Muse Spark 1.1 — это мультимодальная модель рассуждений от Meta, созданная для агентных задач. Она принимает необычно широкий спектр входных данных — текст, изображения, видео, аудио и PDF-документы — и возвращает текст, выполняя рассуждения нативно по всем модальностям в окне контекста размером в 1 млн токенов. Она поддерживает настраиваемое усилие рассуждения и встроенный вызов инструментов, что делает её подходящей для мультимодальных агентов, глубокого анализа смешанных медиа и работы с длинным контекстом. Благодаря эффективному выводу и широкой поверхности входных данных, Muse Spark 1.1 нацелена на задачи, объединяющие документы, скриншоты, записи и видео с текстом — от анализа длинных отчётов и медиабиблиотек до управления многоступенчатыми агентными пайплайнами, которые должны рассуждать не только над текстом.
Meta Muse Spark 1.1 — это мультимодальная большая языковая модель от Meta, способная обрабатывать текст, изображения, видео, файлы и аудио в одном контексте. Её контекстное окно составляет 1 048 576…
Muse Spark 1.1 — это модель, основным преимуществом которой является способность обрабатывать и рассуждать на основе очень длинного контекста (1 048 576 токенов), включающего несколько типов медиа. Она может за один раз проанализировать 500-страничный PDF-файл со встроенными изображениями или двухчасовое видео вместе с аудиотранскрипцией. Это устраняет необходимость в разбивке на части или использовании отдельных моделей. Модель также способна следовать подробным инструкциям и выполнять сложные задачи рассуждения, такие как обобщение, ответы на вопросы и извлечение сущностей из смешанных медиа-входных данных.
Используйте Muse Spark 1.1, когда ваша задача действительно выигрывает от большого окна контекста и нескольких модальностей ввода. Если вам нужна только генерация коротких текстов (например, 1000 токенов) и не нужны изображения или аудио, более дешевая текстовая модель с меньшим контекстом будет более рентабельной. Но для сквозного мультимодального понимания – например, для суммирования видео с его визуальными деталями и аудио – Muse Spark 1.1 может снизить сложность системы и задержку, избегая множественных вызовов моделей.
Лучшие сценарии использования включают анализ юридических документов с отсканированными PDF-файлами и аудиозаписями показаний, анализ медицинских записей с объединением изображений и заметок, модерацию видеоконтента (анализ кадров и аудио), а также понимание академических исследовательских статей с рисунками и таблицами. Любой сценарий, где один запрос должен охватывать длинный и разнородный ввод, выигрывает от этой модели. Она также хорошо подходит для построения мультимодальных RAG-пайплайнов, где контекстное окно может вмещать целые документы вместе с соответствующими изображениями.
Модель не оптимизирована для сверхскоростных ответов с низкой задержкой — большие контексты увеличивают время обработки. Она также не поддерживает потоковый вывод (на момент написания). Для задач, требующих взаимодействия в реальном времени (например, чат-боты), предпочтительны более маленькие модели. Кроме того, стоимость за токен выше, чем у многих текстовых моделей, поэтому для чистых текстовых задач она может быть избыточной. Производительность модели на тестовых задачах не раскрыта; пользователи должны оценивать на своих собственных данных.
Meta не опубликовала публично контрольные показатели для Muse Spark 1.1. Пользователям рекомендуется проводить собственные оценки на репрезентативных задачах. Большой контекст и мультимодальный ввод модели предполагают, что она должна хорошо справляться с пониманием документов и визуальными вопросами-ответами, но в предоставленных фактах нет стандартизированных чисел. OrcaRouter не предоставляет дополнительных данных для сравнительного анализа; производительность соответствует той, что предоставлена Meta.
Обработка 1,048,576 токенов мультимодальных данных требует значительных вычислительных ресурсов. Задержка зависит от длины входных данных, количества изображений или видеокадров и количества выходных токенов. Для очень длинных контекстов ожидайте минуты, а не секунды. OrcaRouter не публикует эталонные показатели задержки для этой модели. Пользователи должны тестировать с реалистичными рабочими нагрузками, чтобы определить приемлемое время отклика для своего приложения.
Основным ограничением является отсутствие общедоступных данных о производительности, что затрудняет сравнение с альтернативными моделями без проведения собственного тестирования. Модель также не поддерживает выходные модальности, кроме текста – она не может генерировать изображения или аудио. Кроме того, контекст в 1 миллион токенов является теоретическим; в реальных условиях точность может снижаться при максимальной длине для некоторых задач. Как и в случае со всеми большими моделями, результаты могут быть нестабильными в зависимости от стиля запроса.
Из-за возможной высокой задержки при обработке больших мультимодальных контекстов эта модель не рекомендуется для приложений реального времени, таких как интерактивные чат-боты или прямая транскрипция. Она лучше подходит для пакетной обработки, офлайн-анализа и асинхронных рабочих процессов, где приемлемо время обработки от нескольких секунд до минут. Для задач с низкой задержкой рассмотрите более маленькие и быстрые модели, доступные через OrcaRouter.
Цена составляет $1.25 за 1 миллион входных токенов и $4.25 за 1 миллион выходных токенов. Токены подсчитываются в соответствии с токенизатором модели; входные токены включают весь текст, токены изображений (обычно 170 токенов на изображение), видеокадры, аудио и содержимое файлов. Выходные токены — это сгенерированный текст. OrcaRouter передает тариф провайдера без наценки, поэтому стоимость составляет именно эти цифры. Дополнительные платформенные сборы отсутствуют.
Поскольку модель поддерживает до 1M входных токенов, один вызов с длинным документом может стоить $1.25 или более только за входные токены. Для коротких входных данных (например, несколько тысяч токенов) стоимость гораздо ниже – около $0.0013 за 1000 входных токенов. Компромисс заключается в том, что для задач, требующих лишь небольшого контекста, более дешевые модели с более низкими ставками за токен являются более экономичными. Для многомодальных задач с большим контекстом эта модель может быть более рентабельной, чем разделение работы между несколькими моделями.
OrcaRouter в настоящее время не предлагает кэширование или скидки за объем для Muse Spark 1.1. Ценообразование — оплата по мере использования за токен. Нет многоуровневого ценообразования в зависимости от объема использования. Пользователям следует отслеживать потребление токенов, особенно для больших мультимодальных входных данных, чтобы контролировать расходы. Политика нулевой наценки гарантирует, что стоимость точно отражает цену базового поставщика.
Нет. OrcaRouter взимает плату только за потребление токенов по тарифу провайдера без наценки. Нет платы за запросы, нет ежемесячного минимума и нет дополнительных сборов за стриминг (хотя в настоящее время модель не поддерживает стриминг). Единственная стоимость — входные токены по $1.25/1M и выходные токены по $4.25/1M. Пользователи несут ответственность за любые расходы, связанные с кодированием или передачей медиа в API (пропускная способность сети).
Используйте конечную точку chat completions, совместимую с OpenAI. Установите base_url в https://api.orcarouter.ai/v1. В теле запроса установите model в "meta/muse-spark-1.1". Включите сообщения в стандартном формате OpenAI. Для мультимодального контента используйте сообщение с ролью "user" и content в виде массива частей: text, image_url и т.д. Аутентификация осуществляется через API-ключ, предоставленный OrcaRouter. Пример на Python с использованием библиотеки openai: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
API поддерживает стандартные параметры: max_tokens (лимит выходных токенов), temperature (0-2, по умолчанию 1), top_p (0-1), frequency_penalty, presence_penalty, stop sequences, и seed для детерминированных результатов. На данный момент модель не поддерживает потоковую передачу или вызов функций. Параметр n (количество завершений) также не поддерживается – только одно завершение на запрос. Лимит контекстного окна составляет 1 048 576 токенов суммарно на ввод и вывод.
Если вы в настоящее время используете другого провайдера, измените базовый URL на https://api.orcarouter.ai/v1 и название модели на "meta/muse-spark-1.1". Получите ключ API OrcaRouter на панели управления. Формат тела запроса идентичен API OpenAI. Мультимодальный контент (изображения, видео, файлы, аудио) использует тот же формат, что и vision endpoints OpenAI. Никаких других изменений кода не требуется. Протестируйте с небольшим запросом, чтобы подтвердить токенизацию и стоимость.
В настоящее время Muse Spark 1.1 не поддерживает потоковую передачу. Запросы являются синхронными; ответ возвращается после завершения генерации. Для запросов с длинным контекстом это может занять значительное время. OrcaRouter может добавить поддержку потоковой передачи в будущем, но на данный момент доступна только непотоковая передача. Асинхронная обработка может быть достигнута путем отправки запросов параллельно из вашего приложения.
Окно контекста Muse Spark 1.1 размером 1,048,576 токенов является одним из самых больших из доступных, конкурируя с моделями других провайдеров. Однако, будучи мультимодальной моделью, она специально разработана для обработки смешанных входных данных. Чисто текстовые модели с большим контекстом могут быть дешевле за токен для задач, связанных только с текстом. Предоставленные факты не содержат сравнительных бенчмарков, поэтому пользователям следует оценивать модель на основе собственных мультимодальных потребностей.
Меньшие мультимодальные модели (например, с контекстом 128K) быстрее и дешевле, но не могут обработать столько информации за один вызов. Muse Spark 1.1 жертвует скоростью и стоимостью ради возможности поглощать целые документы или длинные видео. Для задач, которые можно разбить на части, использование меньшей модели может быть более эффективным. Правильный выбор зависит от того, действительно ли ваше приложение требует одноразовой обработки очень больших входных данных.
Используйте текстовую модель, если ваши входные данные не содержат изображений, видео или аудио. Текстовые модели с сопоставимым размером контекста часто дешевле за токен. Например, если ваша задача — суммирование текстового документа на 1M токенов без визуальных элементов, чисто текстовая модель стоимостью менее $1.25/1M входных токенов будет более экономичной. Цены на Muse Spark 1.1 конкурентоспособны для мультимодальных задач, но не для чистого текста.
OrcaRouter предоставляет унифицированный интерфейс, совместимый с OpenAI, в то время как прямой API Meta может использовать собственный протокол. OrcaRouter не добавляет наценки, поэтому стоимость токенов такая же (при условии, что Meta взимает ту же ставку). OrcaRouter может предлагать дополнительные функции, такие как управление ключами API, отслеживание использования и балансировка нагрузки между провайдерами. Выбор зависит от того, предпочитаете ли вы согласованную абстракцию API для нескольких моделей.
Совместимо с OpenAI — оставьте свой SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Ввод / 1M токенов | $1.25 |
| Вывод / 1M токенов | $4.25 |
| Чтение кэша / 1M | $0.150 |
| Валюта | USD |
Оценка по прайс-листу
Только оценка — фактическое число токенов зависит от токенизатора провайдера.
GET /api/public/models/meta/muse-spark-1.1Открыть @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