Muse Spark 1.3 هو نموذج استدلال متعدد الأغراض من Meta، ويدعم استدعاء الأدوات ووضع JSON وسياقًا بحجم 1M من الرموز. يقدّمه GetVibe API عبر نقطة النهاية القياسية المتوافقة مع OpenAI، لذا يمكنك استدعاؤه باستخدام الشيفرة الموجودة لديك بالفعل. هناك أمر واحد يجب معرفته قبل البدء: يستغرق Muse Spark وقتًا طويلًا في التفكير قبل الإجابة، وإذا تركت max_tokens بقيمة صغيرة فستحصل على استجابة فارغة. يوضّح هذا الدليل معرّف النموذج والسعر وما قمنا بقياسه، وكيفية إعداده ليعمل من المحاولة الأولى.
الإعداد الوحيد المهم: max_tokens
مثل نماذج الاستدلال الأخرى، يكتب Muse Spark رموز استدلال مخفية قبل الإجابة الظاهرة. وتُحتسب هذه الرموز ضمن max_tokens وتُحاسَب باعتبارها مخرجات. وما يميز Muse Spark هو مقدار الاستدلال الذي يجريه: نحو 650 إلى 5,400 رمز استدلال في سؤال قصير، وفقًا للأرقام الواردة في كتالوجنا.
رأينا النمط نفسه بأنفسنا. طرحنا سؤالًا حسابيًا من سطر واحد (ما مدة رحلة قطار من 14:35 إلى 18:10) وحصلنا على إجابة صحيحة من جملة واحدة، لكن انظر إلى تقسيم الرموز:
- الإجابة الظاهرة: نحو 20 رمزًا (“تستغرق الرحلة 3 ساعات و35 دقيقة.”)
- الاستدلال: 514 رمزًا
- إجمالي المخرجات المحاسَب عليها: 534 رمزًا
لو كانت قيمة max_tokens هي 256، لنفدَت ميزانية النموذج في منتصف التفكير، ولأعاد رسالة فارغة مع finish_reason: "length". الحل بسيط: امنحه مساحة كافية. استخدم 4,000 على الأقل للأسئلة القصيرة؛ أما لمهام البرمجة أو المهام متعددة الخطوات، فقيمة من 8,000 إلى 16,000 مناسبة. أنت تدفع فقط مقابل الرموز التي يتم توليدها فعليًا، وليس مقابل الحد الذي تحدده، لذا فإن وضع سقف سخي لا يكلّف شيئًا إضافيًا في المطالبات السهلة.
المواصفات والسعر
- معرّف النموذج:
muse-spark-1.3 - الجهة المطوّرة: Meta
- السعر: يبدأ من $0.8875 الإدخال · $3.0175 الإخراج لكل مليون رمز.
- الإدخال المخزّن مؤقتًا: عُشر معدل الإدخال العادي لبادئات المطالبات المتكررة.
- نافذة السياق: 1,048,576 رمزًا.
- جهد الاستدلال:
minimal،low،medium،high،xhigh،max. وتُحاسَب تكلفة الاستدلال باعتبارها مخرجات. - استدعاء الأدوات ووضع JSON: مدعومان.
- الإدخال: نص فقط (من دون صور).
يُقال «يبدأ من» لأن GetVibe يوجّه كل طلب أولًا إلى أرخص قناة سليمة، وينتقل إلى قناة بديلة إذا كانت مشغولة، ولذلك قد يكلّف الطلب أحيانًا أكثر من الحد الأدنى. تعرض صفحة نموذج Muse Spark 1.3 النطاق الحالي، بينما تعرض لوحة المعلومات التكلفة الفعلية لكل طلب؛ راجع الرصيد والاستخدام.
نظرًا إلى أن النموذج يجري استدلالًا مكثفًا، احسب الميزانية وفق رموز المخرجات، لا وفق طول الإجابة التي تراها. فقد يظل الطلب الذي تكون إجابته الظاهرة جملة واحدة محاسَبًا عليه مقابل عدة مئات من رموز المخرجات.
كيفية الاتصال
احصل على مفتاح API من حساب GetVibe الخاص بك، ووجّه أي عميل OpenAI إلى https://getvibeapi.com/v1، واستخدم معرّف النموذج muse-spark-1.3.
Python مع OpenAI SDK
import os
from openai import OpenAI
client = OpenAI(
base_url="https://getvibeapi.com/v1",
api_key=os.environ["GETVIBE_API_KEY"],
)
resp = client.chat.completions.create(
model="muse-spark-1.3",
messages=[{"role": "user", "content": "A train leaves at 14:35 and arrives at 18:10. How long is the trip? Answer in one sentence."}],
max_tokens=8000, # generous: reasoning tokens count toward this limit
)
print(resp.choices[0].finish_reason)
print(resp.usage.completion_tokens, resp.usage.completion_tokens_details.reasoning_tokens)
print(resp.choices[0].message.content)أظهرت تجربتنا في 22 أكتوبر 2026 النتيجة التالية، خلال نحو أربع ثوانٍ:
stop
534 514
The trip lasts 3 hours and 35 minutes.تحقّق دائمًا من finish_reason في بيئة الإنتاج. تعني stop أن النموذج أكمل الإجابة؛ أما length فتعني أنه بلغ الحد الذي حددته، وقد تكون الإجابة مفقودة أو مبتورة.
curl
curl https://getvibeapi.com/v1/chat/completions \
-H "Authorization: Bearer $GETVIBE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "muse-spark-1.3",
"messages": [{"role": "user", "content": "Summarize the trade-offs of SQLite vs PostgreSQL for a small SaaS in five bullets."}],
"max_tokens": 8000
}'في تجربتنا، عادت هذه النتيجة مع finish_reason: "stop"، وخمس نقاط واضحة (العمليات، والتزامن، والميزات، والموثوقية، والتكلفة وإمكانية مواكبة المستقبل)، وكان الاستخدام كالتالي: 27 رمزًا للمطالبة، و998 رمزًا للإكمال، منها 704 رموز للاستدلال. ومرة أخرى، شكّلت عملية التفكير التي لا تراها نحو 70% من تكلفة المخرجات.
خفض الاستدلال باستخدام reasoning_effort
يقبل Muse Spark المعلمة القياسية reasoning_effort بستة مستويات، من minimal إلى max. ويقلل الجهد المنخفض رموز الاستدلال، ما يجعل الإجابات أسرع وأقل تكلفة. أرسلنا سؤال القطار نفسه بمستويين:
reasoning_effort="low": 315 رمزًا للاستدلال، و335 رمزًا لإجمالي المخرجات، مع إجابة صحيحة.reasoning_effort="high": 439 رمزًا للاستدلال، و459 رمزًا لإجمالي المخرجات، مع الإجابة الصحيحة نفسها.
حتى عند استخدام low، ظل النموذج يستدل لنحو 300 رمز في سؤال بسيط، لذا فإن خفض الجهد لا يجعل من الآمن تقليص max_tokens إلى بضع مئات. كما يختلف طول الاستدلال من تشغيل إلى آخر؛ فقد استخدم التشغيل بالجهد الافتراضي رموزًا أكثر من تشغيل high. استخدم جهدًا أقل لحركة المرور الروتينية، واحتفظ بـ high وما فوقه للمشكلات التي تحتاج إليه فعلًا. راجع شرح جهد الاستدلال.
الأدوات وJSON والسياق الطويل
يستخدم استدعاء الأدوات المصفوفة القياسية tools وtool_calls في الاستجابة، لذا تعمل أطر عمل الوكلاء الحالية من دون تغييرات؛ راجع استدعاء الأدوات. وللحصول على مخرجات قابلة للمعالجة آليًا، يتوفر وضع JSON؛ ويشرح دليل وضع JSON الفروق بين النماذج.
تتيح نافذة المليون رمز وضع مستندات كبيرة أو سجلات وكلاء طويلة في طلب واحد. وعند إعادة إرسال البادئة الكبيرة نفسها في كل دور، تُحاسَب وفق معدل التخزين المؤقت، أي عُشر معدل الإدخال العادي. راجع شرح التخزين المؤقت للمطالبات لمعرفة كيفية إبقاء البادئة ملائمة للتخزين المؤقت.
متى تختار Muse Spark 1.3
- مناسب لـ: الأسئلة التي تهم فيها الإجابة الدقيقة والمدققة أكثر من السرعة؛ والوكلاء الذين يستدعون الأدوات؛ وقراءة السياقات الطويلة بسعر متوسط.
- أقل ملاءمة لـ: الطلبات القصيرة جدًا والكثيفة التي يُحتسب فيها كل رمز مخرجات، وأي شيء يحتاج إلى إدخال صور. يكون النموذج السريع غير المعتمد على الاستدلال أرخص في هذه الحالات؛ راجع أرخص واجهات LLM API للاستخدام الكثيف.
بث الاستجابات حتى لا يحدّق المستخدمون في شاشة فارغة
بما أن النموذج يجري الاستدلال قبل الكتابة، فإن الطلب غير المتدفق لا يعيد شيئًا حتى تصبح الإجابة كاملة. في واجهات الدردشة، استخدم البث. لن يظهر شيء أثناء تفكير النموذج، لكن بمجرد بدء الإجابة، تصل الرموز واحدًا تلو الآخر، ويعرف عميلك أن الاتصال لا يزال قائمًا:
stream = client.chat.completions.create(
model="muse-spark-1.3",
messages=[{"role": "user", "content": "Plan a three-step database migration with rollback."}],
max_tokens=16000,
stream=True,
stream_options={"include_usage": True},
)
for chunk in stream:
if chunk.choices and chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
if chunk.usage:
print("\n", chunk.usage)أبقِ include_usage مفعّلًا: عندئذٍ تحمل القطعة الأخيرة أعداد الرموز، بما في ذلك رموز الاستدلال، وهي الرموز التي تُحاسَب عليها.
الأخطاء الشائعة
- إعادة استخدام الحدود الخاصة بنموذج غير معتمد على الاستدلال. ستؤدي قيمة
max_tokensالبالغة 256 أو 512، والتي كانت مناسبة لنموذج دردشة، إلى إجابات فارغة هنا. - تقدير التكلفة من النص الظاهر. أظهرت طلبا الاختبار لدينا أن الاستدلال شكّل من 70 إلى 96% من رموز المخرجات. سجّل
usage، لا عدد الأحرف. - إرسال الصور. النموذج نصي فقط؛ أزل أجزاء الصور أو وجّه هذه الطلبات إلى نموذج رؤية.
- معاملة كل طلب بالطريقة نفسها. استخدم جهد
lowأوminimalلعمليات البحث البسيطة، واحتفظ بالمستويات الأعلى للتخطيط والتحليل.
الأسئلة الشائعة
لماذا يعيد Muse Spark 1.3 استجابة فارغة؟
يكاد السبب دائمًا أن يكون انخفاض قيمة max_tokens أكثر من اللازم. ينفق النموذج ميزانيته على الاستدلال المخفي ويتوقف مع finish_reason: "length" قبل كتابة الإجابة. ارفع الحد إلى 4,000 أو أكثر للمهام القصيرة، وإلى 8,000 حتى 16,000 للمهام المعقدة.
ما معرّف النموذج؟
muse-spark-1.3، ويُرسل إلى https://getvibeapi.com/v1/chat/completions.
كم تبلغ تكلفته؟
يبدأ من $0.8875 الإدخال · $3.0175 الإخراج لكل مليون رمز. تُحاسَب رموز الاستدلال باعتبارها مخرجات، لذا انظر إلى usage.completion_tokens، لا إلى طول الإجابة الظاهرة.
هل يقبل Muse Spark 1.3 الصور؟
لا، فالإدخال نصي فقط. بالنسبة إلى لقطات الشاشة والمخططات، استخدم نموذج رؤية مثل Gemini 4 Argon.
هل يمكنني رؤية الاستدلال؟
لا يُعاد الاستدلال نفسه؛ بل تحصل على عدد رموزه في usage.completion_tokens_details.reasoning_tokens، وهو ما يكفي لمراقبة التكلفة.