Muse Spark 1.2 est le modèle de raisonnement de Meta pour les tâches agentiques complexes, et le point de contrôle actuel de la famille Muse Spark. Meta le décrit comme un point de contrôle mis à jour par rapport à Muse Spark 1.1 avec des performances légèrement supérieures, servi sur le même niveau Standard à un prix identique — une mise à niveau de remplacement plutôt qu'un nouveau niveau. Il accepte une surface d'entrée inhabituellement large — texte, images, vidéo, audio et documents PDF — et renvoie du texte, en raisonnant nativement à travers les modalités dans une fenêtre de contexte de 1M de jetons. Il prend en charge un effort de raisonnement configurable, l'appel d'outils natif et des sorties structurées, ce qui le rend bien adapté aux agents multimodaux, à la recherche approfondie sur des médias mixtes et à l'analyse de longs contextes. Muse Spark 1.2 cible des charges de travail qui combinent documents, captures d'écran, enregistrements et vidéo avec du texte — de l'analyse de longs rapports et bibliothèques médias à la conduite de pipelines agentiques en plusieurs étapes qui doivent raisonner au-delà du texte seul. Meta propose également muse-spark-1.2-contributor, le même point de contrôle sur son niveau Contributor.
Muse Spark 1.2 est un modèle de langage produit par Meta et servi via OrcaRouter. Il accepte des entrées de type texte, image, vidéo, fichier et audio, et génère des sorties textuelles. Le modèle…
D'après les faits fournis, Muse Spark 1.2 peut accepter du texte, des images, des vidéos, des fichiers et de l'audio, et répondre avec du texte. Il est donc adapté aux tâches de compréhension multimodale telles que la synthèse, l'extraction, la traduction de contenu audio et la réponse à des questions sur des documents visuels ou audio. Une fenêtre de contexte de 1 048 576 jetons signifie qu'il peut utiliser une quantité importante de matériel source comme contexte. Le modèle alloue à toutes les modalités d'entrée le même budget de jetons. Les métadonnées fournies ne contiennent aucune information sur des capacités spéciales telles que l'appel d'outils, la sortie structurée ou le fine-tuning. OrcaRouter propose le modèle via une API standard, de sorte que toutes les capacités exposées par l'API peuvent être utilisées. Pour tout ce qui n'est pas couvert par la fiche du modèle, testez le modèle avec vos propres invites et charges utiles avant de le mettre en production.
Les meilleurs cas d’utilisation proviennent de la combinaison d’une entrée multimodale et d’un grand contexte. Vous pouvez poser des questions sur une longue vidéo, résumer un enregistrement audio, examiner des images accompagnées de texte de support, ou travailler avec des pièces jointes dans la même conversation. La fenêtre de contexte de 1 048 576 jetons prend également en charge les documents volumineux et les corpus multi-fichiers. Utilisez Muse Spark 1.2 lorsqu’une tâche nécessiterait autrement plusieurs modèles ou de nombreux appels fragmentés. Si l’entrée est principalement du texte et courte, un modèle moins cher peut offrir un meilleur rapport qualité-prix. OrcaRouter facture au tarif du fournisseur, de sorte que le coût est proportionnel aux jetons que vous envoyez. Pour maîtriser les coûts, pré-filtrez le contenu et n’envoyez que les parties de fichiers, d’images ou d’audio qui sont pertinentes. Ce modèle n’est pas conçu pour générer des médias ; sa sortie est du texte.
Muse Spark 1.2 est positionné comme un modèle multimodal à grand contexte. Pour les requêtes courtes de texte seul, un modèle plus petit sera généralement plus rapide et moins coûteux. Le prix fourni de 4,25 $ par million de jetons de sortie est un tarif premium par rapport à de nombreux modèles de texte légers, bien que les comparaisons exactes dépendent des alternatives. Les faits fournis ne contiennent ni budgets de jetons spécifiques ni chiffres de référence, la décision repose donc sur la complexité de la tâche. Si votre contenu est du texte simple de moins de quelques milliers de jetons, utilisez un modèle moins cher. Si votre tâche implique de l’audio long, de la vidéo, des images ou des fichiers, le support des entrées multimodales et le contexte de 1M peuvent justifier le prix. OrcaRouter vous permet de changer de modèle en modifiant le paramètre model, vous pouvez ainsi acheminer les tâches simples vers un modèle moins cher et réserver Muse Spark 1.2 pour les tâches multimodales plus complexes.
Le modèle génère du texte. Il ne produit pas d'images, de vidéos ou de sons. Il accepte ces médias en entrée, mais la réponse est une complétion textuelle. Aucune limite de jetons de sortie n'est indiquée dans les métadonnées fournies, mais les paramètres standard de l'API, tels que max_tokens, peuvent limiter la longueur d'une réponse. Étant donné qu'aucun chiffre de référence n'est fourni, les affirmations concernant la précision et les capacités doivent être vérifiées avec vos propres données. Le modèle pourrait ne pas être en mesure de traiter des vidéos extrêmement longues si la représentation dépasse la fenêtre de contexte de 1 048 576 jetons. Il n'est pas non plus garanti qu'il fonctionne bien sur des tâches en dehors du champ attendu de compréhension multimodale. Lors de l'utilisation d'OrcaRouter, l'API renvoie des erreurs pour les requêtes qui dépassent le budget de contexte ou qui enfreignent les contraintes d'entrée du fournisseur.
Les faits relatifs au modèle fournis ne comportent aucun score de référence ni tableau d'évaluation pour Muse Spark 1.2. Cela ne signifie pas que le modèle n'est pas testé ; cela signifie que les métadonnées fournies pour cette entrée de catalogue ne répertorient pas ces chiffres. Pour évaluer le modèle, exécutez vos propres exemples de test et comparez les sorties sur des métriques spécifiques aux tâches. OrcaRouter ne publie pas de résultats de référence pour les modèles tiers dans cette entrée. Sans données de référence, les lecteurs doivent s'appuyer sur des capacités qualitatives telles qu'une fenêtre de contexte de 1 048 576 jetons et la prise en charge des entrées multimodales. Tout chiffre de performance que vous voyez ailleurs doit provenir directement de Meta ou d'évaluations indépendantes. L'expression Muse Spark 1.2 ne doit pas être associée à des affirmations de référence spécifiques ici. Si vous avez besoin d'une mesure de qualité quantitative, concevez un petit ensemble d'évaluation couvrant vos types d'entrées attendus, y compris texte, image, vidéo, fichier et audio. Mesurez la précision des tâches, la cohérence des sorties et le coût. L'absence de références publiées souligne également la nécessité de tester avant le déploiement en production.
La fenêtre de contexte est de 1 048 576 tokens. Il s'agit de la taille d'entrée maximale que le modèle peut traiter en un seul appel, comme indiqué dans les informations fournies. Un token est une unité de traitement du texte ; 1 048 576 tokens représentent approximativement une grande quantité de données textuelles, bien que le nombre exact de mots par token varie. Cette limite de contexte s'applique également au contenu provenant d'entrées vidéo, image, fichier et audio, une fois celui-ci converti en tokens. Un grand contexte permet au modèle de voir un document entier, une longue transcription ou de nombreux fichiers source sans découpage. Cela signifie également que vous devez être conscient de l'utilisation des tokens lors du téléversement de fichiers multimédias. Si le nombre total de tokens d'une requête dépasse la fenêtre de contexte, l'appel API échouera. Utilisez les outils de comptage de tokens d'OrcaRouter ou votre propre estimation pour rester dans la limite.
Aucune donnée de latence ou de débit n'est incluse dans les métadonnées fournies. Le temps de réponse réel dépend de plusieurs variables : la longueur totale de l'entrée, le nombre de modalités, la complexité de la requête et la charge côté fournisseur. Une requête impliquant de la vidéo et de l'audio peut être plus lente qu'une requête textuelle uniquement, car les données associées doivent être traitées avant l'inférence. La longueur de la sortie affecte également le temps ; générer de nombreux jetons prend plus de temps que générer quelques jetons. Aucun niveau de vitesse ou de disponibilité garanti n'est indiqué pour ce modèle. Pour obtenir des mesures de latence fiables, évaluez l'API via OrcaRouter avec des requêtes représentatives. Si vous avez besoin d'une latence extrêmement faible pour des requêtes simples, utilisez un modèle plus petit. Pour un traitement multimodal à contexte long, la latence est probablement plus élevée de par la nature de la charge de travail.
OrcaRouter facture Muse Spark 1.2 à 1,25 $ pour 1 000 000 de jetons d'entrée et à 4,25 $ pour 1 000 000 de jetons de sortie. Ces chiffres proviennent des faits fournis et sont transmis au tarif du fournisseur sans aucune majoration. Les jetons d'entrée sont les jetons envoyés par le client, y compris le texte, le contenu de fichiers et toute représentation d'image, de vidéo ou d'audio. Les jetons de sortie sont les jetons renvoyés dans le texte généré. Le coût total d'un appel est donc le nombre de jetons d'entrée multiplié par 1,25 $/1M plus le nombre de jetons de sortie multiplié par 4,25 $/1M. Étant donné qu'OrcaRouter n'ajoute aucune majoration, c'est le taux de poste que vous devez utiliser pour la budgétisation. La fenêtre de contexte est de 1 048 576 jetons, donc une entrée en contexte complet coûterait un peu plus de 1,25 $ au tarif d'entrée. Cette estimation suppose exactement le nombre maximal de jetons d'entrée ; les demandes réelles varient.
Les tokens d'entrée coûtent 1,25 $ par million. Les tokens de sortie coûtent 4,25 $ par million. Les tokens de sortie sont plus chers que les tokens d'entrée, ce qui est courant pour les modèles génératifs. Pour de nombreuses tâches, la sortie est une complétion courte tandis que l'entrée contient une grande quantité de matériel source. Dans ce cas, le coût des tokens d'entrée domine. À l'inverse, si vous demandez un long texte généré, le coût de sortie peut devenir significatif. Étant donné que la fenêtre de contexte est de 1 048 576 tokens, il est possible d'envoyer près de cette limite et d'encourir des frais d'entrée. Vous pouvez réduire le coût d'entrée en envoyant uniquement les sections pertinentes des fichiers, en limitant la durée des vidéos ou de l'audio et en réduisant l'historique de conversation. OrcaRouter n'ajoute aucune majoration, donc toute différence de coût provient des volumes d'utilisation et des choix.
Les faits fournis ne contiennent aucune information sur la tarification du cache ni sur les remises pour Muse Spark 1.2. Certains fournisseurs proposent des prix plus bas pour les tokens d'entrée en cache, mais aucun chiffre de ce type n'est répertorié ici. Si OrcaRouter ou Meta active la mise en cache des prompts pour ce modèle, la tarification du cache disponible serait documentée séparément. Sans cette documentation, supposez que chaque token d'entrée est facturé au tarif complet de 1,25 $ par million. Ne planifiez pas votre budget en fonction des économies de cache, sauf si vous avez confirmé les conditions actuelles. La mise en cache dépend également de la réutilisation des prompts ; les requêtes avec des entrées uniques ou très variables n'en bénéficieront pas. Consultez la page de tarification d'OrcaRouter ou contactez le support pour savoir si une tarification du cache existe pour meta/muse-spark-1.2.
OrcaRouter indique que Muse Spark 1.2 est facturé au tarif du fournisseur avec une marge de zéro. Cela signifie que le prix par jeton que vous payez correspond au tarif affiché du fournisseur : 1,25 $ pour 1 million de jetons d'entrée et 4,25 $ pour 1 million de jetons de sortie. OrcaRouter n'ajoute pas de frais par jeton ni de frais de service en plus de ce prix. Un taux de marge nul simplifie la projection des coûts, car votre ligne de facture correspond au prix catalogue du modèle. Cela ne signifie pas qu'il n'y a pas de frais d'abonnement de base ou de frais d'infrastructure si OrcaRouter en facture un pour le compte API ; les faits fournis ne décrivent que la facturation par jeton. Vérifiez toujours les éventuels coûts fixes dans votre forfait OrcaRouter. La marge nulle s'applique au tarif du modèle et sert de base aux comparaisons de coûts avec d'autres modèles.
Pour appeler Muse Spark 1.2 via OrcaRouter, définissez l'URL de base sur https://api.orcarouter.ai/v1 et utilisez l'identifiant de modèle meta/muse-spark-1.2. Votre client doit envoyer une requête qui suit le format de complétion de chat compatible OpenAI. Incluez votre clé API OrcaRouter dans l'en-tête Authorization. Le tableau messages peut contenir le contenu que vous souhaitez traiter. Pour les entrées multimodales, le format de contenu pour les images, vidéos, fichiers et audio dépend du schéma pris en charge par OrcaRouter ; l'interface compatible OpenAI permet généralement les parties de contenu. Les noms de champs exacts sont documentés dans la référence de l'API. Assurez-vous que le nombre total de jetons de la requête reste dans la fenêtre de contexte de 1,048,576 jetons. Si vous utilisez le SDK OpenAI, définissez les paramètres base_url et model en conséquence.
OrcaRouter expose une API compatible OpenAI, de sorte que les paramètres d'inférence standard comme temperature, top_p, max_tokens et les séquences d'arrêt peuvent être disponibles. Comme ce sont des paramètres généraux de l'API OpenAI, leur comportement suit la spécification de l'API. Les faits fournis ne listent pas de paramètres spécifiques au modèle pour Muse Spark 1.2. Vous pouvez également transmettre un message système, des messages utilisateur et des messages d'assistant dans le cadre de la conversation. Pour une entrée multimodale, le format de la requête doit inclure les parties de contenu correctes pour les médias inclus. Il n'est pas garanti que chaque paramètre OpenAI soit pris en charge par chaque fournisseur, alors testez chaque paramètre lors de votre migration. Utilisez exactement l'identifiant de modèle meta/muse-spark-1.2. Si un paramètre n'est pas pris en charge, OrcaRouter renverra un message d'erreur ; vérifiez la documentation de l'API.
Pour migrer une intégration existante compatible OpenAI vers OrcaRouter, changez l'URL de base de votre endpoint actuel vers https://api.orcarouter.ai/v1 et définissez le modèle sur meta/muse-spark-1.2. Conservez la même structure de message si vous utilisiez les complétions de chat OpenAI standard. Remplacez votre clé API par une clé OrcaRouter. Si vos requêtes existantes incluent des extensions spécifiques au modèle, supprimez-les ou adaptez-les selon la documentation API d'OrcaRouter. La fenêtre de contexte est de 1,048,576 jetons, ce qui peut être plus grand que votre modèle précédent, permettant à la même requête de tenir sans troncature. Vérifiez le formatage de vos entrées pour les images, vidéos, fichiers et audio si vous utilisiez des champs spécifiques au fournisseur. Testez d'abord avec une petite requête. Étant donné que Muse Spark 1.2 génère du texte, la migration est simple pour les outils basés sur le texte.
Les informations fournies sur le modèle ne contiennent pas de termes relatifs au traitement, à la conservation ou à la confidentialité des données pour Muse Spark 1.2 ou OrcaRouter. En général, les requêtes sont envoyées au fournisseur du modèle pour générer des complétions. OrcaRouter peut stocker des journaux d'API ou des données d'utilisation pour les opérations, mais la politique spécifique n'est pas décrite ici. Si la confidentialité des données est importante, examinez les conditions d'utilisation et la politique de confidentialité d'OrcaRouter, et confirmez si les conditions du fournisseur de Meta s'appliquent au contenu que vous envoyez. Ne supposez pas que les vidéos, fichiers audio ou fichiers d'entrée sont automatiquement supprimés après l'inférence. Pour les données confidentielles, envisagez la rédaction et le prétraitement local. Cette section ne doit pas être considérée comme un conseil juridique. Contactez le support d'OrcaRouter pour obtenir l'accord actuel de traitement des données. Votre utilisation de l'API vaut acceptation des conditions applicables.
Muse Spark 1.2 diffère des modèles de langage uniquement textuels car il accepte des entrées sous forme d'images, de vidéos, de fichiers et d'audio. Un modèle uniquement textuel ne peut traiter que le contenu écrit. Pour les tâches multimodales, Muse Spark 1.2 élimine la nécessité d'extraire et de transcrire les médias avant d'appeler un LLM. Sa fenêtre de contexte de 1 048 576 jetons lui permet également de contenir des entrées bien plus longues que de nombreux modèles standards. En revanche, les modèles uniquement textuels sont souvent moins chers et peuvent s'exécuter plus rapidement pour un travail en texte brut. Le prix de sortie de 4,25 $ par million de jetons est plus élevé que celui de nombreux modèles de texte légers. Si votre projet est entièrement textuel et n'a pas besoin d'un long contexte, un modèle uniquement textuel pourrait être mieux adapté. Si votre flux de travail envoie déjà des images, de l'audio ou de la vidéo, ce modèle offre un chemin d'appel unique.
Les modèles uniquement audio et uniquement image se spécialisent généralement dans une seule modalité et peuvent produire des étiquettes, des embeddings ou des transcriptions. Muse Spark 1.2 unifie le texte, l'image, la vidéo, les fichiers et l'audio dans une interface unique de génération de texte. Cela peut simplifier les pipelines qui combinaient auparavant un transcripteur audio, un générateur de légendes d'images et un LLM. Cependant, les modèles spécialisés peuvent être mieux optimisés pour des tâches comme la reconnaissance vocale ou la détection d'objets. Aucun score de référence n'est fourni pour Muse Spark 1.2, il n'y a donc aucune donnée ici permettant de comparer avec les modèles spécialisés. Le choix approprié dépend de ce que vous recherchez : une compréhension générale ou une précision dédiée. Pour un raisonnement général sur plusieurs modalités, un seul modèle multimodal peut être plus facile à maintenir. Pour une précision stricte en production sur un seul type de média, testez des alternatives spécialisées.
Les seuls chiffres de tarification fournis pour Muse Spark 1.2 sont de 1,25 $ par million de jetons d'entrée et de 4,25 $ par million de jetons de sortie, facturés sans marge via OrcaRouter. Des comparaisons avec d'autres modèles nécessiteraient leurs grilles tarifaires, qui ne font pas partie de cette entrée. En règle générale, les modèles multimodaux sont plus coûteux à exécuter que les modèles de texte simples, car ils traitent des entrées plus riches. La fenêtre de contexte de 1 048 576 jetons peut augmenter les coûts si vous envoyez de grandes quantités de médias. Pour une invite texte courte, le coût d'entrée est très faible. Pour une requête contenant plusieurs minutes de vidéo et une sortie longue, le coût sera plus élevé. Utilisez les tarifs par jeton et vos nombres de jetons attendus pour estimer si un modèle alternatif serait plus économique. Comme OrcaRouter n'ajoute aucune marge, le tarif du fournisseur constitue la référence pertinente.
Compatible OpenAI — gardez votre SDK actuel
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| Entrée / 1M tokens | $1.25 |
| Sortie / 1M tokens | $4.25 |
| Lecture cache / 1M | $0.150 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
Ce dont parlent les développeurs cette semaine
GET /api/public/models/meta/muse-spark-1.2Ouvrir @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