Muse Spark 1.3 es un modelo de razonamiento de propósito general de Meta con llamadas a herramientas, modo JSON y un contexto de 1M de tokens. GetVibe API lo ofrece a través del endpoint estándar compatible con OpenAI, así que puedes llamarlo con el código que ya tienes. Hay algo que debes saber antes de empezar: Muse Spark piensa mucho antes de responder y, si dejas max_tokens demasiado bajo, recibirás una respuesta vacía. Esta guía muestra el ID del modelo, el precio, lo que medimos y cómo configurarlo para que funcione desde el primer intento.
La única configuración que importa: max_tokens
Al igual que otros modelos de razonamiento, Muse Spark escribe tokens de razonamiento ocultos antes de la respuesta visible. Esos tokens cuentan para max_tokens y se facturan como salida. Lo que distingue a Muse Spark es cuánto razona: aproximadamente entre 650 y 5,400 tokens de razonamiento en una pregunta corta, según las cifras de nuestro catálogo.
Nosotros observamos el mismo patrón. Hicimos una pregunta de aritmética de una sola línea (cuánto dura un viaje en tren de 14:35 a 18:10) y obtuvimos una respuesta correcta de una sola oración, pero observa la división de tokens:
- Respuesta visible: aproximadamente 20 tokens (“El viaje dura 3 horas y 35 minutos.”)
- Razonamiento: 514 tokens
- Total de salida facturado: 534 tokens
Si max_tokens hubiera sido 256, el modelo se habría quedado sin presupuesto a mitad del razonamiento y habría devuelto un mensaje vacío con finish_reason: "length". La solución es sencilla: dale espacio. Para preguntas cortas usa al menos 4,000; para tareas de programación o de varios pasos, entre 8,000 y 16,000 es razonable. Solo pagas por los tokens que realmente se generan, no por el límite que configuras, así que establecer un límite generoso no cuesta nada extra en prompts sencillos.
Especificaciones y precio
- ID del modelo:
muse-spark-1.3 - Creador: Meta
- Precio: desde $0.8875 entrada · $3.0175 salida por 1M de tokens.
- Entrada en caché: una décima parte de la tarifa de entrada normal para prefijos de prompt repetidos.
- Ventana de contexto: 1,048,576 tokens.
- Esfuerzo de razonamiento:
minimal,low,medium,high,xhigh,max. El razonamiento se factura como salida. - Llamadas a herramientas y modo JSON: compatibles.
- Entrada: solo texto (sin imágenes).
El precio indica “desde” porque GetVibe enruta cada solicitud primero al canal saludable más barato y cambia de opción si está ocupado, por lo que una solicitud puede costar ocasionalmente más que el precio mínimo. La página del modelo Muse Spark 1.3 muestra el rango actual, y el dashboard muestra cuánto costó realmente cada solicitud; consulta saldo y uso.
Como el modelo razona mucho, calcula tu presupuesto según los tokens de salida, no según la longitud de la respuesta que ves. Una solicitud cuya respuesta visible es de una sola oración puede facturar aun así varios cientos de tokens de salida.
Cómo conectarte
Obtén una clave de API desde tu cuenta de GetVibe, apunta cualquier cliente de OpenAI a https://getvibeapi.com/v1 y usa el ID de modelo muse-spark-1.3.
Python con el SDK de OpenAI
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)Nuestra ejecución del 22 de octubre de 2026 imprimió esto en aproximadamente cuatro segundos:
stop
534 514
The trip lasts 3 hours and 35 minutes.Comprueba siempre finish_reason en producción. stop significa que el modelo terminó; length significa que alcanzó tu límite y que la respuesta puede faltar o estar truncada.
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
}'En nuestra ejecución, esto devolvió finish_reason: "stop", cinco viñetas claras (operaciones, concurrencia, funcionalidades, fiabilidad, costo y preparación para el futuro) y este uso: 27 tokens de prompt, 998 tokens de finalización, de los cuales 704 fueron de razonamiento. De nuevo, aproximadamente el 70% de la facturación de salida correspondió a un razonamiento que nunca ves.
Reducir el razonamiento con reasoning_effort
Muse Spark acepta el parámetro estándar reasoning_effort con seis niveles, desde minimal hasta max. Un esfuerzo menor reduce los tokens de razonamiento, lo que hace que las respuestas sean más rápidas y económicas. Enviamos la misma pregunta sobre el tren con dos niveles:
reasoning_effort="low": 315 tokens de razonamiento, 335 tokens de salida en total, respuesta correcta.reasoning_effort="high": 439 tokens de razonamiento, 459 tokens de salida en total, la misma respuesta correcta.
Incluso con low, el modelo razonó durante aproximadamente 300 tokens en una pregunta trivial, así que reducir el esfuerzo no hace que sea seguro bajar max_tokens a unos pocos cientos. La longitud del razonamiento también varía de una ejecución a otra; nuestra ejecución con el esfuerzo predeterminado usó más que la de high. Usa un esfuerzo menor para el tráfico rutinario y reserva high y niveles superiores para problemas que realmente lo necesiten. Consulta los detalles en explicación del esfuerzo de razonamiento.
Herramientas, JSON y contexto largo
Las llamadas a herramientas usan el array estándar tools y tool_calls en la respuesta, por lo que los frameworks de agentes existentes funcionan sin cambios; consulta llamadas a herramientas. Para obtener una salida legible por máquinas, se admite el modo JSON; nuestra guía del modo JSON explica las diferencias entre los modelos.
La ventana de 1M de tokens permite incluir documentos grandes o historiales extensos de agentes en una sola solicitud. Cuando se vuelve a enviar el mismo prefijo grande en cada turno, se factura con la tarifa de caché, una décima parte de la entrada normal. Consulta explicación del almacenamiento en caché de prompts para saber cómo mantener el prefijo compatible con la caché.
Cuándo elegir Muse Spark 1.3
- Buena opción: preguntas en las que importa más una respuesta cuidadosa y verificada que la velocidad; agentes que llaman a herramientas; lectura de contexto largo a un precio moderado.
- Menos ideal: llamadas muy cortas y de gran volumen en las que cada token de salida cuenta, y cualquier tarea que necesite entrada de imágenes. En esos casos, un modelo rápido sin razonamiento es más barato; consulta las API de LLM más baratas para grandes volúmenes.
Transmite las respuestas para que los usuarios no se queden mirando una pantalla en blanco
Como el modelo razona antes de escribir, una solicitud sin streaming no devuelve nada hasta que toda la respuesta está lista. Para las interfaces de chat, usa streaming. No se muestra nada mientras el modelo piensa, pero en cuanto comienza la respuesta, los tokens llegan uno a uno y tu cliente sabe que la conexión sigue activa:
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)Mantén include_usage activado: el último fragmento llevará los recuentos de tokens, incluidos los de razonamiento, que son los que se te facturan.
Errores comunes
- Reutilizar límites de un modelo sin razonamiento. Un
max_tokensde 256 o 512 que funcionaba para un modelo de chat producirá respuestas vacías aquí. - Estimar el costo a partir del texto visible. Nuestras dos solicitudes de prueba mostraron que el razonamiento representaba entre el 70 y el 96% de los tokens de salida. Registra
usage, no el recuento de caracteres. - Enviar imágenes. El modelo solo admite texto; elimina las partes de imagen o enruta esas solicitudes a un modelo de visión.
- Tratar todas las solicitudes por igual. Usa un esfuerzo
lowominimalpara consultas sencillas y reserva los niveles superiores para la planificación y el análisis.
Preguntas frecuentes
¿Por qué Muse Spark 1.3 devuelve una respuesta vacía?
Casi siempre porque max_tokens es demasiado bajo. El modelo gasta su presupuesto en razonamiento oculto y se detiene con finish_reason: "length" antes de escribir la respuesta. Aumenta el límite a 4,000 o más para tareas cortas y a entre 8,000 y 16,000 para tareas complejas.
¿Cuál es el ID del modelo?
muse-spark-1.3, enviado a https://getvibeapi.com/v1/chat/completions.
¿Cuánto cuesta?
Desde $0.8875 entrada · $3.0175 salida por 1M de tokens. Los tokens de razonamiento se facturan como salida, así que consulta usage.completion_tokens, no la longitud de la respuesta visible.
¿Muse Spark 1.3 acepta imágenes?
No, la entrada es solo texto. Para capturas de pantalla y diagramas, usa un modelo de visión como Gemini 4 Argon.
¿Puedo ver el razonamiento?
El razonamiento en sí no se devuelve; obtienes su recuento de tokens en usage.completion_tokens_details.reasoning_tokens, lo cual basta para supervisar el costo.