Muse Spark 1.1 är Metas multimodala resonemangsmodell, byggd för agentiska uppgifter. Den accepterar en ovanligt bred uppsättning indata – text, bilder, video, ljud och PDF-dokument – och returnerar text, med inbyggt resonemang över modaliteter inom ett 1M-tokens kontextfönster. Den stöder konfigurerbar resonemangsansträngning och inbyggt verktygsanrop, vilket gör den väl lämpad för multimodala agenter, djupgående forskning över blandade medier och långkontextanalys. Med effektiv inferens och en bred indatayta riktar sig Muse Spark 1.1 mot arbetsbelastningar som kombinerar dokument, skärmdumpar, inspelningar och video med text – från att analysera långa rapporter och mediebibliotek till att driva flerstegs agentiska pipelines som måste resonera över mer än bara text.
Meta Muse Spark 1.1 är en multimodal stor språkmodell från Meta som kan bearbeta text, bilder, video, filer och ljud i ett enda sammanhang. Dess kontextfönster är 1,048,576 tokens – ungefär 1 miljon…
Muse Spark 1.1s huvudsakliga styrka är dess förmåga att bearbeta och resonera över ett mycket långt sammanhang (1 048 576 tokens) som inkluderar flera mediatyper. Den kan analysera en 500-sidig PDF med inbäddade bilder, eller en 2-timmars video tillsammans med sin ljudtranskription, i ett svep. Detta eliminerar behovet av datastyckning eller separata modeller. Modellen kan också följa detaljerade instruktioner och utföra komplexa resonemangsuppgifter som sammanfattning, frågebesvarande och entitetsextraktion över blandade mediaindata.
Använd Muse Spark 1.1 när din uppgift verkligen drar nytta av ett stort kontextfönster och flera inmatningsmodaliteter. Om du bara behöver kort textgenerering (t.ex. 1 000 tokens) och inga bilder eller ljud, är en billigare text-only-modell med mindre kontext mer kostnadseffektiv. Men för end-to-end multimodal förståelse – som att sammanfatta en video med dess visuella detaljer och ljud – kan Muse Spark 1.1 minska systemkomplexitet och latens genom att undvika flera modellanrop.
De bästa användningsområdena inkluderar granskning av juridiska dokument med skannade PDF-filer och ljudutsagor, analys av journaler som kombinerar bilder och anteckningar, videoinnehållsmoderering (analys av bildrutor och ljud) samt förståelse av akademiska forskningsartiklar med figurer och tabeller. Alla scenarier där en enda prompt måste täcka en lång, heterogen indata gynnas av denna modell. Den fungerar också bra för att bygga multimodala RAG-pipelines där kontextfönstret kan rymma hela dokument plus relevanta bilder.
Modellen är inte optimerad för extremt snabba svar med låg latens – stora kontexter ökar bearbetningstiden. Den stöder inte heller strömningsutdata (vid skrivande stund). För uppgifter som kräver realtidsinteraktion (t.ex. chatbots) är mindre modeller att föredra. Dessutom är kostnaden per token högre än för många textbaserade modeller, så för rena textuppgifter kan den vara överdriven. Modellens prestanda på benchmark-uppgifter har inte offentliggjorts; användare bör utvärdera på egna data.
Meta har inte offentligt släppt benchmarkresultat för Muse Spark 1.1. Användare uppmanas att genomföra egna utvärderingar på representativa uppgifter. Modellens stora kontext och multimodala inmatning tyder på att den borde prestera väl vid dokumentförståelse och visuell QA, men inga standardiserade siffror finns i de angivna fakta. OrcaRouter tillhandahåller inte ytterligare benchmarkdata; prestanda är som levererad av Meta.
Att bearbeta 1,048,576 tokens av multimodal data är beräkningsmässigt dyrt. Latensen beror på indatalängden, antalet bilder eller videoramar och antalet utdatatokens. För mycket långa sammanhang, förvänta minuter snarare än sekunder. OrcaRouter publicerar inte latensriktmärken för denna modell. Användare bör testa med realistiska arbetsbelastningar för att avgöra acceptabla svarstider för deras applikation.
Den största begränsningen är avsaknaden av offentligt tillgänglig prestandadata, vilket gör det svårt att jämföra med alternativa modeller utan anpassad testning. Modellen stöder inte heller utdatamodaliteter utöver text – den kan inte generera bilder eller ljud. Dessutom är 1M tokens kontext teoretisk; verklig noggrannhet kan försämras vid maximal längd för vissa uppgifter. Som med alla stora modeller kan resultaten vara inkonsekventa över olika promptstilar.
På grund av risken för hög latens vid bearbetning av stora multimodala kontexter rekommenderas inte denna modell för realtidsapplikationer som interaktiva chattrobotar eller livetranskribering. Den är bättre lämpad för batchbearbetning, offlineanalys och asynkrona arbetsflöden där en bearbetningstid på några sekunder till minuter är acceptabel. För låglatensbehov, överväg mindre, snabbare modeller som finns tillgängliga via OrcaRouter.
Priset är $1,25 per 1 miljon indatatokens och $4,25 per 1 miljon utdatatokens. Tokens räknas enligt modellens tokenizer; indatatokens inkluderar all text, bildtokens (vanligtvis 170 tokens per bild), videoramar, ljud och filinnehåll. Utdatatokens är genererad text. OrcaRouter vidarebefordrar leverantörens taxa utan påslag, så kostnaden är exakt dessa siffror. Det finns inga ytterligare plattformsavgifter.
Eftersom modellen stöder upp till 1M inmatningstokens kan ett enda anrop med ett långt dokument kosta $1.25 eller mer enbart i inmatningstokens. För korta inmatningar (t.ex. några tusen tokens) är kostnaden mycket lägre – cirka $0.0013 för 1 000 inmatningstokens. Avvägningen är att för uppgifter som endast kräver ett litet sammanhang är billigare modeller med lägre kostnad per token mer ekonomiska. För multimodal uppgifter med stort sammanhang kan denna modell vara mer kostnadseffektiv än att dela upp arbetet mellan flera modeller.
OrcaRouter erbjuder för närvarande inte cachning eller volymrabatter för Muse Spark 1.1. Prissättningen är betala per token. Det finns ingen nivåbaserad prissättning baserad på användningsvolym. Användare bör övervaka sin tokenförbrukning, särskilt för stora multimodala indata, för att hantera kostnaderna. Nollpåslagspolicyn säkerställer att kostnaden exakt återspeglar det underliggande leverantörspriset.
Nej. OrcaRouter debiterar endast för tokenförbrukning enligt leverantörens taxa utan påslag. Det finns inga förfrågningsavgifter, inga månatliga minimibelopp och inga extra avgifter för streaming (även om modellen för närvarande inte stöder streaming). Den enda kostnaden är inmatningstokens för $1,25/1M och utmatningstokens för $4,25/1M. Användarna ansvarar för eventuella kostnader i samband med kodning eller överföring av media till API:et (nätverksbandbredd).
Använd den OpenAI-kompatibla chat completions-slutpunkten. Ställ in base_url till https://api.orcarouter.ai/v1. I begärandetexten, ställ in model till "meta/muse-spark-1.1". Inkludera meddelanden i standard OpenAI-format. För multimodalt innehåll, använd ett meddelande med rollen "user" och innehåll som en array av delar: text, image_url, etc. Autentisering sker via API-nyckel som tillhandahålls av OrcaRouter. Exempel i Python med openai-biblioteket: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
API:t stöder standardparametrar: max_tokens (utdatagräns för token), temperature (0–2, standard 1), top_p (0–1), frequency_penalty, presence_penalty, stoppsekvenser och seed för deterministiska utdata. Modellen stöder för närvarande inte streaming eller funktionsanrop. Parametern n (antal fullföljningar) stöds inte heller – endast en fullföljning per begäran. Kontextfönstrets gräns är totalt 1 048 576 token för indata och utdata tillsammans.
Om du för närvarande använder en annan leverantör, ändra bas-URL till https://api.orcarouter.ai/v1 och modellnamnet till "meta/muse-spark-1.1". Hämta en OrcaRouter API-nyckel från dashboarden. Förfrågningskroppens format är identiskt med OpenAI:s API. Multimodalt innehåll (bilder, videor, filer, ljud) använder samma format som OpenAI:s vision-endpoints. Inga andra kodändringar krävs. Testa med en liten förfrågan för att bekräfta tokenisering och kostnader.
För närvarande stöder Muse Spark 1.1 inte streaming. Förfrågningar är synkrona; svaret returneras när genereringen är klar. För långa kontextprompter kan detta ta avsevärd tid. OrcaRouter kan lägga till streamingstöd i framtiden, men för närvarande är endast icke-streaming tillgängligt. Asynkron bearbetning kan uppnås genom att skicka förfrågningar parallellt från din applikation.
Muse Spark 1.1:s kontextfönster på 1,048,576 tokens är bland de största som finns, och konkurrerar med modeller från andra leverantörer. Men som multimodal modell är den specifikt utformad för att hantera blandade inmatningar. Renodlade textbaserade storkontextmodeller kan vara billigare per token för textbaserade uppgifter. De angivna fakta specificerar inga benchmark-jämförelser, så användare bör utvärdera baserat på sina egna multimodala behov.
Mindre multimodala modeller (t.ex. med 128K kontext) är snabbare och billigare men kan inte bearbeta lika mycket information i ett enda anrop. Muse Spark 1.1 offrar hastighet och kostnad för förmågan att ta in hela dokument eller långa videor. För uppgifter som kan delas upp kan det vara mer effektivt att använda en mindre modell. Rätt val beror på om din applikation verkligen kräver engångsbearbetning av mycket stora indata.
Använd en textbaserad modell när dina indata inte innehåller några bilder, videor eller ljud. Textbaserade modeller med jämförbara kontextstorlekar är ofta billigare per token. Om din uppgift till exempel är att sammanfatta ett 1M token-textdokument utan visuella element, skulle en ren textmodell som kostar mindre än 1,25 USD/1M indata vara mer kostnadseffektiv. Prissättningen för Muse Spark 1.1 är konkurrenskraftig för multimodala uppgifter, men inte för ren text.
OrcaRouter tillhandahåller ett enhetligt OpenAI-kompatibelt gränssnitt, medan Metas direkta API kan använda sitt eget protokoll. OrcaRouter lägger till noll påslag, så token-kostnaden är densamma (förutsatt att Meta tar samma avgift). OrcaRouter kan erbjuda ytterligare funktioner som API-nyckelhantering, användningsspårning och lastbalansering mellan leverantörer. Valet beror på om du föredrar en konsekvent API-abstraktion över flera modeller.
OpenAI-kompatibel — behåll det SDK du redan använder
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| Inmatning / 1M token | $1.25 |
| Utdata / 1M tokens | $4.25 |
| Cacheläsning / 1M | $0.150 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
GET /api/public/models/meta/muse-spark-1.1Öppna @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