Muse Spark 1.2 es el modelo de razonamiento de Meta para tareas agénticas complejas, y el checkpoint actual de la familia Muse Spark. Meta lo describe como un checkpoint actualizado sobre Muse Spark 1.1 con un rendimiento ligeramente superior, servido en el mismo nivel Standard con precios idénticos: una actualización directa, no un nuevo nivel. Acepta una superficie de entrada inusualmente amplia — texto, imágenes, video, audio y documentos PDF — y devuelve texto, razonando de forma nativa a través de las modalidades dentro de un contexto de 1M de tokens. Admite esfuerzo de razonamiento configurable, llamada nativa a herramientas y salidas estructuradas, lo que lo hace muy adecuado para agentes multimodales, investigación profunda sobre medios mixtos y análisis de contexto largo. Muse Spark 1.2 está orientado a cargas de trabajo que combinan documentos, capturas de pantalla, grabaciones y video con texto, desde el análisis de informes extensos y bibliotecas de medios hasta el manejo de pipelines agénticos de múltiples pasos que deben razonar más allá del texto. Meta también ofrece muse-spark-1.2-contributor, el mismo checkpoint en su nivel Contributor.
Muse Spark 1.2 es un modelo de lenguaje producido por Meta que se sirve a través de OrcaRouter. Acepta entradas de texto, imagen, video, archivo y audio, y produce salidas de texto. El modelo tiene…
Según los hechos proporcionados, Muse Spark 1.2 puede recibir texto, imágenes, video, archivos y audio, y responder con texto. Por lo tanto, es adecuado para tareas de comprensión multimodal, como resúmenes, extracción, traducción de contenido de audio y respuesta a preguntas sobre material visual o auditivo. Una ventana de contexto de 1 048 576 tokens significa que puede utilizar una cantidad considerable de material fuente como contexto. El modelo pondera todas las modalidades de entrada con el mismo presupuesto de tokens. No hay información en los metadatos proporcionados sobre capacidades especiales como la llamada a herramientas, la salida estructurada o el ajuste fino. OrcaRouter ofrece el modelo a través de una API estándar, por lo que se puede utilizar cualquier capacidad expuesta por la API. Para cualquier aspecto no cubierto por la ficha del modelo, pruebe el modelo con sus propias indicaciones y cargas útiles antes de ponerlo en producción.
Los mejores casos de uso surgen de la combinación de entrada multimodal y contexto amplio. Puedes hacer preguntas sobre un video largo, resumir una grabación de audio, inspeccionar imágenes junto con texto de apoyo, o trabajar con archivos adjuntos en la misma conversación. La ventana de contexto de 1,048,576 tokens también admite documentos largos y corpus de múltiples archivos. Usa Muse Spark 1.2 cuando una tarea de otro modo requeriría múltiples modelos o muchas llamadas fragmentadas. Si la entrada es principalmente texto y corta, un modelo más económico puede ofrecer mejor valor. OrcaRouter factura según la tarifa del proveedor, por lo que el costo es proporcional a los tokens que envías. Para mantener el costo manejable, pre-filtra el contenido y envía solo las porciones de archivos, imágenes o audio que sean relevantes. Este modelo no está diseñado para generar medios; su salida es texto.
Muse Spark 1.2 está posicionado como un modelo multimodal de contexto amplio. Para consultas cortas de solo texto, un modelo más pequeño normalmente será más rápido y menos costoso. El precio proporcionado de $4.25 por 1M de tokens de salida es una tarifa premium en comparación con muchos modelos de texto livianos, aunque las comparaciones exactas dependen de las alternativas. No hay presupuestos de tokens específicos ni cifras de referencia en los hechos proporcionados, por lo que la decisión se basa en la complejidad de la tarea. Si tu contenido es texto plano de menos de unos pocos miles de tokens, usa un modelo más económico. Si tu tarea incluye audio largo, video, imágenes o archivos, el soporte de entrada multimodal y el contexto de 1M pueden justificar el precio. OrcaRouter te permite cambiar de modelo modificando el parámetro del modelo, para que puedas dirigir trabajos simples a un modelo más económico y reservar Muse Spark 1.2 para tareas multimodales más difíciles.
El modelo genera texto. No genera imágenes, vídeo ni audio. Acepta esos medios como entradas, pero la respuesta es un completado textual. No hay un límite de tokens de salida declarado en los metadatos proporcionados, pero la configuración estándar de la API, como max_tokens, puede limitar la longitud de una respuesta. Dado que no se proporcionan cifras de referencia, las afirmaciones sobre precisión y capacidades deben verificarse con sus propios datos. El modelo puede no ser capaz de procesar vídeos extremadamente largos si la representación supera la ventana de contexto de 1,048,576 tokens. Tampoco se garantiza un buen rendimiento en tareas fuera del espacio esperado de comprensión multimodal. Al usar OrcaRouter, la API devuelve errores para las solicitudes que superan el presupuesto de contexto o infringen las restricciones de entrada del proveedor.
Los hechos del modelo proporcionado no incluyen puntuaciones de referencia ni tablas de evaluación para Muse Spark 1.2. Esto no significa que el modelo no haya sido probado; significa que los metadatos proporcionados para esta entrada del catálogo no enumeran esos números. Para evaluar el modelo, ejecute sus propios ejemplos de prueba y compare los resultados en métricas específicas de la tarea. OrcaRouter no publica resultados de referencia para modelos de terceros en esta entrada. Sin datos de referencia, los lectores deben basarse en capacidades cualitativas, como una ventana de contexto de 1,048,576 tokens y soporte de entrada multimodal. Cualquier cifra de rendimiento que vea en otro lugar debe provenir directamente de Meta o de evaluaciones independientes. La frase Muse Spark 1.2 no debe asociarse con afirmaciones de referencia específicas aquí. Si necesita una medida cuantitativa de calidad, diseñe un pequeño conjunto de evaluación que cubra los tipos de entrada esperados, incluidos texto, imagen, video, archivo y audio. Mida la precisión de la tarea, la consistencia de la salida y el costo. La ausencia de puntos de referencia publicados también subraya la necesidad de realizar pruebas antes del despliegue en producción.
La ventana de contexto es de 1.048.576 tokens. Este es el tamaño máximo de entrada que el modelo puede manejar en una sola llamada, según se indica en los hechos proporcionados. Un token es una unidad de procesamiento de texto; 1.048.576 tokens equivalen aproximadamente a una gran cantidad de datos textuales, aunque la cantidad exacta de palabras por token varía. Este límite de contexto también se aplica al contenido extraído de entradas de video, imagen, archivo y audio, una vez que se convierte en tokens. Un contexto amplio permite que el modelo vea un documento completo, una transcripción larga o muchos archivos fuente sin dividirlos en fragmentos. También significa que debes ser consciente del uso de tokens al subir archivos multimedia. Si el recuento total de tokens de una solicitud supera la ventana de contexto, la llamada a la API fallará. Usa las herramientas de conteo de tokens de OrcaRouter o tu propia estimación para mantenerte dentro del límite.
No se incluyen cifras de latencia ni de rendimiento en los metadatos suministrados. El tiempo de respuesta real depende de varias variables: la longitud total de la entrada, el número de modalidades, la complejidad del mensaje y la carga del lado del proveedor. Una solicitud que incluya video y audio puede ser más lenta que una solicitud de solo texto porque los datos asociados deben procesarse antes de la inferencia. La longitud de la salida también afecta el tiempo; generar muchos tokens tarda más que generar unos pocos. No se declara ningún nivel garantizado de velocidad o disponibilidad para este modelo. Para obtener mediciones de latencia fiables, evalúe el rendimiento de la API mediante OrcaRouter con solicitudes representativas. Si necesita una latencia extremadamente baja para mensajes simples, use un modelo más pequeño. Para el procesamiento multimodal de contexto largo, la latencia probablemente sea mayor por la naturaleza de la carga de trabajo.
OrcaRouter factura Muse Spark 1.2 a $1.25 por 1,000,000 de tokens de entrada y $4.25 por 1,000,000 de tokens de salida. Estas cifras provienen de los hechos proporcionados y se transmiten a la tarifa del proveedor sin margen de beneficio. Los tokens de entrada son tokens enviados por el cliente, incluyendo texto, contenido de archivos y cualquier representación de imagen, video o audio. Los tokens de salida son los tokens devueltos en el texto generado. Por lo tanto, el costo total de una llamada es la cantidad de tokens de entrada multiplicada por $1.25/1M más la cantidad de tokens de salida multiplicada por $4.25/1M. Debido a que OrcaRouter no añade margen de beneficio, esta es la tarifa por partida que debe usar para presupuestar. La ventana de contexto es de 1,048,576 tokens, por lo que una entrada de contexto completo costaría ligeramente más de $1.25 a la tarifa de entrada. Esa estimación asume exactamente los tokens de entrada máximos; las solicitudes reales varían.
Los tokens de entrada cuestan 1,25 $ por millón. Los tokens de salida cuestan 4,25 $ por millón. Los tokens de salida tienen un precio más alto que los de entrada, lo cual es habitual en los modelos generativos. Para muchas tareas, la salida es una finalización corta mientras que la entrada contiene una gran cantidad de material de origen. En ese caso, el coste de los tokens de entrada domina. Por el contrario, si se solicita un texto largo generado, el coste de salida puede ser significativo. Dado que la ventana de contexto es de 1.048.576 tokens, es posible enviar cerca de ese límite e incurrir en cargos por entrada. Puede reducir el coste de entrada enviando solo las secciones relevantes de los archivos, limitando la duración del vídeo o el audio y recortando el historial de la conversación. OrcaRouter no añade ningún margen, por lo que cualquier diferencia de coste proviene de los volúmenes de uso y de las decisiones.
Los hechos proporcionados no incluyen información sobre precios de caché ni descuentos para Muse Spark 1.2. Algunos proveedores ofrecen precios más bajos por tokens de entrada almacenados en caché, pero aquí no se enumeran tales cifras. Si OrcaRouter o Meta habilita el almacenamiento en caché de prompts para este modelo, el precio de caché disponible se documentaría por separado. Sin esa documentación, asuma que cada token de entrada se factura a la tarifa completa de $1.25 por millón. No planifique su presupuesto en función de ahorros por caché a menos que haya confirmado los términos vigentes. El almacenamiento en caché también depende de la reutilización del prompt; las solicitudes con entradas únicas o altamente variables no se beneficiarán. Consulte la página de precios de OrcaRouter o contacte al soporte para ver si existe un precio de caché para meta/muse-spark-1.2.
OrcaRouter afirma que Muse Spark 1.2 se factura a la tarifa del proveedor sin margen adicional. Eso significa que el precio por token que pagas coincide con la tarifa publicada del proveedor: $1.25 por 1M de tokens de entrada y $4.25 por 1M de tokens de salida. OrcaRouter no añade una tarifa por token ni una comisión de servicio sobre esta entrada. Una tarifa sin margen simplifica la proyección de costos porque la línea de tu factura coincide con el precio de lista del modelo. No significa que no haya una cuota base de suscripción o de infraestructura si OrcaRouter la cobra por la cuenta de API; los datos proporcionados solo describen la facturación por token. Consulta siempre tu plan de OrcaRouter para conocer cualquier costo fijo. El margen cero se aplica a la tarifa del modelo y es la base para las comparaciones de costos con otros modelos.
Para llamar a Muse Spark 1.2 a través de OrcaRouter, establece la URL base en https://api.orcarouter.ai/v1 y usa el id de modelo meta/muse-spark-1.2. Tu cliente debe enviar una solicitud que siga el formato de finalización de chat compatible con OpenAI. Incluye tu clave de API de OrcaRouter en el encabezado Authorization. El array messages puede contener el contenido que deseas procesar. Para entradas multimodales, el formato de contenido para imagen, video, archivo y audio depende del esquema admitido por OrcaRouter; la interfaz compatible con OpenAI normalmente permite partes de contenido. Los nombres exactos de los campos están documentados en la referencia de la API. Asegúrate de que el recuento total de tokens de la solicitud se mantenga dentro de la ventana de contexto de 1.048.576 tokens. Si usas el SDK de OpenAI, configura los parámetros base_url y model en consecuencia.
OrcaRouter expone una API compatible con OpenAI, por lo que los parámetros de inferencia estándar como temperature, top_p, max_tokens y las secuencias de stop pueden estar disponibles. Debido a que son parámetros generales de la API de OpenAI, su comportamiento sigue la especificación de la API. Los hechos proporcionados no enumeran parámetros específicos del modelo para Muse Spark 1.2. También puedes pasar un mensaje de sistema, mensajes de usuario y mensajes de asistente como parte de la conversación. Para la entrada multimodal, el formato de la solicitud debe incluir las partes de contenido correctas para los medios incluidos. No hay garantía de que todos los parámetros de OpenAI sean compatibles con todos los proveedores, por lo que debes probar cada parámetro al migrar. Usa exactamente el ID de modelo meta/muse-spark-1.2. Si un parámetro no es compatible, OrcaRouter devolverá un mensaje de error; verifícalo con la documentación de la API.
Para migrar una integración existente compatible con OpenAI a OrcaRouter, cambia la URL base de tu endpoint actual a https://api.orcarouter.ai/v1 y configura el modelo a meta/muse-spark-1.2. Mantén la misma estructura de mensajes si usabas las finalizaciones de chat estándar de OpenAI. Reemplaza tu clave de API con una clave de OrcaRouter. Si tus solicitudes existentes incluyen extensiones específicas del modelo, elimínalas o adáptalas según la documentación de la API de OrcaRouter. La ventana de contexto es de 1.048.576 tokens, que puede ser más grande que la de tu modelo anterior, lo que permite que la misma solicitud quepa sin truncamiento. Verifica el formato de tu entrada para imagen, video, archivo y audio si usaste campos específicos del proveedor. Prueba primero con una solicitud pequeña. Debido a que Muse Spark 1.2 genera texto, la migración es sencilla para herramientas basadas en texto.
Los datos del modelo suministrado no contienen términos de manejo de datos, retención o privacidad para Muse Spark 1.2 ni OrcaRouter. En general, las solicitudes se envían al proveedor del modelo para generar completaciones. OrcaRouter puede almacenar registros de API o datos de uso para operaciones, pero la política específica no se describe aquí. Si la privacidad de los datos es importante, revise los términos de servicio y la política de privacidad de OrcaRouter, y confirme si los términos del proveedor de Meta se aplican al contenido que usted envía. No asuma que el video, audio o archivos de entrada se eliminan automáticamente después de la inferencia. Para datos confidenciales, considere la redacción y el preprocesamiento local. Esta sección no debe interpretarse como asesoramiento legal. Contacte al soporte de OrcaRouter para obtener el acuerdo de procesamiento de datos vigente. Su uso de la API constituye la aceptación de los términos aplicables.
Muse Spark 1.2 se diferencia de los modelos de lenguaje solo de texto porque acepta entradas de imagen, video, archivo y audio. Un modelo solo de texto solo puede procesar contenido escrito. Para tareas multimodales, Muse Spark 1.2 elimina la necesidad de extraer y transcribir medios antes de llamar a un LLM. Su ventana de contexto de 1,048,576 tokens también le permite contener entradas mucho más largas que muchos modelos estándar. Por otro lado, los modelos solo de texto suelen ser menos costosos y pueden ejecutarse más rápido para trabajo de texto simple. El precio de salida de $4.25 por millón de tokens es más alto que muchos modelos de texto ligeros. Si tu proyecto es únicamente texto y no necesita un contexto largo, un modelo solo de texto podría ser una mejor opción. Si tu flujo de trabajo ya envía imágenes, audio o video, este modelo ofrece una ruta de una sola llamada.
Los modelos de solo audio y solo imagen suelen especializarse en una modalidad y pueden generar etiquetas, embeddings o transcripciones. Muse Spark 1.2 unifica texto, imagen, vídeo, archivo y audio en una única interfaz de generación de texto. Esto puede simplificar los flujos de trabajo que anteriormente combinaban un transcriptor de audio, un generador de descripciones de imágenes y un LLM. Sin embargo, los modelos especialistas pueden estar mejor ajustados para tareas como el reconocimiento de voz o la detección de objetos. No se proporcionan puntuaciones de referencia para Muse Spark 1.2, por lo que no hay datos aquí para comparar con los modelos especialistas. La elección adecuada depende de si se necesita una comprensión general o una precisión específica. Para el razonamiento general sobre múltiples modalidades, un único modelo multimodal puede ser más fácil de mantener. Para una precisión estricta en producción sobre un solo tipo de medio, pruebe alternativas especialistas.
Las únicas cifras de precios proporcionadas para Muse Spark 1.2 son $1.25 por 1M de tokens de entrada y $4.25 por 1M de tokens de salida, facturados sin margen adicional a través de OrcaRouter. Las comparaciones con otros modelos requerirían sus listas de precios, que no forman parte de esta entrada. En general, los modelos multimodales son más costosos de ejecutar que los modelos de texto simples porque procesan entradas más ricas. La ventana de contexto de 1,048,576 tokens puede aumentar el costo si se envían grandes cantidades de medios. Para un prompt de texto corto, el costo de entrada es muy pequeño. Para una solicitud con varios minutos de video y una salida larga, el costo será mayor. Use las tarifas por token y los recuentos de tokens esperados para estimar si un modelo alternativo sería más económico. Dado que OrcaRouter no añade margen adicional, la tarifa del proveedor es el punto de referencia relevante.
Compatible con OpenAI: conserva tu SDK actual
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| 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.
De qué hablan los desarrolladores esta semana
GET /api/public/models/meta/muse-spark-1.2Abrir @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