Muse Spark 1.1 是Meta的多模态推理模型，专为智能体任务而设计。它支持异常广泛的输入类型——文本、图像、视频、音频和PDF文档——并能在100万token的上下文窗口中跨模态原生推理并返回文本结果。它支持可配置的推理力度和原生工具调用，非常适合多模态智能体、混合媒体的深度研究以及长上下文分析。 凭借高效的推理能力和广泛的输入覆盖面，Muse Spark 1.1 针对结合文档、截图、录音、视频与文本的工作负载——从分析长篇报告和媒体库，到驱动必须对非文本内容进行推理的多步骤智能体流水线。
Meta Muse Spark 1.1 是Meta开发的多模态大语言模型，能够在单一上下文中处理文本、图像、视频、文件和音频。其上下文窗口大小为1,048,576个token（约100万个token），可处理超长或多模态混合输入。通过OrcaRouter的OpenAI兼容API，使用模型标识符"meta/muse-spark-1.1"即可访问该模型。该模型专为需要统一模型跨多种数据类型进行推理、无…
Muse Spark 1.1的主要优势在于它能够处理并推理包含多种媒体类型的超长上下文（1,048,576个token）。它可以一次性分析带有嵌入图像的500页PDF，或包含音频转录的2小时视频。这消除了分块或使用独立模型的需求。该模型还能遵循详细指令，并执行跨混合媒体输入的复杂推理任务，如摘要、问答和实体提取。
当您的任务确实受益于大上下文窗口和多种输入模态时，请使用 Muse Spark 1.1。如果您只需要短文本生成（例如1,000个token）且不涉及图像或音频，那么更便宜的纯文本模型（上下文较小）更具成本效益。然而，对于端到端的多模态理解——例如总结一个包含视觉细节和音频的视频——Muse Spark 1.1可以避免多次模型调用，从而降低系统复杂性和延迟。
最佳用例包括使用扫描PDF和音频证词的法律文件审阅、结合图像和笔记的医疗记录分析、视频内容审核（分析画面和音频），以及带有图表和表格的学术研究论文理解。任何需要单个提示覆盖长段异构输入的场景都能从该模型中受益。它还适用于构建多模态RAG管道，其中上下文窗口可容纳整个文档及相关的图像。
该模型并非为极速、低延迟响应而优化——较大的上下文会增加处理时间。同时，它也不支持流式输出（截至撰写本文时）。对于需要实时交互的任务（例如聊天机器人），较小的模型更为合适。此外，每 token 的推理成本高于许多纯文本模型，因此用于纯文本任务可能有些大材小用。该模型在基准测试中的表现尚未公开，用户应自行评估其数据表现。
Meta 尚未公开发布 Muse Spark 1.1 的基准测试分数。建议用户自行在代表性任务上运行评估。该模型的大上下文和多模态输入表明其在文档理解和视觉问答上应有良好表现，但提供的资料中并无标准化数据。OrcaRouter 不提供额外的基准测试数据；性能由 Meta 提供。
处理 1,048,576 个多模态数据令牌的计算开销很大。延迟取决于输入长度、图像或视频帧的数量以及输出令牌数。对于超长上下文，响应时间可能达到数分钟而非数秒。OrcaRouter 未发布该模型的延迟基准。用户应使用实际工作负载进行测试，以确定适合其应用程序的可接受响应时间。
主要限制在于缺乏公开可用的性能数据，这使得在没有定制测试的情况下难以与替代模型进行比较。该模型也不支持除文本以外的输出模态——无法生成图像或音频。此外，百万令牌上下文是理论上的；在实际任务中，最大长度下精度可能会下降。与所有大型模型一样，不同提示词风格的结果可能不一致。
由于处理大规模多模态上下文时可能存在高延迟，该模型不推荐用于交互式聊天机器人或实时转录等实时应用。它更适合批处理、离线分析以及可接受几秒到几分钟处理时间的异步工作流。如需低延迟，请考虑通过 OrcaRouter 获取更小、更快的模型。
价格为每百万输入令牌1.25美元，每百万输出令牌4.25美元。令牌根据模型的分词器计数；输入令牌包括所有文本、图像令牌（通常每张图像170个令牌）、视频帧、音频和文件内容。输出令牌为生成的文本。OrcaRouter以零加价传递提供商价格，因此成本完全等同于上述数字。不收取任何额外平台费用。
由于该模型最多支持100万输入token，单次调用长文档时，仅输入token就可能花费1.25美元或更多。对于短输入（例如几千个token），成本则低得多——每1000个输入token约0.0013美元。权衡之处在于，对于仅需少量上下文的场景，使用每token费率更低的廉价模型更经济划算。而对于需要大上下文的多模态任务，该模型可能比将任务拆分到多个模型更具成本效益。
OrcaRouter 目前不为 Muse Spark 1.1 提供缓存或批量折扣。定价采用按 token 计费的模式，不基于使用量进行分层定价。用户应监控其 token 消耗，尤其是大型多模态输入，以控制成本。零加价政策确保成本精确反映底层提供商的价格。
不。OrcaRouter仅按提供商费率收取代币消耗费用，零加价。没有请求费、没有月度最低消费，也没有流媒体附加费（尽管该模型目前不支持流媒体）。唯一成本是输入代币每1M $1.25，输出代币每1M $4.25。用户需自行承担编码或传输媒体到API的网络带宽相关费用。
使用兼容 OpenAI 的聊天补全端点。将 base_url 设置为 https://api.orcarouter.ai/v1。在请求体中，将 model 设置为 "meta/muse-spark-1.1"。包含标准 OpenAI 格式的消息。对于多模态内容，使用角色为 "user" 的消息，其 content 为 parts 数组：text、image_url 等。通过 OrcaRouter 提供的 API 密钥进行身份验证。使用 openai 库的 Python 示例：client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your-key')。
API支持标准参数：max_tokens（输出令牌限制）、temperature（0-2，默认1）、top_p（0-1）、frequency_penalty、presence_penalty、停止序列以及用于确定性输出的seed。该模型目前不支持流式传输或函数调用。n参数（完成次数）也不支持——每次请求仅返回一个完成。上下文窗口限制为输入和输出总计1,048,576个令牌。
如果你当前使用其他提供商，请将基础URL改为https://api.orcarouter.ai/v1，模型名改为"meta/muse-spark-1.1"。从仪表盘获取OrcaRouter API密钥。请求体格式与OpenAI的API完全相同。多模态内容（图像、视频、文件、音频）使用与OpenAI视觉端点相同的格式。无需更改其他代码。用一个小的请求测试以确认分词和成本。
目前，Muse Spark 1.1 不支持流式处理。请求是同步的，在生成完成后返回响应。对于长上下文提示，这可能需要较长时间。OrcaRouter 未来可能会增加流式支持，但截至目前仅提供非流式方式。可以通过从应用程序并行发送请求来实现异步处理。
Muse Spark 1.1 的上下文窗口为 1,048,576 个 token，属于目前可用的最大窗口之一，与其他提供商的模型相媲美。然而，作为多模态模型，它专为处理混合输入而设计。对于纯文本任务，纯文本大上下文模型可能在每个 token 上更便宜。提供的事实中未指定基准比较，因此用户应根据自身的多模态需求进行评估。
较小规模的多模态模型（如支持128K上下文窗口的模型）在速度和成本上更具优势，但单次调用可处理的信息量有限。Muse Spark 1.1选择牺牲速度与成本，以换取整篇文档或长视频的完整信息摄取能力。对于可拆解的任务而言，采用小型模型或许更高效。如何取舍将取决于您的应用是否需要真正一次性处理极大规模输入。
当输入不包含图像、视频或音频时，使用纯文本模型。上下文大小相当的纯文本模型每个 token 通常更便宜。例如，如果您的任务是总结一份包含 1M token 的纯文本文档，没有任何视觉元素，那么一个输入成本低于 $1.25/1M input 的纯文本模型会更加划算。Muse Spark 1.1 的定价在多模态任务中具有竞争力，但不适用于纯文本。
OrcaRouter 提供统一的 OpenAI 兼容接口，而 Meta 的直接 API 可能使用自有协议。OrcaRouter 不增加任何加价，因此代币成本相同（假设 Meta 按相同费率收费）。OrcaRouter 可能提供额外功能，如 API 密钥管理、使用跟踪以及跨提供商的负载均衡。选择取决于您是否希望在多个模型间使用一致的 API 抽象。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 输入 / 1M tokens | $1.25 |
| 输出 / 1M tokens | $4.25 |
| 缓存读取 / 1M | $0.150 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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