Muse Spark 1.3 API: So verwenden Sie Metas Reasoning-Modell ohne leere Antworten

Muse Spark 1.3 ist ein vielseitiges Reasoning-Modell von Meta mit Tool Calling, JSON-Modus und einem Kontext von 1M Token. GetVibe API stellt es über den standardmäßigen OpenAI-kompatiblen Endpunkt bereit, sodass Sie es mit dem bereits vorhandenen Code aufrufen können. Bevor Sie beginnen, sollten Sie eines wissen: Muse Spark denkt lange nach, bevor es antwortet. Wenn Sie max_tokens zu niedrig setzen, erhalten Sie eine leere Antwort. Dieser Leitfaden zeigt Ihnen die Model-ID, den Preis, unsere Messwerte und die Einrichtung, mit der es auf Anhieb funktioniert.

Die eine wichtige Einstellung: max_tokens

Wie andere Reasoning-Modelle schreibt Muse Spark vor der sichtbaren Antwort verborgene Reasoning-Token. Diese Token werden auf max_tokens angerechnet und als Output abgerechnet. Was Muse Spark besonders macht, ist der Umfang seines Reasonings: Laut den Zahlen in unserem Katalog sind es bei einer kurzen Frage ungefähr 650 bis 5,400 Reasoning-Token.

Wir haben dasselbe Muster selbst beobachtet. Wir stellten eine einzeilige Rechenfrage (wie lange eine Zugfahrt von 14:35 bis 18:10 dauert) und erhielten eine korrekte Antwort in einem Satz. Sehen Sie sich jedoch die Token-Aufteilung an:

Sichtbare Antwort: etwa 20 Token („Die Fahrt dauert 3 Stunden und 35 Minuten.“)
Reasoning: 514 Token
Insgesamt abgerechneter Output: 534 Token

Wenn max_tokens auf 256 gesetzt gewesen wäre, wäre dem Modell mitten im Denkprozess das Budget ausgegangen und es hätte eine leere Nachricht mit finish_reason: "length" zurückgegeben. Die Lösung ist einfach: Geben Sie dem Modell ausreichend Spielraum. Verwenden Sie für kurze Fragen mindestens 4,000; für Coding- oder mehrstufige Aufgaben sind 8,000 bis 16,000 angemessen. Sie bezahlen nur für tatsächlich generierte Token, nicht für das von Ihnen festgelegte Limit. Eine großzügige Obergrenze verursacht bei einfachen Prompts daher keine zusätzlichen Kosten.

Spezifikationen und Preis

Model-ID: muse-spark-1.3
Hersteller: Meta
Preis: ab $0.8875 Eingabe · $3.0175 Ausgabe pro 1 Mio. Tokens.
Gecachter Input: ein Zehntel des regulären Input-Tarifs für wiederholte Prompt-Präfixe.
Kontextfenster: 1,048,576 Token.
Reasoning-Aufwand: minimal, low, medium, high, xhigh, max. Reasoning wird als Output abgerechnet.
Tool Calling und JSON-Modus: unterstützt.
Input: nur Text (keine Bilder).

Der Preis wird mit „ab“ angegeben, weil GetVibe jede Anfrage zunächst an den günstigsten verfügbaren Kanal weiterleitet und bei Auslastung auf einen anderen ausweicht. Daher kann eine Anfrage gelegentlich mehr als den Mindestpreis kosten. Die Muse Spark 1.3-Modellseite zeigt die aktuelle Preisspanne, und im Dashboard sehen Sie, was jede Anfrage tatsächlich gekostet hat; siehe Guthaben und Nutzung.

Da das Modell intensiv Reasoning betreibt, sollten Sie nach Output-Token kalkulieren, nicht nach der Länge der sichtbaren Antwort. Eine Anfrage mit einer sichtbaren Antwort von einem Satz kann dennoch mehrere hundert Output-Token abrechnen.

Verbindung herstellen

Holen Sie sich einen API-Schlüssel über Ihr GetVibe-Konto, richten Sie jeden OpenAI-Client auf https://getvibeapi.com/v1 und verwenden Sie die Model-ID muse-spark-1.3.

Python mit dem 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)

Unser Lauf am 22. Oktober 2026 gab dies in etwa vier Sekunden aus:

stop
534 514
The trip lasts 3 hours and 35 minutes.

Prüfen Sie in der Produktion immer finish_reason. stop bedeutet, dass das Modell fertig geworden ist; length bedeutet, dass es Ihr Limit erreicht hat und die Antwort möglicherweise fehlt oder abgeschnitten wurde.

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
  }'

Bei unserem Lauf kam finish_reason: "stop" zurück, außerdem fünf klare Aufzählungspunkte (Betrieb, Parallelität, Funktionen, Zuverlässigkeit, Kosten und Zukunftssicherheit) sowie folgende Nutzung: 27 Prompt-Token, 998 Completion-Token, davon 704 Reasoning-Token. Auch hier entfielen etwa 70 % der Output-Abrechnung auf nicht sichtbares Denken.

Reasoning mit reasoning_effort reduzieren

Muse Spark akzeptiert den standardmäßigen Parameter reasoning_effort mit sechs Stufen von minimal bis max. Ein geringerer Aufwand reduziert die Anzahl der Reasoning-Token, wodurch Antworten schneller und günstiger werden. Wir stellten dieselbe Zugfrage auf zwei Stufen:

reasoning_effort="low": 315 Reasoning-Token, insgesamt 335 Output-Token, korrekte Antwort.
reasoning_effort="high": 439 Reasoning-Token, insgesamt 459 Output-Token, dieselbe korrekte Antwort.

Selbst bei low hat das Modell bei einer trivialen Frage noch etwa 300 Token lang Reasoning betrieben. Ein niedrigerer Aufwand bedeutet also nicht, dass Sie max_tokens gefahrlos auf einige hundert Token reduzieren können. Auch die Länge des Reasonings variiert von Lauf zu Lauf; unser Lauf mit dem Standardaufwand verwendete mehr als der Lauf mit high. Verwenden Sie für routinemäßige Anfragen einen niedrigeren Aufwand und reservieren Sie high und höhere Stufen für Aufgaben, die dies tatsächlich benötigen. Hintergrundinformationen finden Sie unter Reasoning-Aufwand erklärt.

Tools, JSON und langer Kontext

Tool Calling verwendet das standardmäßige Array tools und tool_calls in der Antwort. Daher funktionieren vorhandene Agent-Frameworks ohne Änderungen; siehe Tool Calling. Für maschinenlesbare Ausgaben wird der JSON-Modus unterstützt; unser Leitfaden zum JSON-Modus erläutert die Unterschiede zwischen den Modellen.

Das 1M-Token-Fenster reicht für große Dokumente oder lange Agent-Verläufe in einer einzigen Anfrage aus. Wenn dasselbe große Präfix in jeder Runde erneut gesendet wird, wird es zum Cache-Tarif abgerechnet, also zu einem Zehntel des normalen Input-Tarifs. Unter Prompt-Caching erklärt erfahren Sie, wie Sie das Präfix cachefreundlich halten.

Wann Sie Muse Spark 1.3 wählen sollten

Gut geeignet: Fragen, bei denen eine sorgfältige, überprüfte Antwort wichtiger ist als Geschwindigkeit; Agents, die Tools aufrufen; das Lesen langer Kontexte zu einem moderaten Preis.
Weniger geeignet: sehr kurze Anfragen mit hohem Volumen, bei denen jedes Output-Token zählt, sowie alles, was Bildeingaben benötigt. Ein schnelles Modell ohne Reasoning ist in diesen Fällen günstiger; siehe die günstigsten LLM-APIs für hohes Anfragevolumen.

Antworten streamen, damit Nutzer nicht auf einen leeren Bildschirm starren

Da das Modell Reasoning betreibt, bevor es schreibt, gibt eine Anfrage ohne Streaming erst dann etwas zurück, wenn die gesamte Antwort bereit ist. Streamen Sie die Antwort bei Chat-Oberflächen. Während das Modell nachdenkt, wird nichts angezeigt. Sobald die Antwort jedoch beginnt, treffen die Token einzeln ein, und Ihr Client weiß, dass die Verbindung aktiv ist:

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)

Lassen Sie include_usage aktiviert: Der letzte Chunk enthält dann die Token-Zahlen einschließlich des Reasonings, für das Ihnen Kosten berechnet werden.

Häufige Fehler

Limits eines Modells ohne Reasoning wiederverwenden. Ein max_tokens-Wert von 256 oder 512, der bei einem Chat-Modell funktioniert hat, führt hier zu leeren Antworten.
Kosten anhand des sichtbaren Textes schätzen. Unsere beiden Testanfragen zeigten, dass Reasoning 70 bis 96 % der Output-Token ausmachte. Protokollieren Sie usage, nicht die Anzahl der Zeichen.
Bilder senden. Das Modell ist rein textbasiert. Entfernen Sie Bildteile oder leiten Sie diese Anfragen an ein Vision-Modell weiter.
Jede Anfrage gleich behandeln. Verwenden Sie für einfache Abfragen den Aufwand low oder minimal und reservieren Sie höhere Stufen für Planung und Analyse.

FAQ

Warum gibt Muse Spark 1.3 eine leere Antwort zurück?

Fast immer liegt es daran, dass max_tokens zu niedrig ist. Das Modell verwendet sein Budget für verborgenes Reasoning und beendet die Ausgabe mit finish_reason: "length", bevor es die Antwort schreibt. Erhöhen Sie das Limit für kurze Aufgaben auf 4,000 oder mehr und für komplexe Aufgaben auf 8,000 bis 16,000.

Wie lautet die Model-ID?

muse-spark-1.3, gesendet an https://getvibeapi.com/v1/chat/completions.

Wie viel kostet es?

Ab $0.8875 Eingabe · $3.0175 Ausgabe pro 1 Mio. Tokens. Reasoning-Token werden als Output abgerechnet. Sehen Sie sich daher usage.completion_tokens an, nicht die Länge der sichtbaren Antwort.

Akzeptiert Muse Spark 1.3 Bilder?

Nein, der Input ist auf Text beschränkt. Für Screenshots und Diagramme verwenden Sie ein Vision-Modell wie Gemini 4 Argon.

Kann ich das Reasoning sehen?

Das Reasoning selbst wird nicht zurückgegeben. Sie erhalten jedoch dessen Token-Anzahl in usage.completion_tokens_details.reasoning_tokens, was zur Überwachung der Kosten ausreicht.