Muse Spark 1.1 is Meta's multimodale redeneermodel, gebouwd voor agentische taken. Het accepteert een ongewoon breed scala aan invoer — tekst, afbeeldingen, video, audio en PDF-documenten — en levert tekst, redenerend native over modaliteiten heen binnen een contextvenster van 1M tokens. Het ondersteunt configureerbare redeneerinspanning en native tool calling, waardoor het zeer geschikt is voor multimodale agents, diepgaand onderzoek over gemengde media en lang-contextanalyse. Met efficiënte inferentie en een breed invoeroppervlak richt Muse Spark 1.1 zich op workloads die documenten, schermafbeeldingen, opnames en video combineren met tekst — van het analyseren van lange rapporten en mediabibliotheken tot het aansturen van meerstaps agentische pijplijnen die moeten redeneren over meer dan alleen tekst.
Meta Muse Spark 1.1 is een multimodaal groot taalmodel van Meta dat tekst, afbeeldingen, video, bestanden en audio in één context kan verwerken. Het contextvenster heeft 1.048.576 tokens – ongeveer 1…
De belangrijkste kracht van Muse Spark 1.1 is het vermogen om zeer lange contexten (1,048,576 tokens) die meerdere mediatypen omvatten, te verwerken en erover te redeneren. Het kan een PDF van 500 pagina's met ingesloten afbeeldingen, of een video van 2 uur samen met het bijbehorende audiotranscript, in één keer analyseren. Dit elimineert de noodzaak van chunking of aparte modellen. Het model is ook in staat om gedetailleerde instructies op te volgen en complexe redeneertaken uit te voeren, zoals samenvatting, vraagbeantwoording en entiteitsextractie over gemengde media-ingangen heen.
Gebruik Muse Spark 1.1 wanneer uw taak echt voordeel heeft van een groot contextvenster en meerdere invoermodaliteiten. Als u alleen korte tekstgeneratie (bijv. 1,000 tokens) nodig heeft en geen afbeeldingen of audio, is een goedkoper tekst-only model met een kleinere context kosteneffectiever. Voor end-to-end multimodaal begrip – zoals het samenvatten van een video met de visuele details en audio – kan Muse Spark 1.1 echter de systeemcomplexiteit en latentie verminderen door meerdere modelaanroepen te vermijden.
De beste gebruiksscenario's omvatten juridische documentbeoordeling met gescande pdf's en audioverklaringen, analyse van medische dossiers waarbij afbeeldingen en notities worden gecombineerd, videocontentmoderatie (analyseren van beelden en audio) en begrip van academische onderzoeksartikelen met figuren en tabellen. Elk scenario waarbij één prompt een lange, heterogene invoer moet bestrijken, profiteert van dit model. Het werkt ook goed voor het bouwen van multimodale RAG-pijplijnen waarbij het contextvenster volledige documenten plus relevante afbeeldingen kan bevatten.
Het model is niet geoptimaliseerd voor extreem snelle, lage latentieresponsen – grote contexten verhogen de verwerkingstijd. Het ondersteunt ook geen streaming output (op het moment van schrijven). Voor taken die real-time interactie vereisen (bijv. chatbots), hebben kleinere modellen de voorkeur. Daarnaast zijn de kosten per token hoger dan bij veel alleen-tekstmodellen, dus voor puur tekstuele taken kan het overdreven zijn. De prestaties van het model op benchmarktaken zijn niet bekendgemaakt; gebruikers moeten evalueren op hun eigen data.
Meta heeft geen benchmark scores publiekelijk vrijgegeven voor Muse Spark 1.1. Gebruikers wordt geadviseerd om hun eigen evaluaties uit te voeren op representatieve taken. De grote context en multimodale invoer van het model suggereren dat het goed zou moeten presteren op documentbegrip en visuele QA, maar er bestaan geen gestandaardiseerde cijfers in de verstrekte feiten. OrcaRouter biedt geen extra benchmark gegevens; prestaties zijn zoals geleverd door Meta.
Het verwerken van 1.048.576 tokens van multimodale gegevens is rekenintensief. De latentie hangt af van de invoerlengte, het aantal afbeeldingen of videoframes en het aantal uitvoertokens. Voor zeer lange contexten kunt u eerder minuten dan seconden verwachten. OrcaRouter publiceert geen latentiebenchmarks voor dit model. Gebruikers moeten testen met realistische workloads om acceptabele responstijden voor hun toepassing te bepalen.
De belangrijkste beperking is het ontbreken van openbaar beschikbare prestatiegegevens, waardoor het moeilijk is om zonder eigen tests te vergelijken met alternatieve modellen. Het model ondersteunt ook geen uitvoermodaliteiten anders dan tekst – het kan geen afbeeldingen of audio genereren. Daarnaast is de context van 1 miljoen tokens theoretisch; de nauwkeurigheid in de praktijk kan bij maximale lengte afnemen voor sommige taken. Zoals bij alle grote modellen kunnen resultaten inconsistent zijn bij verschillende promptstijlen.
Vanwege de kans op hoge latentie bij het verwerken van grote multimodale contexten, wordt dit model niet aanbevolen voor realtime toepassingen zoals interactieve chatbots of live transcriptie. Het is beter geschikt voor batchverwerking, offline analyse en asynchrone workflows waarbij een verwerkingstijd van enkele seconden tot minuten acceptabel is. Voor lage-latentiebehoeften kunt u kleinere, snellere modellen overwegen die beschikbaar zijn via OrcaRouter.
De prijs is $1.25 per 1 miljoen invoertokens en $4.25 per 1 miljoen uitvoertokens. Tokens worden geteld volgens de tokenizer van het model; invoertokens omvatten alle tekst, beeldtokens (doorgaans 170 tokens per afbeelding), videoframes, audio en bestandsinhoud. Uitvoertokens zijn gegenereerde tekst. OrcaRouter geeft het providerstarief door zonder opslag, dus de kosten zijn exact deze bedragen. Er zijn geen extra platformkosten.
Omdat het model tot 1M invoertokens ondersteunt, kan een enkele aanroep met een lang document alleen al aan invoertokens $1.25 of meer kosten. Voor korte invoer (bijv. een paar duizend tokens) zijn de kosten veel lager – ongeveer $0.0013 voor 1.000 invoertokens. De afweging is dat voor taken die slechts een kleine context vereisen, goedkopere modellen met lagere tarieven per token economischer zijn. Voor multimodale taken met grote context kan dit model kosteneffectiever zijn dan het werk over meerdere modellen te verdelen.
OrcaRouter biedt momenteel geen caching of volumekortingen voor Muse Spark 1.1. De prijzen zijn pay-as-you-go per token. Er is geen gelaagde prijsstelling op basis van gebruikersvolume. Gebruikers moeten hun tokenverbruik controleren, vooral voor grote multimodale invoer, om de kosten te beheren. Het zero-markup-beleid zorgt ervoor dat de kosten exact de onderliggende providerprijs weerspiegelen.
Nee. OrcaRouter rekent alleen voor tokenverbruik tegen het provider-tarief, zonder winstopslag. Er zijn geen verzoekkosten, geen maandelijkse minimumkosten en geen toeslagen voor streaming (hoewel het model momenteel geen streaming ondersteunt). De enige kosten zijn invoertokens voor $1,25/1M en uitvoertokens voor $4,25/1M. Gebruikers zijn verantwoordelijk voor eventuele kosten die verband houden met het coderen of verzenden van media naar de API (netwerkbandbreedte).
Gebruik het OpenAI-compatibele chatcompletions-eindpunt. Stel base_url in op https://api.orcarouter.ai/v1. Stel in de verzoekbody model in op "meta/muse-spark-1.1". Voeg berichten toe in standaard OpenAI-formaat. Gebruik voor multimodale inhoud een bericht met rol "user" en content als een array van delen: tekst, image_url, enz. Authenticatie gebeurt via een API-sleutel verstrekt door OrcaRouter. Voorbeeld in Python met de openai-bibliotheek: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
De API ondersteunt standaard parameters: max_tokens (limiet voor uitvoertokens), temperature (0-2, standaard 1), top_p (0-1), frequency_penalty, presence_penalty, stopreeksen, en seed voor deterministische uitvoer. Het model ondersteunt momenteel geen streaming of function calling. De n-parameter (aantal completions) wordt ook niet ondersteund – slechts één completion per verzoek. De contextvensterlimiet is in totaal 1.048.576 tokens voor invoer en uitvoer gecombineerd.
Als u momenteel een andere provider gebruikt, wijzig dan de basis-URL naar https://api.orcarouter.ai/v1 en de modelnaam naar "meta/muse-spark-1.1". Verkrijg een OrcaRouter API-sleutel van het dashboard. Het formaat van de aanvraagbody is identiek aan de API van OpenAI. Multimodale inhoud (afbeeldingen, video's, bestanden, audio) gebruikt hetzelfde formaat als de vision-eindpunten van OpenAI. Er zijn geen andere codewijzigingen vereist. Test met een klein verzoek om tokenisatie en kosten te bevestigen.
Op dit moment ondersteunt Muse Spark 1.1 geen streaming. Verzoeken zijn synchroon; het antwoord wordt geretourneerd zodra de generatie is voltooid. Voor prompts met een lange context kan dit aanzienlijke tijd in beslag nemen. OrcaRouter kan in de toekomst streaming-ondersteuning toevoegen, maar momenteel is alleen niet-streaming beschikbaar. Asynchrone verwerking kan worden bereikt door verzoeken parallel te verzenden vanuit uw applicatie.
De contextvenster van Muse Spark 1.1 van 1.048.576 tokens behoort tot de grootste beschikbare, en concurreert met modellen van andere aanbieders. Omdat het echter een multimodaal model is, is het specifiek ontworpen voor gemengde inputs. Puur tekstgebaseerde modellen met een grote context kunnen goedkoper zijn per token voor alleen-tekst-taken. De verstrekte feiten specificeren geen benchmarkvergelijkingen, dus gebruikers moeten evalueren op basis van hun eigen multimodale behoeften.
Kleinere multimodale modellen (bijv. met 128K context) zijn sneller en goedkoper, maar kunnen niet zoveel informatie verwerken in één enkele aanroep. Muse Spark 1.1 offert snelheid en kosten op ten gunste van de mogelijkheid om volledige documenten of lange video's op te nemen. Voor taken die in stukken kunnen worden verdeeld, kan het gebruik van een kleiner model efficiënter zijn. De juiste keuze hangt af van of uw applicatie daadwerkelijk een eenmalige verwerking van zeer grote invoer vereist.
Gebruik een tekst-only model wanneer uw invoer geen afbeeldingen, video of audio bevat. Tekst-only modellen met vergelijkbare contextgroottes zijn vaak goedkoper per token. Bijvoorbeeld, als uw taak het samenvatten van een document van 1M tokens zonder visuele elementen is, dan zou een puur tekstmodel dat minder dan $1.25/1M invoer kost, kosteneffectiever zijn. De prijsstelling van Muse Spark 1.1 is concurrerend voor multimodale taken, maar niet voor pure tekst.
OrcaRouter biedt een uniforme, OpenAI-compatibele interface, terwijl Meta's directe API mogelijk zijn eigen protocol gebruikt. OrcaRouter voegt geen toeslag toe, dus de tokencost is hetzelfde (ervan uitgaande dat Meta hetzelfde tarief rekent). OrcaRouter biedt mogelijk extra functies zoals API-sleutelbeheer, gebruiksregistratie en load balancing tussen aanbieders. De keuze hangt af van of u de voorkeur geeft aan een consistente API-abstraction voor meerdere modellen.
OpenAI-compatibel — behoud je huidige SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Invoer / 1M tokens | $1.25 |
| Uitvoer / 1M tokens | $4.25 |
| Cache lezen / 1M | $0.150 |
| Valuta | USD |
Schatting op basis van catalogusprijs
Alleen een schatting — het werkelijke aantal tokens hangt af van de tokenizer van de aanbieder.
GET /api/public/models/meta/muse-spark-1.1Openen @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