Muse Spark 1.3 API: बिना खाली जवाबों के Meta के reasoning मॉडल का उपयोग कैसे करें

Muse Spark 1.3 Meta का एक general-purpose reasoning model है, जिसमें tool calling, JSON mode और 1M-token context है। GetVibe API इसे standard OpenAI-compatible endpoint के ज़रिए उपलब्ध कराता है, इसलिए आप इसे अपने मौजूदा code से call कर सकते हैं। शुरू करने से पहले एक बात जानना ज़रूरी है: Muse Spark उत्तर देने से पहले काफी सोचता है, और अगर आप max_tokens कम रखते हैं, तो आपको खाली response मिलेगा। यह guide model ID, price, हमारे मापे गए परिणाम और इसे इस तरह set up करने का तरीका दिखाती है कि यह पहली बार में ही काम करे।

एक setting जो मायने रखती है: max_tokens

अन्य reasoning models की तरह, Muse Spark visible answer से पहले hidden reasoning tokens लिखता है। ये tokens max_tokens में गिने जाते हैं और output के रूप में billed होते हैं। Muse Spark को अलग बनाता है कि यह कितना reasoning करता है: हमारे catalog के आंकड़ों के अनुसार, एक छोटे सवाल पर लगभग 650 से 5,400 reasoning tokens।

हमने खुद भी यही pattern देखा। हमने एक line का arithmetic सवाल पूछा (14:35 से 18:10 तक train journey कितनी लंबी है) और एक सही, एक-वाक्य का उत्तर मिला, लेकिन token split देखें:

Visible answer: लगभग 20 tokens (“The trip lasts 3 hours and 35 minutes.”)
Reasoning: 514 tokens
Total output billed: 534 tokens

अगर max_tokens 256 होता, तो model विचार के बीच में ही अपना budget खत्म कर देता और finish_reason: "length" के साथ empty message लौटाता। इसका समाधान आसान है: इसे पर्याप्त जगह दें। छोटे सवालों के लिए कम से कम 4,000 इस्तेमाल करें; coding या multi-step tasks के लिए 8,000 से 16,000 उचित है। आप केवल वास्तव में generate किए गए tokens के लिए भुगतान करते हैं, आपके द्वारा set की गई limit के लिए नहीं, इसलिए आसान prompts पर generous ceiling रखने का कोई अतिरिक्त खर्च नहीं है।

Specs और price

Model ID: muse-spark-1.3
Maker: Meta
Price: $0.8875 इनपुट · $3.0175 आउटपुट प्रति 10 लाख टोकन से।
Cached input: दोहराए गए prompt prefixes के लिए regular input rate का दसवां हिस्सा।
Context window: 1,048,576 tokens.
Reasoning effort: minimal, low, medium, high, xhigh, max। Reasoning को output के रूप में bill किया जाता है।
Tool calling और JSON mode: supported.
Input: केवल text (images नहीं)।

Price में “from” इसलिए लिखा है क्योंकि GetVibe हर request को पहले सबसे सस्ते healthy channel पर route करता है और उसके busy होने पर fallback करता है, इसलिए किसी request की लागत कभी-कभी floor से अधिक हो सकती है। Muse Spark 1.3 model page live range दिखाता है, और dashboard हर request की वास्तविक लागत दिखाता है; balance और usage देखें।

क्योंकि model काफी reasoning करता है, budget उस उत्तर की लंबाई के आधार पर नहीं, बल्कि output tokens के आधार पर बनाएं जो आप देखते हैं। ऐसा request जिसका visible reply एक वाक्य का हो, फिर भी कई सौ output tokens के लिए bill हो सकता है।

कैसे connect करें

अपने GetVibe account से API key प्राप्त करें, किसी भी OpenAI client को https://getvibeapi.com/v1 पर point करें और model ID muse-spark-1.3 इस्तेमाल करें।

OpenAI SDK के साथ Python

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)

22 अक्टूबर 2026 को हमारा run लगभग चार सेकंड में यह output लेकर आया:

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

Production में हमेशा finish_reason check करें। stop का अर्थ है कि model पूरा हो गया; length का अर्थ है कि उसने आपकी limit पूरी कर ली और उत्तर missing या अधूरा हो सकता है।

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
  }'

हमारे run में इसका response finish_reason: "stop" के साथ आया, जिसमें पाँच स्पष्ट bullets (operations, concurrency, features, reliability, cost और future-proofing) और यह usage था: 27 prompt tokens, 998 completion tokens, जिनमें से 704 reasoning थे। फिर से, output bill का लगभग 70% उस thinking का था जिसे आप देख नहीं पाते।

reasoning_effort से reasoning कम करना

Muse Spark standard reasoning_effort parameter को छह levels के साथ स्वीकार करता है, minimal से max तक। कम effort reasoning tokens को घटाता है, जिससे उत्तर तेज़ और सस्ता हो जाता है। हमने एक ही train question दो levels पर भेजा:

reasoning_effort="low": 315 reasoning tokens, कुल 335 output tokens, सही उत्तर।
reasoning_effort="high": 439 reasoning tokens, कुल 459 output tokens, वही सही उत्तर।

low पर भी model ने एक आसान सवाल पर लगभग 300 tokens तक reasoning की, इसलिए effort कम करने का अर्थ यह नहीं है कि max_tokens को कुछ सौ तक घटाना सुरक्षित है। Reasoning की लंबाई हर run में बदलती भी है; हमारे default-effort run ने high वाले run से अधिक tokens इस्तेमाल किए। Routine traffic के लिए lower effort इस्तेमाल करें और high या उससे ऊपर के levels को उन समस्याओं के लिए बचाकर रखें जिन्हें वास्तव में इसकी आवश्यकता है। reasoning effort explained में background देखें।

Tools, JSON और long context

Tool calling standard tools array और response में tool_calls का इस्तेमाल करता है, इसलिए मौजूदा agent frameworks बिना बदलाव के काम करते हैं; tool calling देखें। Machine-readable output के लिए JSON mode supported है; हमारा JSON mode guide models के बीच के अंतर समझाता है।

1M-token window बड़े documents या लंबी agent histories को एक ही request में समा सकती है। जब वही बड़ा prefix हर turn में दोबारा भेजा जाता है, तो उसे cache rate पर bill किया जाता है, जो normal input का दसवां हिस्सा है। Prefix को cache-friendly बनाए रखने का तरीका जानने के लिए prompt caching explained देखें।

Muse Spark 1.3 को कब चुनें

Good fit: ऐसे सवाल जहाँ speed से अधिक महत्वपूर्ण सावधानी से जाँचा हुआ उत्तर हो; ऐसे agents जो tools call करते हों; moderate price पर long-context reading.
Less ideal: बहुत छोटे, high-volume calls जहाँ हर output token मायने रखता हो, और ऐसी कोई भी चीज़ जिसमें image input की आवश्यकता हो। वहाँ तेज़ non-reasoning model सस्ता है; high volume के लिए सबसे सस्ते LLM APIs देखें।

Responses stream करें ताकि users खाली screen को न देखते रहें

क्योंकि model लिखने से पहले reasoning करता है, non-streamed request तब तक कुछ नहीं लौटाती जब तक पूरा उत्तर तैयार न हो जाए। Chat interfaces के लिए इसे stream करें। Model के सोचने के दौरान कुछ दिखाई नहीं देता, लेकिन जैसे ही उत्तर शुरू होता है, tokens एक-एक करके आने लगते हैं और आपके client को पता रहता है कि connection active है:

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)

include_usage को on रखें: तब आखिरी chunk में reasoning सहित token counts आते हैं, और billing इसी के आधार पर होती है।

आम गलतियाँ

Non-reasoning model की limits दोबारा इस्तेमाल करना। max_tokens की 256 या 512 वाली value, जो किसी chat model के लिए काम करती थी, यहाँ empty answers देगी।
Visible text से cost का अनुमान लगाना। हमारे दो test requests में reasoning output tokens का 70 से 96% था। Character counts नहीं, usage log करें।
Images भेजना। यह model केवल text के लिए है; image parts हटाएँ या उन requests को vision model पर route करें।
हर request के साथ एक जैसा व्यवहार करना। Simple lookups के लिए low या minimal effort इस्तेमाल करें और planning तथा analysis के लिए higher levels बचाकर रखें।

FAQ

Muse Spark 1.3 empty response क्यों लौटाता है?

लगभग हमेशा इसलिए क्योंकि max_tokens बहुत कम होता है। Model अपना budget hidden reasoning पर खर्च करता है और उत्तर लिखने से पहले finish_reason: "length" के साथ रुक जाता है। Short tasks के लिए limit को 4,000 या अधिक और complex tasks के लिए 8,000 से 16,000 तक बढ़ाएँ।

Model ID क्या है?

muse-spark-1.3, जिसे https://getvibeapi.com/v1/chat/completions पर भेजा जाता है।

इसकी cost कितनी है?

$0.8875 इनपुट · $3.0175 आउटपुट प्रति 10 लाख टोकन से। Reasoning tokens को output के रूप में bill किया जाता है, इसलिए visible reply की लंबाई नहीं, usage.completion_tokens देखें।

क्या Muse Spark 1.3 images स्वीकार करता है?

नहीं, input केवल text है। Screenshots और diagrams के लिए Gemini 4 Argon जैसे vision model का इस्तेमाल करें।

क्या मैं reasoning देख सकता हूँ?

Reasoning स्वयं return नहीं की जाती; आपको इसका token count usage.completion_tokens_details.reasoning_tokens में मिलता है, जो cost monitor करने के लिए पर्याप्त है।