tokens (límite de tokens de salida), temperature (0-2, valor predeterminado 1), top_p (0-1), frequency_penalty, presence_penalty, secuencias de parada, y seed para salidas deterministas. El modelo no admite streaming ni llamadas a funciones en este momento. El parámetro n (número de completaciones) tampoco es compatible – solo una completación por solicitud. El límite de la ventana de contexto es de 1,048,576 tokens en total para entrada y salida combinadas.
Si actualmente utilizas otro proveedor, cambia la URL base a https://api.orcarouter.ai/v1 y el nombre del modelo a "meta/muse-spark-1.1". Obtén una clave de API de OrcaRouter desde el panel de control. El formato del cuerpo de la solicitud es idéntico al de la API de OpenAI. El contenido multimodal (imágenes, videos, archivos, audio) utiliza el mismo formato que los endpoints de visión de OpenAI. No se requieren otros cambios de código. Prueba con una solicitud pequeña para confirmar la tokenización y los costos.
Actualmente, Muse Spark 1.1 no admite streaming. Las solicitudes son síncronas; la respuesta se devuelve una vez que se completa la generación. Para indicaciones de contexto largo, esto puede llevar un tiempo significativo. OrcaRouter podría agregar soporte para streaming en el futuro, pero por ahora solo está disponible el modo sin streaming. El procesamiento asíncrono se puede lograr enviando solicitudes en paralelo desde su aplicación.
Muse Spark 1.1’s context window of 1,048,576 tokens is among the largest available, competing with models from other providers. However, being a multimodal model, it is specifically designed to handle mixed inputs. Purely text-based large-context models may be cheaper per token for text-only tasks. The provided facts do not specify benchmark comparisons, so users should evaluate based on their own multimodal needs.
Los modelos multimodales más pequeños (por ejemplo, con contexto de 128K) son más rápidos y baratos, pero no pueden procesar tanta información en una sola llamada. Muse Spark 1.1 sacrifica velocidad y costo por la capacidad de ingerir documentos completos o videos largos. Para tareas que se pueden dividir en fragmentos, usar un modelo más pequeño puede ser más eficiente. La elección correcta depende de si tu aplicación realmente requiere un procesamiento único de entradas muy grandes.
Usa un modelo solo de texto cuando tus entradas no contengan imágenes, video o audio. Los modelos solo de texto con tamaños de contexto comparables suelen ser más baratos por token. Por ejemplo, si tu tarea es resumir un documento de texto de 1M de tokens sin ningún elemento visual, un modelo puramente textual que cueste menos de $1.25/1M de entrada sería más rentable. El precio de Muse Spark 1.1 es competitivo para tareas multimodales, pero no para texto puro.
OrcaRouter proporciona una interfaz unificada compatible con OpenAI, mientras que la API directa de Meta puede usar su propio protocolo. OrcaRouter no añade ningún margen, por lo que el costo de tokens es el mismo (asumiendo que Meta cobra la misma tarifa). OrcaRouter puede ofrecer funciones adicionales como gestión de claves de API, seguimiento de uso y balanceo de carga entre proveedores. La elección depende de si prefieres una abstracción de API consistente entre múltiples modelos.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrada / 1M tokens | $1.25 |
| Salida / 1M tokens | $4.25 |
| Lectura caché / 1M | $0.150 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/meta/muse-spark-1.1Abrir @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