Muse Spark 1.2 是 Meta 为复杂智能体任务推出的推理模型，也是 Muse Spark 系列的当前检查点。Meta 将其描述为在 Muse Spark 1.1 基础上更新的检查点，性能略有提升，在相同的标准层级上以相同定价提供服务——这是一次直接替换式升级，而不是新的层级。 它接受异常广泛的输入形式——文本、图像、视频、音频和 PDF 文档——并在 100 万 token 的上下文窗口内返回文本，原生地跨模态进行推理。它支持可配置的推理强度、原生工具调用和结构化输出，非常适合多模态智能体、混合媒体深度研究以及长上下文分析。 Muse Spark 1.2 面向将文档、截图、录音和视频与文本相结合的负载——从分析长篇报告和媒体库，到驱动必须超越纯文本进行推理的多步智能体流水线。Meta 还提供了 muse-spark-1.2-contributor，即同一检查点在贡献者层级上的版本。
Muse Spark 1.2 是 Meta 推出的语言模型，通过 OrcaRouter 提供服务。它支持文本、图像、视频、文件和音频输入，并生成文本输出。该模型的上下文窗口为 1,048,576 个token，这是它在生成响应时能够考虑的最大输入内容量。OrcaRouter 通过 OpenAI 兼容 API 在 https://api.orcarouter.ai/v1 上公开此模型，模型 ID…
根据所提供的事实，Muse Spark 1.2 可以接收文本、图像、视频、文件和音频，并以文本形式进行响应。因此，它适用于多模态理解任务，例如摘要生成、内容提取、音频内容翻译，以及回答与视觉或音频材料相关的问题。1,048,576 个 token 的上下文窗口意味着它可以利用大量源材料作为上下文。该模型将所有输入模态都计入相同的 token 预算。所提供的元数据中没有关于特殊能力的信息，例如工具调用、结构化输出或微调。OrcaRouter 通过标准 API 提供该模型，因此可以使用 API 公开的任何能力。对于模型卡未涵盖的任何内容，请在投入生产之前使用您自己的提示词和负载对模型进行测试。
最佳使用场景来自多模态输入与大上下文窗口的结合。你可以针对长视频提问、总结音频录音、结合辅助文本检查图像，或在同一会话中处理文件附件。1,048,576 token 的上下文窗口还支持长文档和多文件语料库。当任务原本需要多个模型或多次分块调用时，请使用 Muse Spark 1.2。如果输入主要是简短文本，较便宜的模型可能提供更好的价值。OrcaRouter 按提供商费率计费，因此成本与您发送的 token 数量成正比。为控制成本，请预过滤内容，仅发送文件、图像或音频中相关的部分。此模型不用于生成媒体；其输出为文本。
Muse Spark 1.2 被定位为高上下文多模态模型。对于仅包含短文本的查询，较小的模型通常更快且成本更低。每100万输出token 4.25美元的定价与许多轻量级文本模型相比属于较高费率，不过具体比较取决于备选方案。所提供的资料中没有具体的token预算或基准数字，因此决策取决于任务复杂度。如果您的内容是几千token以下的纯文本，请使用更便宜的模型。如果您的任务涉及长音频、视频、图片或文件，多模态输入支持和100万上下文可以证明该价格的合理性。OrcaRouter允许您通过更改模型参数来切换模型，因此您可以将简单任务路由到更便宜的模型，并将Muse Spark 1.2保留给更困难的多模态任务。
该模型输出文本。它不会生成图像、视频或音频。它接受这些媒体作为输入，但响应是文本补全。所提供的元数据中没有声明输出 token 限制，但标准 API 设置（例如 max_tokens）可以限制响应的长度。由于没有提供基准测试数据，准确性和能力方面的说法应使用您自己的数据进行验证。如果表示内容超过 1,048,576 token 的上下文窗口，该模型可能无法处理极长的视频。此外，也不能保证在预期的多模态理解范围之外的任务上表现良好。使用 OrcaRouter 时，对于超出上下文预算或违反提供商输入约束的请求，API 会返回错误。
提供的模型事实中不包含 Muse Spark 1.2 的任何基准测试分数或评估表。这并不意味着该模型未经测试；而是表示此目录条目所提供的元数据未列出这些数字。要评估该模型，请自行运行测试示例，并在特定任务的指标上比较输出结果。OrcaRouter 未在此条目中发布第三方模型的基准测试结果。在没有基准数据的情况下，读者应依赖定性能力，例如 1,048,576 token 的上下文窗口和多模态输入支持。你在其他地方看到的任何性能数字都应直接来自 Meta 或独立评估。此处不应将 Muse Spark 1.2 这一名称与具体的基准测试声明相关联。如果你需要定量质量衡量标准，请设计一个覆盖预期输入类型（包括文本、图像、视频、文件和音频）的小型评估集。衡量任务准确度、输出一致性和成本。已发布基准测试的缺失也凸显了在生产部署前进行测试的必要性。
上下文窗口为 1,048,576 个 token。如所提供的事实中所述，这是模型单次调用可处理的最大输入大小。token 是文本处理的一个单位；1,048,576 个 token 大致相当于大量的文本数据，尽管每个 token 对应的确切单词数会有所不同。此上下文限制同样适用于来自视频、图像、文件和音频输入的内容，一旦这些内容被转换为 token。大的上下文窗口允许模型无需分块即可查看整个文档、长转录文本或多个源文件。这也意味着在上传媒体文件时，你必须注意 token 的使用量。如果请求的总 token 数超过上下文窗口，API 调用将失败。使用 OrcaRouter 的 token 计数工具或自行估算，以保持在限制之内。
所提供元数据中未包含任何延迟或吞吐量数据。实际响应时间取决于多个变量：输入总长度、模态数量、提示词的复杂度以及服务端负载。涉及视频和音频的请求可能比纯文本请求更慢，因为关联数据必须在推理之前完成处理。输出长度也会影响时间；生成大量令牌比生成少量令牌耗时更长。此模型未声明任何保证的速度或可用性级别。如需获得可靠的延迟测量结果，请通过 OrcaRouter 使用代表性请求对 API 进行基准测试。如果对简单提示词需要极低延迟，请使用较小的模型。对于长上下文多模态处理，由于工作负载的特性，延迟很可能会更高。
OrcaRouter 对 Muse Spark 1.2 的计费为：每 1,000,000 个输入 token 收费 $1.25，每 1,000,000 个输出 token 收费 $4.25。这些数字来自所提供的事实，并按提供商费率转嫁，零加价。输入 token 是客户端发送的 token，包括文本、文件内容以及任何图像、视频或音频表示。输出 token 是在生成的文本中返回的 token。因此，一次调用的总成本为：输入 token 数乘以 $1.25/1M，加上输出 token 数乘以 $4.25/1M。由于 OrcaRouter 不添加任何加价，这是您在预算编制时应该使用的明细费率。上下文窗口为 1,048,576 个 token，因此按输入费率计算，完整上下文的输入成本将略高于 $1.25。该估算假设恰好使用最大输入 token 数；实际请求会有所不同。
输入令牌成本为每百万个1.25美元。输出令牌成本为每百万个4.25美元。输出令牌定价高于输入令牌，这在生成式模型中很常见。对于许多任务，输出只是简短的补全内容，而输入包含大量源材料。在这种情况下，输入令牌成本占主导地位。相反，如果你要求生成较长的文本，输出成本可能变得显著。由于上下文窗口为1,048,576个令牌，可以向其发送接近该上限的内容，从而产生输入费用。你可以通过仅发送文件的相关部分、限制视频或音频长度以及精简对话历史来降低输入成本。OrcaRouter不收取加价费用，因此任何成本差异都源于使用量和选择。
提供的资料中不包含 Muse Spark 1.2 的任何缓存定价或折扣信息。有些提供商对缓存的输入令牌提供较低价格，但此处并未列出相关数据。如果 OrcaRouter 或 Meta 为该模型启用了提示缓存，可用的缓存定价会单独记录在案。在没有该文档的情况下，应假设每个输入令牌均按每百万个 1.25 美元的全价计费。除非您已确认当前条款，否则不要围绕缓存节省来规划预算。缓存还取决于提示的重复使用；输入独特或高度可变的请求不会从中受益。请查看 OrcaRouter 的定价页面或联系支持人员，以了解 meta/muse-spark-1.2 是否存在缓存定价。
OrcaRouter 表示，Muse Spark 1.2 按提供商费率计费，零加价。这意味着你支付的每 token 价格与提供商的标价一致：每 1M 输入 token 1.25 美元，每 1M 输出 token 4.25 美元。OrcaRouter 不会在此条目之上增加每 token 费用或服务费。零加价率简化了成本预测，因为你的账单行与模型的标价一致。这并不意味着没有基础订阅或基础设施费用（如果 OrcaRouter 对 API 账户收取此类费用）；所提供的事实仅描述了按 token 计费。请务必查看你的 OrcaRouter 套餐，了解是否有任何固定费用。零加价适用于模型费率，并且是与其他模型进行成本比较的基础。
要通过OrcaRouter调用Muse Spark 1.2，请将基础URL设置为https://api.orcarouter.ai/v1，并使用模型ID meta/muse-spark-1.2。您的客户端应发送遵循OpenAI兼容聊天补全格式的请求。在Authorization标头中包含您的OrcaRouter API密钥。messages数组可以包含您要处理的内容。对于多模态输入，图像、视频、文件和音频的内容格式取决于OrcaRouter支持的schema；OpenAI兼容接口通常允许内容部分。确切的字段名称在API参考文档中有说明。请确保请求的总token数保持在1,048,576-token上下文窗口内。如果您使用OpenAI SDK，请相应设置base_url和model参数。
OrcaRouter 暴露了一个兼容 OpenAI 的 API，因此诸如 temperature、top_p、max_tokens 和停止序列等标准推理参数可能可用。由于这些是通用的 OpenAI API 参数，它们的行为遵循 API 规范。所提供的事实并未列出 Muse Spark 1.2 的模型特定参数。你也可以在对话中传递系统消息、用户消息和助手消息。对于多模态输入，请求格式应包含所包含媒体的正确内容部分。无法保证每个 OpenAI 参数都得到每个提供商的支持，因此在迁移时请测试每个参数。请准确使用模型 ID meta/muse-spark-1.2。如果某个参数不受支持，OrcaRouter 将返回错误消息；请对照 API 文档进行验证。
要将现有的兼容 OpenAI 的集成迁移到 OrcaRouter，请将基础 URL 从当前端点改为 https://api.orcarouter.ai/v1，并将模型设置为 meta/muse-spark-1.2。如果您使用的是标准 OpenAI 聊天补全，请保持相同的消息结构。将您的 API 密钥替换为 OrcaRouter 密钥。如果您的现有请求包含特定于模型的扩展，请根据 OrcaRouter 的 API 文档删除或调整这些扩展。上下文窗口为 1,048,576 个 token，这可能比您之前的模型更大，因此相同的请求无需截断即可完整容纳。如果您使用了特定于提供商的字段，请检查您的图片、视频、文件和音频的输入格式。先用一个小请求进行测试。由于 Muse Spark 1.2 输出文本，因此对于基于文本的工具来说，迁移非常简单。
提供的模型信息不包含Muse Spark 1.2或OrcaRouter的数据处理、保留或隐私条款。一般来说，请求会发送给模型提供商以生成补全内容。OrcaRouter可能会存储API日志或使用数据用于运营，但具体政策在此未作说明。如果数据隐私重要，请查看OrcaRouter的服务条款和隐私政策，并确认Meta的提供商条款是否适用于您发送的内容。不要假设输入的视频、音频或文件会在推理后自动删除。对于机密数据，请考虑进行脱敏和本地预处理。本节不应被视为法律建议。请联系OrcaRouter支持以获取当前的数据处理协议。您使用API即表示同意适用的条款。
Muse Spark 1.2 与纯文本语言模型不同，因为它接受图像、视频、文件和音频输入。纯文本模型只能处理书面内容。对于多模态任务，Muse Spark 1.2 无需在调用 LLM 之前提取和转录媒体。其 1,048,576 个 token 的上下文窗口也使其能够比许多标准模型容纳更长的输入。另一方面，纯文本模型通常成本更低，并且对于纯文本工作可能执行得更快。每百万 token 的输出价格为 4.25 美元，高于许多轻量级文本模型。如果您的项目完全基于文本且不需要长上下文，那么纯文本模型可能更合适。如果您的工作流已经发送图像、音频或视频，该模型提供了单次调用的路径。
纯音频和纯图像模型通常专注于单一模态，可能输出标签、嵌入或转录结果。Muse Spark 1.2 在一个文本生成界面中统一了文本、图像、视频、文件和音频。这可以简化此前需要组合音频转录器、图像描述器和LLM的流水线。然而，专业模型可以针对语音识别或物体检测等任务进行更好的调优。Muse Spark 1.2 未提供基准测试分数，因此这里没有数据可与专业模型进行比较。合适的选择取决于您是需要通用理解还是专用精度。对于跨多种模态的通用推理，单一多模态模型可能更易于维护。对于单一媒体类型的严格生产精度，请测试专业替代方案。
为 Muse Spark 1.2 提供的唯一定价数字是每 100 万输入令牌 1.25 美元和每 100 万输出令牌 4.25 美元，通过 OrcaRouter 计费，零加价。与其他模型的比较需要它们的定价列表，这不属于本条目的一部分。一般来说，多模态模型的运行成本高于简单文本模型，因为它们处理更丰富的输入。1,048,576 令牌的上下文窗口如果发送大量媒体，可能会增加成本。对于短文本提示，输入成本非常小。对于包含几分钟视频和长输出的请求，成本会更高。使用每令牌费率和你预期的令牌数量来估算替代模型是否更经济。由于 OrcaRouter 不加价，提供商费率是相关的基准。
兼容 OpenAI——沿用你现有的 SDK
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| 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。
本周开发者的讨论
@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