Muse Spark 1.1 เป็นโมเดลการให้เหตุผลแบบหลายรูปแบบของ Meta ที่ถูกสร้างขึ้นสำหรับงานเชิงตัวแทน รองรับอินพุตที่หลากหลายผิดปกติ — ข้อความ, รูปภาพ, วิดีโอ, เสียง, และเอกสาร PDF — และส่งคืนข้อความ พร้อมให้เหตุผลแบบเนทีฟข้ามรูปแบบภายในหน้าต่างบริบทขนาด 1M โทเค็น รองรับการปรับแต่งความพยายามในการให้เหตุผลและการเรียกใช้เครื่องมือแบบเนทีฟ ทำให้เหมาะอย่างยิ่งสำหรับตัวแทนหลายรูปแบบ การวิจัยเชิงลึกผ่านสื่อผสม และการวิเคราะห์บริบทระยะยาว ด้วยการอนุมานที่มีประสิทธิภาพและพื้นผิวอินพุตที่กว้าง Muse Spark 1.1 มุ่งเป้าไปที่ภาระงานที่ผสมผสานเอกสาร, ภาพหน้าจอ, การบันทึก, และวิดีโอร่วมกับข้อความ — ตั้งแต่การวิเคราะห์รายงานระยะยาวและคลังสื่อ ไปจนถึงการขับเคลื่อนไปป์ไลน์เชิงตัวแทนแบบหลายขั้นตอนที่ต้องให้เหตุผลมากกว่าแค่ข้อความ
Meta Muse Spark 1.1 เป็นโมเดลภาษาขนาดใหญ่แบบมัลติโมดัลจาก Meta ที่สามารถประมวลผลข้อความ รูปภาพ วิดีโอ ไฟล์ และเสียงในบริบทเดียว หน้าต่างบริบทของโมเดลคือ 1,048,576 โทเคน – ประมาณ 1 ล้านโทเคน –…
จุดแข็งหลักของ Muse Spark 1.1 คือความสามารถในการประมวลผลและให้เหตุผลกับบริบทที่ยาวมาก (1,048,576 โทเคน) ซึ่งประกอบด้วยสื่อหลายประเภท สามารถวิเคราะห์ไฟล์ PDF 500 หน้าที่มีรูปภาพฝังอยู่ หรือวิดีโอความยาว 2 ชั่วโมงพร้อมกับบทถอดเสียงแบบเสียงในครั้งเดียว ซึ่งช่วยลดความจำเป็นในการแบ่งส่วนหรือใช้โมเดลแยกต่างหาก นอกจากนี้โมเดลยังสามารถทำตามคำแนะนำโดยละเอียดและทำงานให้เหตุผลที่ซับซ้อน เช่น การสรุปความ การตอบคำถาม และการแยกเอนทิตีจากอินพุตสื่อผสม
ใช้ Muse Spark 1.1 เมื่องานของคุณได้รับประโยชน์อย่างแท้จริงจากหน้าต่างบริบทขนาดใหญ่และรูปแบบอินพุตที่หลากหลาย หากคุณต้องการเพียงการสร้างข้อความสั้น (เช่น 1,000 โทเค็น) และไม่มีรูปภาพหรือเสียง โมเดลที่เน้นข้อความอย่างเดียวที่ถูกกว่าและมีบริบทที่เล็กกว่าก็คุ้มค่ากว่า อย่างไรก็ตาม สำหรับความเข้าใจแบบมัลติโมดัลแบบครบวงจร เช่น การสรุปวิดีโอพร้อมรายละเอียดภาพและเสียง Muse Spark 1.1 สามารถลดความซับซ้อนของระบบและความหน่วงโดยหลีกเลี่ยงการเรียกใช้โมเดลหลายครั้ง
กรณีการใช้งานที่ดีที่สุดรวมถึงการทบทวนเอกสารทางกฎหมายด้วยไฟล์ PDF ที่สแกนและคำให้การด้วยเสียง, การวิเคราะห์เวชระเบียนที่รวมรูปภาพและบันทึก, การควบคุมเนื้อหาวิดีโอ (วิเคราะห์เฟรมและเสียง), และการทำความเข้าใจเอกสารวิจัยทางวิชาการที่มีรูปและตาราง สถานการณ์ใดก็ตามที่พรอมต์เดียวต้องครอบคลุมอินพุตที่ยาวและหลากหลายจะได้รับประโยชน์จากโมเดลนี้ นอกจากนี้ยังทำงานได้ดีสำหรับการสร้างไปป์ไลน์ RAG แบบมัลติโมดัลที่คอนเท็กซ์วินโดว์สามารถเก็บเอกสารทั้งหมดรวมถึงรูปภาพที่เกี่ยวข้อง
โมเดลนี้ไม่ได้ถูกออกแบบมาเพื่อการตอบสนองที่รวดเร็วและมีเวลาแฝงต่ำ – บริบทขนาดใหญ่จะเพิ่มเวลาในการประมวลผล นอกจากนี้ยังไม่รองรับการส่งออกแบบสตรีมมิ่ง (ในขณะที่เขียนเอกสารนี้) สำหรับงานที่ต้องการการโต้ตอบแบบเรียลไทม์ (เช่น แชทบอท) โมเดลขนาดเล็กจะเหมาะสมกว่า อีกทั้งราคาต่อโทเค็นสูงกว่าโมเดลที่ประมวลผลข้อความอย่างเดียวหลายรุ่น ดังนั้นสำหรับงานที่ใช้ข้อความล้วนอาจจะมากเกินไป ผลการทำงานของโมเดลในการทดสอบมาตรฐานยังไม่ถูกเปิดเผย ผู้ใช้ควรประเมินด้วยข้อมูลของตนเอง
Meta ยังไม่ได้เผยแพร่คะแนนการวัดประสิทธิภาพของ Muse Spark 1.1 ต่อสาธารณะ แนะนำให้ผู้ใช้ทำการประเมินผลด้วยตนเองในงานที่เป็นตัวแทน โมเดลมีบริบทขนาดใหญ่และอินพุตแบบมัลติโมดัล ซึ่งบ่งชี้ว่าควรทำงานได้ดีในด้านการทำความเข้าใจเอกสารและการตอบคำถามเชิงภาพ แต่ไม่มีตัวเลขมาตรฐานในข้อเท็จจริงที่ให้มา OrcaRouter ไม่ได้ให้ข้อมูลการวัดประสิทธิภาพเพิ่มเติม ผลการทำงานจะเป็นไปตามที่ Meta ส่งมอบ
การประมวลผลโทเค็น 1,048,576 รายการของข้อมูลมัลติโมดัลมีค่าใช้จ่ายด้านการคำนวณสูง เวลาแฝงขึ้นอยู่กับความยาวอินพุต จำนวนภาพหรือเฟรมวิดีโอ และจำนวนโทเค็นเอาต์พุต สำหรับบริบทที่ยาวมาก ให้คาดหวังเป็นนาทีมากกว่าวินาที OrcaRouter ไม่ได้เผยแพร่เกณฑ์มาตรฐานเวลาแฝงสำหรับโมเดลนี้ ผู้ใช้ควรทดสอบกับปริมาณงานที่สมจริงเพื่อกำหนดเวลาตอบสนองที่ยอมรับได้สำหรับแอปพลิเคชันของตน
ข้อจำกัดหลักคือการขาดข้อมูลประสิทธิภาพที่เปิดเผยต่อสาธารณะ ทำให้ยากต่อการเปรียบเทียบกับโมเดลทางเลือกอื่นโดยไม่ต้องทดสอบแบบกำหนดเอง โมเดลยังไม่รองรับรูปแบบผลลัพธ์ที่เกินกว่าข้อความ – ไม่สามารถสร้างภาพหรือเสียงได้ นอกจากนี้ บริบทโทเค็น 1M นั้นเป็นเพียงทฤษฎี ความแม่นยำในโลกจริงอาจลดลงที่ความยาวสูงสุดสำหรับบางงาน เช่นเดียวกับโมเดลขนาดใหญ่ทั้งหมด ผลลัพธ์อาจไม่สอดคล้องกันในรูปแบบพรอมต์ที่แตกต่างกัน
เนื่องจากอาจเกิดความหน่วงสูงเมื่อประมวลผลบริบทมัลติโมดัลขนาดใหญ่ โมเดลนี้จึงไม่แนะนำสำหรับแอปพลิเคชันแบบเรียลไทม์ เช่น แชทบอทแบบโต้ตอบหรือการถอดความสด เหมาะสำหรับการประมวลผลเป็นชุด การวิเคราะห์แบบออฟไลน์ และเวิร์กโฟลว์แบบอะซิงโครนัส ซึ่งเวลาประมวลผลไม่กี่วินาทีถึงนาทีเป็นที่ยอมรับได้ สำหรับความต้องการความหน่วงต่ำ ควรพิจารณาโมเดลที่เล็กและเร็วกว่าที่มีให้ผ่าน OrcaRouter
ราคาอยู่ที่ $1.25 ต่อ 1 ล้าน token ขาเข้า และ $4.25 ต่อ 1 ล้าน token ขาออก Token จะถูกนับตาม tokenizer ของโมเดล; token ขาเข้ารวมถึงข้อความทั้งหมด, token รูปภาพ (ปกติ 170 token ต่อรูปภาพ), เฟรมวิดีโอ, เสียง, และเนื้อหาไฟล์ token ขาออกคือข้อความที่ถูกสร้างขึ้น OrcaRouter จะส่งต่ออัตราของผู้ให้บริการโดยไม่มีส่วนเพิ่ม ดังนั้นต้นทุนจึงตรงตามตัวเลขเหล่านี้ ไม่มีค่าธรรมเนียมแพลตฟอร์มเพิ่มเติม
เนื่องจากโมเดลรองรับโทเค็นอินพุตสูงสุดถึง 1M การเรียกใช้ครั้งเดียวกับเอกสารยาวอาจมีค่าใช้จ่าย $1.25 หรือมากกว่านั้นเฉพาะในส่วนของโทเค็นอินพุต สำหรับอินพุตสั้นๆ (เช่น ไม่กี่พันโทเค็น) ค่าใช้จ่ายจะต่ำกว่ามาก – ประมาณ $0.0013 สำหรับ 1,000 โทเค็นอินพุต ข้อแลกเปลี่ยนคือ สำหรับงานที่ต้องการบริบทเพียงเล็กน้อย โมเดลที่ถูกกว่าซึ่งมีอัตราต่อโทเค็นต่ำกว่าจะประหยัดกว่า สำหรับงานมัลติโมดัลที่ต้องการบริบทขนาดใหญ่ โมเดลนี้อาจคุ้มค่ากว่าการแบ่งงานให้กับหลายโมเดล
OrcaRouter ยังไม่มีบริการแคชหรือส่วนลดตามปริมาณการใช้งานสำหรับ Muse Spark 1.1 การกำหนดราคาเป็นแบบจ่ายตามการใช้งานต่อโทเคน ไม่มีการกำหนดราคาแบบชั้นตามปริมาณการใช้งาน ผู้ใช้ควรตรวจสอบปริมาณการบริโภคโทเคนของตนเอง โดยเฉพาะอย่างยิ่งสำหรับอินพุตแบบมัลติโมดัลขนาดใหญ่ เพื่อจัดการค่าใช้จ่าย นโยบายไม่บวกกำไรทำให้ต้นทุนสะท้อนราคาจากผู้ให้บริการเบื้องต้นอย่างเที่ยงตรง
ไม่ครับ OrcaRouter จะคิดค่าบริการเฉพาะปริมาณโทเค็นที่ใช้งานในอัตราของผู้ให้บริการ โดยไม่มีส่วนเพิ่มใดๆ ไม่มีค่าธรรมเนียมการร้องขอ ไม่มีขั้นต่ำรายเดือน และไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับการสตรีม (แม้ว่าปัจจุบันโมเดลจะไม่รองรับการสตรีมก็ตาม) ค่าใช้จ่ายเพียงอย่างเดียวคือโทเค็นขาเข้าที่ $1.25/1M และโทเค็นขาออกที่ $4.25/1M ผู้ใช้ต้องรับผิดชอบค่าใช้จ่ายใดๆ ที่เกี่ยวข้องกับการเข้ารหัสหรือส่งข้อมูลสื่อไปยัง API (แบนด์วิดท์เครือข่าย)
ใช้ปลายทางแชทคอมพลีชันที่เข้ากันได้กับ OpenAI ตั้งค่า base_url เป็น https://api.orcarouter.ai/v1 ใน body ของคำขอ ให้ตั้งค่า model เป็น "meta/muse-spark-1.1" รวม messages ในรูปแบบ OpenAI มาตรฐาน สำหรับเนื้อหา multimodal ให้ใช้ message ที่มี role เป็น "user" และ content เป็นอาร์เรย์ของส่วนต่างๆ: text, image_url ฯลฯ การรับรองความถูกต้องทำผ่าน API key ที่ให้โดย OrcaRouter ตัวอย่างใน Python โดยใช้ไลบรารี openai: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key')
API รองรับพารามิเตอร์มาตรฐาน: max_tokens (ขีดจำกัดของโทเค็นเอาต์พุต), temperature (0-2, ค่าเริ่มต้น 1), top_p (0-1), frequency_penalty, presence_penalty, stop sequences และ seed สำหรับเอาต์พุตที่กำหนดแน่นอน โมเดลนี้ไม่รองรับการสตรีมหรือการเรียกฟังก์ชันในขณะนี้ พารามิเตอร์ n (จำนวนการเติมเต็ม) ก็ไม่รองรับเช่นกัน – มีเพียงการเติมเต็มหนึ่งครั้งต่อคำขอ ขีดจำกัดของหน้าต่างบริบทคือ 1,048,576 โทเค็นรวมสำหรับอินพุตและเอาต์พุตรวมกัน
หากคุณใช้ผู้ให้บริการรายอื่นอยู่ ให้เปลี่ยน Base URL เป็น https://api.orcarouter.ai/v1 และชื่อโมเดลเป็น "meta/muse-spark-1.1" รับคีย์ API ของ OrcaRouter จากแดชบอร์ด รูปแบบของ request body เหมือนกับ API ของ OpenAI ทุกประการ เนื้อหาแบบ Multimodal (รูปภาพ วิดีโอ ไฟล์ เสียง) ใช้รูปแบบเดียวกับ vision endpoints ของ OpenAI ไม่จำเป็นต้องเปลี่ยนแปลงโค้ดอื่นใด ทดสอบด้วยคำขอขนาดเล็กเพื่อยืนยัน tokenization และค่าใช้จ่าย
ในปัจจุบัน Muse Spark 1.1 ยังไม่รองรับการสตรีมมิ่ง คำขอเป็นแบบซิงโครนัส; การตอบกลับจะถูกส่งกลับเมื่อการสร้างเสร็จสมบูรณ์ สำหรับพรอมต์ที่มีบริบทยาว อาจใช้เวลานาน OrcaRouter อาจเพิ่มการรองรับการสตรีมมิ่งในอนาคต แต่ในขณะนี้มีเฉพาะแบบไม่สตรีมมิ่งเท่านั้น การประมวลผลแบบอะซิงโครนัสสามารถทำได้โดยการส่งคำขอแบบขนานจากแอปพลิเคชันของคุณ
หน้าต่างบริบท 1,048,576 โทเคนของ Muse Spark 1.1 ถือเป็นหนึ่งในขนาดที่ใหญ่ที่สุดที่มีอยู่ แข่งขันกับโมเดลจากผู้ให้บริการรายอื่น อย่างไรก็ตาม เนื่องจากเป็นโมเดลแบบหลายรูปแบบ (multimodal) จึงถูกออกแบบมาโดยเฉพาะเพื่อจัดการกับอินพุตแบบผสม โมเดลบริบทขนาดใหญ่ที่ใช้เฉพาะข้อความอาจมีราคาถูกกว่าต่อโทเคนสำหรับงานที่ใช้ข้อความล้วน ข้อเท็จจริงที่ให้มาไม่ได้ระบุการเปรียบเทียบเกณฑ์มาตรฐาน ดังนั้นผู้ใช้ควรประเมินตามความต้องการแบบหลายรูปแบบของตนเอง
โมเดลมัลติโมดัลขนาดเล็ก (เช่น ที่มีบริบท 128K) นั้นเร็วและถูกกว่า แต่ไม่สามารถประมวลผลข้อมูลได้มากเท่าในการเรียกใช้ครั้งเดียว Muse Spark 1.1 เสียสละความเร็วและต้นทุนเพื่อความสามารถในการรองรับเอกสารทั้งหมดหรือวิดีโอที่ยาว สำหรับงานที่สามารถแบ่งเป็นส่วนๆ การใช้โมเดลขนาดเล็กอาจมีประสิทธิภาพมากกว่า ตัวเลือกที่ถูกต้องขึ้นอยู่กับว่าแอปพลิเคชันของคุณต้องการการประมวลผลแบบครั้งเดียวสำหรับอินพุตขนาดใหญ่มากหรือไม่
ใช้โมเดลที่เป็นข้อความล้วนเมื่ออินพุตของคุณไม่มีรูปภาพ วิดีโอ หรือเสียง โมเดลข้อความล้วนที่มีขนาดบริบทเทียบเคียงกันมักจะมีราคาถูกกว่าต่อโทเค็น ตัวอย่างเช่น หากงานของคุณคือการสรุปเอกสารข้อความ 1 ล้านโทเค็นที่ไม่มีองค์ประกอบภาพ โมเดลข้อความล้วนที่มีราคาต่ำกว่า $1.25/1M อินพุตจะคุ้มค่ากว่า ราคาของ Muse Spark 1.1 นั้นแข่งขันได้สำหรับงานมัลติโมดัล แต่ไม่ใช่สำหรับข้อความล้วน
OrcaRouter ให้อินเทอร์เฟซที่เข้ากันได้กับ OpenAI แบบรวมศูนย์ ในขณะที่ API โดยตรงของ Meta อาจใช้โปรโตคอลของตัวเอง OrcaRouter ไม่เพิ่ม markup ใดๆ ดังนั้นต้นทุน token จึงเท่ากัน (สมมติว่า Meta คิดอัตราเดียวกัน) OrcaRouter อาจมีฟีเจอร์เพิ่มเติม เช่น การจัดการคีย์ API การติดตามการใช้งาน และการจัดสรรภาระงานข้ามผู้ให้บริการ ตัวเลือกขึ้นอยู่กับว่าคุณต้องการนามธรรม API ที่สอดคล้องกันในหลายโมเดลหรือไม่
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| อินพุต / 1M โทเค็น | $1.25 |
| เอาต์พุต / 1M โทเค็น | $4.25 |
| อ่านแคช / 1M | $0.150 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/meta/muse-spark-1.1เปิด @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