Muse Spark 1.2 är Metas resonemangsmodell för komplexa agentiska uppgifter och den aktuella checkpointen i Muse Spark-familjen. Meta beskriver den som en uppdaterad checkpoint jämfört med Muse Spark 1.1 med något högre prestanda, som erbjuds på samma Standard-nivå till identiskt pris — en drop-in-uppgradering snarare än en ny nivå. Den accepterar ett ovanligt brett spektrum av inmatningsytor — text, bilder, video, ljud och PDF-dokument — och returnerar text, med inbyggt resonemang över modaliteter inom ett 1M-token-kontextfönster. Den stöder konfigurerbar resonemangsinsats, nativ verktygsanrop och strukturerade utdata, vilket gör den väl lämpad för multimodala agenter, djupgående forskning över blandade medier och långkontextanalys. Muse Spark 1.2 riktar sig mot arbetsbelastningar som kombinerar dokument, skärmbilder, 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 levererar också muse-spark-1.2-contributor, samma checkpoint på sin Contributor-nivå.
Muse Spark 1.2 är en språkmodell producerad av Meta som levereras via OrcaRouter. Den accepterar text-, bild-, video-, fil- och ljudinmatningar och producerar textutdata. Modellen har ett…
Baserat på de angivna fakta kan Muse Spark 1.2 ta emot text, bild, video, fil och ljud och svara med text. Den är därför lämplig för multimodala förståelseuppgifter som sammanfattning, extraktion, översättning av ljudinnehåll och att besvara frågor om visuellt eller audiellt material. Ett kontextfönster på 1 048 576 token innebär att den kan använda omfattande källmaterial som kontext. Modellen väger alla inmatningsmodaliteter mot samma tokenbudget. Det finns ingen information i de tillhandahållna metadata om specialfunktioner som verktygsanrop, strukturerad utdata eller finjustering. OrcaRouter erbjuder modellen via ett standard-API, så alla funktioner som exponeras av API:t kan användas. För allt som inte omfattas av modellkortet bör du testa modellen med egna prompter och nyttolaster innan du tar den i produktion.
De bästa användningsfallen kommer från kombinationen av multimodal input och stort kontextfönster. Du kan ställa frågor om en lång video, sammanfatta en ljudinspelning, granska bilder tillsammans med stödjande text, eller arbeta med filbilagor i samma konversation. Kontextfönstret på 1 048 576 token stöder även långa dokument och korpusar med flera filer. Använd Muse Spark 1.2 när en uppgift annars skulle kräva flera modeller eller många uppdelade anrop. Om indatan mestadels är text och kort kan en billigare modell ge bättre värde. OrcaRouter faktureras enligt leverantörens taxa, så kostnaden står i proportion till de token du skickar. För att hålla kostnaden hanterbar, förfiltrera innehåll och skicka endast de delar av filer, bilder eller ljud som är relevanta. Den här modellen är inte utformad för att generera media; dess utdata är text.
Muse Spark 1.2 är positionerad som en högkontextuell multimodal modell. För korta textbaserade frågor är en mindre modell vanligtvis snabbare och billigare. Det angivna priset på 4,25 USD per 1 miljon utdatatoken är en premiumtaxa jämfört med många lätta textmodeller, även om exakta jämförelser beror på alternativen. Det finns inga specifika tokenbudgetar eller riktmärkesnummer i de tillhandahållna uppgifterna, så beslutet baseras på uppgiftens komplexitet. Om ditt innehåll är vanlig text under några tusen token, använd en billigare modell. Om din uppgift involverar långt ljud, video, bilder eller filer kan stödet för multimodal inmatning och 1M-kontext motivera priset. OrcaRouter låter dig växla modeller genom att ändra modellparametern, så du kan dirigera enkla jobb till en billigare modell och reservera Muse Spark 1.2 för svårare multimodala uppgifter.
Modellen genererar text. Den genererar inte bilder, video eller ljud. Den accepterar dessa medier som indata, men svaret är en textuell komplettering. Det finns ingen angiven gräns för utdatatokens i den medföljande metadata, men standard-API-inställningar såsom max_tokens kan begränsa längden på ett svar. Eftersom inga benchmarksiffror tillhandahålls bör noggrannhets- och kapacitetspåståenden verifieras med dina egna data. Modellen kanske inte kan bearbeta extremt långa videor om representationen överskrider kontextfönstret på 1,048,576-tokens. Det är inte heller garanterat att den presterar bra på uppgifter utanför det förväntade multimodala förståelseområdet. När OrcaRouter används returnerar API:et fel för förfrågningar som överskrider kontextbudgeten eller bryter mot leverantörens inmatningsbegränsningar.
De tillhandahållna modellfakta innehåller inga benchmark-poäng eller utvärderingstabeller för Muse Spark 1.2. Detta betyder inte att modellen är otestad; det betyder att metadata som tillhandahålls för denna katalogpost inte listar dessa siffror. För att utvärdera modellen, kör egna testexempel och jämför utdata på uppgiftsspecifika mätvärden. OrcaRouter publicerar inte benchmarkresultat för tredjepartsmodeller i denna post. Utan benchmarkdata bör läsare förlita sig på kvalitativa förmågor såsom ett kontextfönster på 1 048 576 tokens och stöd för multimodal inmatning. Alla prestandasiffror du ser någon annanstans bör komma direkt från Meta eller från oberoende utvärderingar. Frasen Muse Spark 1.2 bör inte associeras med specifika benchmarkpåståenden här. Om du behöver ett kvantitativt kvalitetsmått, utforma en liten utvärderingsuppsättning som täcker dina förväntade inmatningstyper, inklusive text, bild, video, fil och ljud. Mät uppgiftsnoggrannhet, utdatakonsistens och kostnad. Avsaknaden av publicerade benchmarks understryker också behovet av testning före produktionsdistribution.
Kontextfönstret är 1 048 576 tokens. Detta är den maximala inmatningsstorleken modellen kan hantera i ett anrop, som anges i de givna fakta. En token är en enhet för textbearbetning; 1 048 576 tokens är ungefär en stor mängd textdata, även om exakta ord per token varierar. Denna kontextgräns gäller även för innehåll från video-, bild-, fil- och ljudinmatningar när de har konverterats till tokens. Ett stort kontextfönster gör att modellen kan se ett helt dokument, en lång transkription eller många källfiler utan att dela upp dem. Det innebär också att du måste vara medveten om tokenanvändning när du laddar upp mediafiler. Om det totala antalet tokens i en begäran överstiger kontextfönstret, kommer API-anropet att misslyckas. Använd OrcaRouters tokenräkningsverktyg eller din egen uppskattning för att hålla dig inom gränsen.
Inga siffror för latens eller genomströmning ingår i de tillhandahållna metadata. Den faktiska svarstiden beror på flera variabler: total inmatningslängd, antal modaliteter, promptens komplexitet och belastning på leverantörssidan. En begäran som involverar video och ljud kan vara långsammare än en textbaserad begäran eftersom de associerade data måste bearbetas innan inferens. Utdatalängden påverkar också tiden; att generera många token tar längre tid än att generera några få token. Det finns ingen garanterad hastighet eller tillgänglighetsnivå angiven för denna modell. För att få tillförlitliga latensmätningar, benchmarka API:t genom OrcaRouter med representativa förfrågningar. Om du behöver extremt låg latens för enkla prompter, använd en mindre modell. För multimodal bearbetning med lång kontext är latensen sannolikt högre av arbetsbelastningens natur.
OrcaRouter fakturerar Muse Spark 1.2 till 1,25 USD per 1 000 000 inmatningstokens och 4,25 USD per 1 000 000 utgående tokens. Dessa siffror kommer från de angivna faktauppgifterna och förs vidare till leverantörens pris utan något påslag. Inmatningstokens är tokens som skickas av klienten, inklusive text, filinnehåll och eventuell bild-, video- eller ljudrepresentation. Utgående tokens är de tokens som returneras i den genererade texten. Den totala kostnaden för ett anrop är därför inmatningstokens gånger 1,25 USD/1M plus utgående tokens gånger 4,25 USD/1M. Eftersom OrcaRouter inte lägger på något påslag, är detta den radspecifika taxa du ska använda för budgetering. Kontextfönstret är 1 048 576 tokens, så en inmatning med full kontext skulle kosta något mer än 1,25 USD till inmatningstaxan. Den uppskattningen förutsätter exakt maximalt antal inmatningstokens; faktiska förfrågningar varierar.
Inmatningstokens kostar 1,25 dollar per miljon. Utmatningstokens kostar 4,25 dollar per miljon. Utmatningstokens prissätts högre än inmatningstokens, vilket är vanligt för generativa modeller. För många uppgifter är utmatningen en kort komplettering medan inmatningen innehåller en stor mängd källmaterial. I sådana fall dominerar kostnaden för inmatningstokens. Omvänt, om du ber om en lång genererad text kan utmatningskostnaden bli betydande. Eftersom kontextfönstret är 1 048 576 tokens är det möjligt att skicka nära den gränsen och ådra sig inmatningsavgifter. Du kan minska inmatningskostnaden genom att endast skicka relevanta avsnitt av filer, begränsa video- eller audiolängd och trimma samtalshistorik. OrcaRouter lägger inte på något påslag, så eventuell skillnad i kostnad beror på användningsvolymer och val.
De tillhandahållna uppgifterna innehåller ingen information om cachepriser eller rabatter för Muse Spark 1.2. Vissa leverantörer erbjuder lägre priser för cachade inmatningstokens, men inga sådana siffror anges här. Om OrcaRouter eller Meta aktiverar promptcachning för denna modell, skulle de tillgängliga cachepriserna dokumenteras separat. Utan den dokumentationen, anta att varje inmatningstoken faktureras enligt full taxa på 1,25 USD per miljon. Planera inte din budget kring cachebesparingar om du inte har bekräftat de aktuella villkoren. Cachning beror också på återanvändning av prompter; förfrågningar med unika eller mycket varierande inmatningar kommer inte att gynnas. Kontrollera OrcaRouters prissida eller kontakta supporten för att se om cachepriser finns för meta/muse-spark-1.2.
OrcaRouter anger att Muse Spark 1.2 faktureras enligt leverantörens taxa utan påslag. Det innebär att priset per token du betalar matchar leverantörens listade taxa: 1,25 USD per 1M input-tokens och 4,25 USD per 1M output-tokens. OrcaRouter lägger inte till någon avgift per token eller serviceavgift utöver detta. En taxa utan påslag förenklar kostnadsprognoser eftersom din fakturarad matchar modellens listpris. Det betyder inte att det inte finns någon basprenumeration eller infrastrukturavgift om OrcaRouter tar ut en sådan för API-kontot; de angivna uppgifterna beskriver endast fakturering per token. Kontrollera alltid din OrcaRouter-plan för eventuella fasta kostnader. Nollpåslaget gäller modellens taxa och är grunden för kostnadsjämförelser med andra modeller.
För att anropa Muse Spark 1.2 via OrcaRouter, ställ in bas-URL:en till https://api.orcarouter.ai/v1 och använd modell-ID:t meta/muse-spark-1.2. Din klient ska skicka en begäran som följer det OpenAI-kompatibla chat completion-formatet. Inkludera din OrcaRouter API-nyckel i Authorization-headern. Messages-arrayen kan innehålla det innehåll du vill bearbeta. För multimodal indata beror innehållsformatet för bild, video, fil och ljud på OrcaRouters schema; det OpenAI-kompatibla gränssnittet tillåter vanligtvis innehållsdelar. De exakta fältnamnen dokumenteras i API-referensen. Se till att det totala antalet tokens i begäran håller sig inom kontextfönstret på 1 048 576 tokens. Om du använder OpenAI SDK, ställ in parametrarna base_url och model därefter.
OrcaRouter exponerar ett OpenAI-kompatibelt API, så standardparametrar för inferens som temperature, top_p, max_tokens och stoppsekvenser kan vara tillgängliga. Eftersom dessa är generella OpenAI API-parametrar följer deras beteende API-specifikationen. De angivna fakta listar inte modellspecifika parametrar för Muse Spark 1.2. Du kan också skicka systemmeddelanden, användarmeddelanden och assistentmeddelanden som en del av konversationen. För multimodal indata bör begäranformatet inkludera rätt innehållsdelar för den inkluderade media. Det finns ingen garanti för att varje OpenAI-parameter stöds av varje leverantör, så testa varje parameter när du migrerar. Använd modell-ID:t meta/muse-spark-1.2 exakt. Om en parameter inte stöds returnerar OrcaRouter ett felmeddelande; verifiera mot API-dokumentationen.
För att migrera en befintlig OpenAI-kompatibel integration till OrcaRouter, ändra bas-URL:en från din nuvarande endpoint till https://api.orcarouter.ai/v1 och ställ in modellen till meta/muse-spark-1.2. Behåll samma meddelandestruktur om du använde standard OpenAI chat completions. Ersätt din API-nyckel med en OrcaRouter-nyckel. Om dina befintliga förfrågningar innehåller modellspecifika tillägg, ta bort eller anpassa dem enligt OrcaRouter:s API-dokumentation. Kontextfönstret är 1 048 576 tokens, vilket kan vara större än din tidigare modell, vilket gör att samma förfrågan får plats utan trunkering. Kontrollera din inmatningsformatering för bild, video, fil och ljud om du använde leverantörsspecifika fält. Testa med en liten förfrågan först. Eftersom Muse Spark 1.2 genererar text är migreringen enkel för textbaserade verktyg.
De angivna modellfakta innehåller inte datahanterings-, lagrings- eller integritetsvillkor för Muse Spark 1.2 eller OrcaRouter. I allmänhet skickas förfrågningar till modellleverantören för att generera svar. OrcaRouter kan lagra API-loggar eller användningsdata för drift, men den specifika policyn beskrivs inte här. Om datasekretess är viktigt, granska OrcaRouters användarvillkor och integritetspolicy och bekräfta om Metas leverantörsvillkor gäller för innehåll du skickar. Anta inte att inmatad video, ljud eller filer automatiskt raderas efter inferens. För konfidentiell data, överväg redigering och lokal förbehandling. Detta avsnitt ska inte läsas som juridisk rådgivning. Kontakta OrcaRouters support för att få det aktuella datahanteringsavtalet. Din användning av API:et utgör godkännande av gällande villkor.
Muse Spark 1.2 skiljer sig från textbaserade språkmodeller genom att den accepterar bild-, video-, fil- och ljudinmatningar. En textbaserad modell kan endast bearbeta skriftligt innehåll. För multimodala uppgifter eliminerar Muse Spark 1.2 behovet av att extrahera och transkribera media innan man anropar en LLM. Dess kontextfönster på 1 048 576 tokens gör att den kan hålla mycket längre indata än många standardmodeller. Å andra sidan är textbaserade modeller ofta billigare och kan köras snabbare för ren text. Priset för utdata på 4,25 USD per miljon tokens är högre än många lätta textmodeller. Om ditt projekt enbart består av text och inte behöver lång kontext, kan en textbaserad modell vara ett bättre val. Om ditt arbetsflöde redan skickar bilder, ljud eller video, erbjuder denna modell en enda anropsväg.
Ljud- och bildmodeller är vanligtvis specialiserade på en modalitet och kan mata ut etiketter, inbäddningar eller transkriptioner. Muse Spark 1.2 förenar text, bild, video, fil och ljud i ett enda textgenereringsgränssnitt. Detta kan förenkla pipelines som tidigare kombinerade en ljudtranskriberare, en bildbeskrivare och en LLM. Specialiserade modeller kan dock vara bättre anpassade för uppgifter som taligenkänning eller objektdetektering. Inga riktmärkespoäng tillhandahålls för Muse Spark 1.2, så det finns inga data här att jämföra med specialiserade modeller. Det lämpliga valet beror på om du behöver allmän förståelse eller dedikerad noggrannhet. För allmänt resonemang över flera modaliteter kan en enda multimodellmodell vara lättare att underhålla. För strikt produktionsnoggrannhet på en mediatyp, testa specialiserade alternativ.
De enda prissiffrorna som tillhandahålls för Muse Spark 1.2 är 1,25 USD per 1M inmatningstokens och 4,25 USD per 1M utmatningstokens, fakturerade utan påslag via OrcaRouter. Jämförelser med andra modeller skulle kräva deras prislistor, som inte ingår i denna post. Generellt sett är multimodala modeller dyrare att köra än enkla textmodeller eftersom de bearbetar rikare indata. Kontextfönstret på 1 048 576 tokens kan öka kostnaden om du skickar stora mängder media. För en kort textprompt är inmatningskostnaden mycket liten. För en begäran med flera minuters video och ett långt utdata blir kostnaden högre. Använd priserna per token och dina förväntade tokenantal för att uppskatta om en alternativ modell skulle vara mer ekonomisk. Eftersom OrcaRouter inte lägger på något påslag är leverantörens pris den relevanta jämförelsegrunden.
OpenAI-kompatibel — behåll det SDK du redan använder
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| 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.
Vad utvecklare säger den här veckan
GET /api/public/models/meta/muse-spark-1.2Öppna @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