Muse Spark 1.1 là mô hình suy luận đa phương thức của Meta, được xây dựng cho các tác vụ tác nhân. Nó chấp nhận một phạm vi đầu vào rộng bất thường — văn bản, hình ảnh, video, âm thanh và tài liệu PDF — và trả về văn bản, suy luận một cách tự nhiên qua các phương thức trong một cửa sổ ngữ cảnh 1M token. Nó hỗ trợ mức độ suy luận có thể cấu hình và gọi công cụ gốc, khiến nó rất phù hợp cho các tác nhân đa phương thức, nghiên cứu chuyên sâu trên phương tiện hỗn hợp và phân tích ngữ cảnh dài. Với khả năng suy luận hiệu quả và bề mặt đầu vào rộng, Muse Spark 1.1 nhắm đến các khối lượng công việc kết hợp tài liệu, ảnh chụp màn hình, bản ghi âm và video với văn bản — từ phân tích báo cáo dài và thư viện phương tiện đến điều khiển các quy trình tác nhân nhiều bước phải suy luận trên nhiều thứ hơn chỉ văn bản.
Meta Muse Spark 1.1 là mô hình ngôn ngữ lớn đa phương thức từ Meta, có thể xử lý văn bản, hình ảnh, video, tệp tin và âm thanh trong một ngữ cảnh duy nhất. Cửa sổ ngữ cảnh của nó là 1.048.576 token –…
Điểm mạnh chính của Muse Spark 1.1 là khả năng xử lý và suy luận trên một ngữ cảnh rất dài (1.048.576 token) bao gồm nhiều loại phương tiện. Mô hình có thể phân tích một tệp PDF 500 trang có hình ảnh nhúng, hoặc một video dài 2 giờ cùng với bản ghi âm của nó, chỉ trong một lần. Điều này loại bỏ nhu cầu phải phân đoạn hoặc sử dụng các mô hình riêng biệt. Mô hình cũng có khả năng làm theo hướng dẫn chi tiết và thực hiện các tác vụ suy luận phức tạp như tóm tắt, trả lời câu hỏi và trích xuất thực thể trên các đầu vào đa phương tiện.
Sử dụng Muse Spark 1.1 khi tác vụ của bạn thực sự hưởng lợi từ cửa sổ ngữ cảnh lớn và nhiều phương thức đầu vào. Nếu bạn chỉ cần tạo văn bản ngắn (ví dụ: 1.000 token) và không cần hình ảnh hay âm thanh, một mô hình chỉ văn bản rẻ hơn với ngữ cảnh nhỏ hơn sẽ tiết kiệm chi phí hơn. Tuy nhiên, đối với hiểu biết đa phương thức đầu cuối – như tóm tắt video với chi tiết hình ảnh và âm thanh – Muse Spark 1.1 có thể giảm độ phức tạp của hệ thống và độ trễ bằng cách tránh nhiều lần gọi mô hình.
Các trường hợp sử dụng tốt nhất bao gồm xem xét tài liệu pháp lý với PDF đã scan và bản ghi lời khai bằng âm thanh, phân tích hồ sơ y tế kết hợp hình ảnh và ghi chú, kiểm duyệt nội dung video (phân tích khung hình và âm thanh), và hiểu bài báo nghiên cứu học thuật với hình vẽ và bảng biểu. Mọi tình huống mà một lời nhắc duy nhất phải bao phủ một đầu vào dài, không đồng nhất đều được hưởng lợi từ mô hình này. Nó cũng hoạt động tốt cho việc xây dựng các pipeline RAG đa phương thức nơi cửa sổ ngữ cảnh có thể chứa toàn bộ tài liệu cùng hình ảnh liên quan.
Mô hình không được tối ưu cho các phản hồi cực nhanh, độ trễ thấp – ngữ cảnh lớn làm tăng thời gian xử lý. Nó cũng không hỗ trợ đầu ra dạng stream (tại thời điểm viết bài này). Đối với các tác vụ yêu cầu tương tác thời gian thực (ví dụ: chatbot), các mô hình nhỏ hơn được ưa chuộng hơn. Ngoài ra, chi phí mỗi token cao hơn nhiều mô hình chỉ xử lý văn bản, vì vậy đối với các tác vụ thuần văn bản, nó có thể là quá mức cần thiết. Hiệu suất của mô hình trên các tác vụ chuẩn chưa được công bố; người dùng nên tự đánh giá trên dữ liệu của mình.
Meta chưa công bố công khai điểm benchmark cho Muse Spark 1.1. Người dùng được khuyến cáo tự chạy đánh giá trên các tác vụ đại diện. Ngữ cảnh lớn và đầu vào đa phương thức của mô hình cho thấy nó sẽ hoạt động tốt trong việc hiểu tài liệu và QA trực quan, nhưng không có con số chuẩn hóa nào trong các sự kiện được cung cấp. OrcaRouter không cung cấp dữ liệu benchmark bổ sung; hiệu suất như được Meta cung cấp.
Xử lý 1,048,576 token dữ liệu đa phương thức tốn nhiều tài nguyên tính toán. Độ trễ phụ thuộc vào độ dài đầu vào, số lượng hình ảnh hoặc khung hình video, và số lượng token đầu ra. Đối với các ngữ cảnh rất dài, hãy dự kiến vài phút thay vì vài giây. OrcaRouter không công bố điểm chuẩn độ trễ cho mô hình này. Người dùng nên thử nghiệm với khối lượng công việc thực tế để xác định thời gian phản hồi chấp nhận được cho ứng dụng của họ.
Hạn chế chính là thiếu dữ liệu hiệu suất công khai, gây khó khăn trong việc so sánh với các mô hình thay thế nếu không thử nghiệm tùy chỉnh. Mô hình cũng không hỗ trợ các phương thức đầu ra ngoài văn bản – không thể tạo hình ảnh hoặc âm thanh. Ngoài ra, ngữ cảnh 1M token chỉ mang tính lý thuyết; độ chính xác thực tế có thể suy giảm ở độ dài tối đa đối với một số tác vụ. Giống như mọi mô hình lớn, kết quả có thể không nhất quán giữa các phong cách nhắc nhở khác nhau.
Do khả năng xảy ra độ trễ cao khi xử lý các ngữ cảnh đa phương thức lớn, mô hình này không được khuyến nghị cho các ứng dụng thời gian thực như chatbot tương tác hoặc phiên âm trực tiếp. Nó phù hợp hơn cho xử lý hàng loạt, phân tích ngoại tuyến và các quy trình làm việc bất đồng bộ, nơi thời gian xử lý từ vài giây đến vài phút có thể chấp nhận được. Đối với nhu cầu độ trễ thấp, hãy xem xét các mô hình nhỏ hơn, nhanh hơn có sẵn qua OrcaRouter.
Giá là $1.25 cho mỗi 1 triệu token đầu vào và $4.25 cho mỗi 1 triệu token đầu ra. Token được đếm theo tokenizer của mô hình; token đầu vào bao gồm tất cả văn bản, token hình ảnh (thường là 170 token mỗi hình ảnh), khung video, âm thanh và nội dung tệp tin. Token đầu ra là văn bản được sinh ra. OrcaRouter chuyển tiếp mức giá của nhà cung cấp mà không có phụ phí, do đó chi phí chính xác là các con số này. Không có phí nền tảng bổ sung.
Vì mô hình hỗ trợ tối đa 1M token đầu vào, một lần gọi duy nhất với tài liệu dài có thể tiêu tốn $1.25 hoặc hơn chỉ riêng token đầu vào. Đối với đầu vào ngắn (ví dụ: vài nghìn token), chi phí thấp hơn nhiều – khoảng $0.0013 cho 1.000 token đầu vào. Sự đánh đổi là đối với các tác vụ chỉ yêu cầu ngữ cảnh nhỏ, các mô hình rẻ hơn với tỷ lệ mỗi token thấp hơn sẽ kinh tế hơn. Đối với các tác vụ đa phương thức có ngữ cảnh lớn, mô hình này có thể tiết kiệm chi phí hơn so với việc chia nhỏ công việc trên nhiều mô hình.
OrcaRouter hiện không cung cấp bộ nhớ đệm hoặc giảm giá theo khối lượng cho Muse Spark 1.1. Giá được tính theo mô hình trả tiền theo token. Không có giá theo bậc dựa trên khối lượng sử dụng. Người dùng nên theo dõi mức tiêu thụ token của mình, đặc biệt đối với các đầu vào đa phương thức lớn, để quản lý chi phí. Chính sách không tăng giá đảm bảo rằng chi phí phản ánh chính xác giá của nhà cung cấp cơ sở.
Không. OrcaRouter chỉ tính phí dựa trên mức tiêu thụ token theo giá của nhà cung cấp, không có phụ phí. Không có phí yêu cầu, không có mức tối thiểu hàng tháng và không có phụ phí cho streaming (mặc dù mô hình hiện không hỗ trợ streaming). Chi phí duy nhất là token đầu vào với giá $1.25/1M và token đầu ra với giá $4.25/1M. Người dùng chịu trách nhiệm cho mọi chi phí liên quan đến việc mã hóa hoặc truyền tải phương tiện đến API (băng thông mạng).
Sử dụng endpoint hoàn tất trò chuyện tương thích với OpenAI. Đặt base_url thành https://api.orcarouter.ai/v1. Trong phần thân yêu cầu, đặt model thành "meta/muse-spark-1.1". Bao gồm các messages theo định dạng OpenAI chuẩn. Đối với nội dung đa phương thức, sử dụng một message với role "user" và content là một mảng các phần: text, image_url, v.v. Xác thực thông qua API key do OrcaRouter cung cấp. Ví dụ bằng Python sử dụng thư viện openai: client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key').
API hỗ trợ các tham số tiêu chuẩn: max_tokens (giới hạn token đầu ra), temperature (0-2, mặc định 1), top_p (0-1), frequency_penalty, presence_penalty, stop sequences, và seed cho đầu ra xác định. Mô hình hiện không hỗ trợ streaming hoặc function calling. Tham số n (số lượng completions) cũng không được hỗ trợ – chỉ một completion cho mỗi yêu cầu. Giới hạn cửa sổ ngữ cảnh là tổng cộng 1,048,576 token cho cả đầu vào và đầu ra.
Nếu bạn hiện đang sử dụng nhà cung cấp khác, hãy thay đổi URL cơ sở thành https://api.orcarouter.ai/v1 và tên mô hình thành "meta/muse-spark-1.1". Lấy khóa API OrcaRouter từ bảng điều khiển. Định dạng nội dung yêu cầu giống hệt với API của OpenAI. Nội dung đa phương thức (hình ảnh, video, tệp, âm thanh) sử dụng cùng định dạng với các điểm cuối vision của OpenAI. Không cần thay đổi mã nào khác. Kiểm tra với một yêu cầu nhỏ để xác nhận tokenization và chi phí.
Hiện tại, Muse Spark 1.1 không hỗ trợ streaming. Các yêu cầu là đồng bộ; phản hồi được trả về khi quá trình tạo hoàn tất. Đối với các prompt có ngữ cảnh dài, điều này có thể mất một khoảng thời gian đáng kể. OrcaRouter có thể sẽ bổ sung hỗ trợ streaming trong tương lai, nhưng hiện tại chỉ có phiên bản non-streaming. Xử lý bất đồng bộ có thể đạt được bằng cách gửi các yêu cầu song song từ ứng dụng của bạn.
Cửa sổ ngữ cảnh 1.048.576 token của Muse Spark 1.1 là một trong những cửa sổ lớn nhất hiện có, cạnh tranh với các mô hình từ các nhà cung cấp khác. Tuy nhiên, là một mô hình đa phương thức, nó được thiết kế đặc biệt để xử lý đầu vào hỗn hợp. Các mô hình ngữ cảnh lớn thuần văn bản có thể rẻ hơn mỗi token đối với các tác vụ chỉ văn bản. Các dữ kiện được cung cấp không chỉ rõ so sánh benchmarks, vì vậy người dùng nên đánh giá dựa trên nhu cầu đa phương thức của riêng họ.
Các mô hình đa phương thức nhỏ hơn (ví dụ: với ngữ cảnh 128K) nhanh hơn và rẻ hơn nhưng không thể xử lý được nhiều thông tin trong một lần gọi. Muse Spark 1.1 hy sinh tốc độ và chi phí để có khả năng tiếp nhận toàn bộ tài liệu hoặc video dài. Đối với các tác vụ có thể chia nhỏ, sử dụng mô hình nhỏ hơn có thể hiệu quả hơn. Lựa chọn đúng đắn phụ thuộc vào việc ứng dụng của bạn có thực sự yêu cầu xử lý một lần các đầu vào rất lớn hay không.
Sử dụng mô hình chỉ văn bản khi đầu vào của bạn không chứa hình ảnh, video hoặc âm thanh. Các mô hình chỉ văn bản có kích thước ngữ cảnh tương đương thường rẻ hơn theo mỗi token. Ví dụ, nếu nhiệm vụ của bạn là tóm tắt một tài liệu văn bản 1 triệu token mà không có bất kỳ yếu tố trực quan nào, một mô hình văn bản thuần túy có chi phí dưới $1.25/1M đầu vào sẽ hiệu quả hơn về chi phí. Giá của Muse Spark 1.1 mang tính cạnh tranh cho các tác vụ đa phương thức, nhưng không dành cho văn bản thuần túy.
OrcaRouter cung cấp một giao diện thống nhất tương thích với OpenAI, trong khi API trực tiếp của Meta có thể sử dụng giao thức riêng của nó. OrcaRouter thêm không phí markup, do đó chi phí token là như nhau (giả sử Meta tính phí cùng mức). OrcaRouter có thể cung cấp các tính năng bổ sung như quản lý khóa API, theo dõi sử dụng và cân bằng tải giữa các nhà cung cấp. Sự lựa chọn phụ thuộc vào việc bạn có ưu tiên một lớp trừu tượng API nhất quán trên nhiều mô hình hay không.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Đầu vào / 1M tokens | $1.25 |
| Đầu ra / 1M tokens | $4.25 |
| Đọc cache / 1M | $0.150 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
GET /api/public/models/meta/muse-spark-1.1Mở @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