モデル一覧に戻る
meta logoMeta
muse-spark-1.3

Muse Spark 1.3

Muse Spark 1.3はMetaの多模態推論モデルで、長時間実行されるエージェント、マルチエージェント、およびコーディングワークフロー向けに設計されています。拡張タスク全体にわたって情報を追跡し、...

2026/9/2
1,048,576 トークン
入力: ¥219.8968/M
出力: ¥747.6489/M

仕様

モダリティ

入力
text
image
video
file
audio
出力
text

サポートされているパラメータ

include_reasoning
max_tokens
reasoning
reasoning_effort
repetition_penalty
response_format
structured_outputs
temperature
tool_choice
tools
top_k
top_p

最大出力トークン

943,718

推論設定

既定の動作
思考オン(強度: medium)
指定できる強度
max
xhigh
high
medium
low
minimal
思考のオフ
不可(常に思考します)

思考の制御方法と課金を見る

データの取り扱い

プロンプトの保持
保持される可能性があります
学習への利用
学習には利用されません

学習の可否は提供元との条件に基づく申告値です。保持の可否は、このモデルが到達しうる実行先すべてについて上流が公表する一覧から判定しています。いずれも推測は含みません。

実測パフォーマンス

応答開始 (p50)1.1s

    FastMetalのゲートウェイ経由で実測した値です(直近30日・応答開始649回)。

    応答開始は最初の応答が返るまで、生成速度は思考トークンを含む出力トークン数から算出しています。実測値であり、性能を保証するものではありません。

    コード例

    curl https://api.fastmetal.ai/v1/chat/completions \
      -H "Content-Type: application/json" \
      -H "Authorization: Bearer YOUR_API_KEY" \
      -d '{
        "model": "muse-spark-1.3",
        "messages": [{"role": "user", "content": "Hello!"}]
      }'

    Muse Spark 1.3の実際の回答

    FastMetal上で実際に記録した、標準プロンプトへの回答です。

    このエラーをデバッグして

    以下のエラーがPythonアプリケーションで発生しています。原因を特定して修正してください。 Traceback (most recent call last): File "app.py", line 23, in get_user_orders total = sum(order["price"] * order["quantity"] for order in orders) TypeError: unsupport…

    原因は `price` が**文字列 `str`型**で返ってきていることです。 `quantity` は `int` なのに、`price` は `"1200"` のような文字列になっているため、数値同士の掛け算ができずに: ``` TypeError: unsupported operand type(s) for *: 'str' and 'int' ``` になっています。 これはよくあるパターンで、DBのドライバが `DECIMAL / NUMERIC` 型を `str` や `Decimal` で返したり、カラム自体が `VARCHAR` だったりするのが原因です。 ### 修正方法 掛け算する前に数値に変換してください。金額計算なので `float` より `Decimal` がおすすめです。 **修正前:** ```python total = sum(order["price"] * order["quantity"] for order in orders) ``` **修正後:** ```python from decimal import Decimal, InvalidOperation def get_user_orders(user_id): orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", (user_id,)) total = Decimal("0") for order in orders:…
    応答時間 29.8秒出力 3100 トークン

    コードレビュー

    以下のTypeScript関数をレビューして、可読性・パフォーマンス・ベストプラクティスの観点から改善点を提案してください。 async function fetchAllUsers(page: number = 1): Promise<any[]> { let allUsers: any[] = []; let hasMore = true; let currentPage = page; while (hasMo…

    この関数は動きますが、実務レベルで見ると改善点がかなりあります。可読性・パフォーマンス・ベストプラクティスの3観点で整理します。 ### 総評 一番の問題は3つです: 1. `any` で型安全性がゼロ 2. エラーハンドリングがゼロ(1回失敗したら全滅、無限ループの可能性あり) 3. ページ取得が完全逐次で遅い ### 1. 可読性の問題 **Beforeの問題点:** ```ts for (let i = 0; i < data.users.length; i++) { if (data.users[i].status !== "deleted") { let user = { id: data.users[i].id, name: data.users[i].first_name + " " + data.users[i].last_name, // ... }; ``` * C言語風の `for(i=0...)` はTSではほぼ不要。`for...of` / `filter` + `map` の方が意図が明確 * `data.users[i]` の繰り返しアクセスは読みにくいし、タイプミスの温床 * `let user` は再代入しないので `const` * `" " +` よりテンプレートリテラル * `currentPage = currentPage + 1` → `currentPage++` * `hasMore` フラグ管理が冗長 * マジックナンバー `100` とマジック文字列 `"…
    応答時間 28.3秒出力 2723 トークン

    SQLクエリの最適化

    以下のSQLクエリは500万行のテーブルに対して実行すると30秒以上かかります。最適化してください。 SELECT p.product_name, c.category_name, COUNT(o.order_id) as order_count, SUM(o.amount) as total_sales, AVG(r.rating) as avg_rating FROM products p LEFT JOIN…

    このクエリが遅いのはインデックス不足だけが原因ではありません。 **結果が間違った上で、遅くなっています。** 4つの致命的な問題があります。 ### 1. 一番大きなバグ: JOINで数字が膨れ上がる ```sql LEFT JOIN order_details od ON od.product_id = p.id LEFT JOIN orders o ON ... LEFT JOIN reviews r ON r.product_id = p.id ``` 商品に注文が N件、レビューが M件あると、JOIN結果は `N x M` 行になります。 例: 注文10件 x レビュー5件 = 50行 `SUM(o.amount)`, `COUNT(o.order_id)`, `AVG(r.rating)` が全て **数倍に水増し** されます。 > さらに `orders.amount` は注文全体の金額ですよね?1注文に商品A,Bが入っていたら、AでもBでも同じ金額をSUMしてしまい二重計上になります。本来は `order_details.amount / quantity * price` の方を集計すべきです。 **対策: JOINする前に先に集計する。** これが最適化のキモです。 ### 2. LEFT JOINが意味をなしていない ```sql LEFT JOIN orders o ON ... WHERE o.created_at >= '2024-04-01' ``` LEFT JOINで `o` がNULLの行を作っても、WHEREで `o.…
    応答時間 31.8秒出力 3071 トークン

    他のモデルと並べて比較する →

    よくある質問

    Muse Spark 1.3のAPI料金はいくらですか?
    FastMetalでは100万トークンあたり入力¥219.9・出力¥747.65(税別)の円建て従量課金です。前払いクレジットから使った分だけ差し引かれ、月額料金やサブスクリプションはありません。
    Muse Spark 1.3はOpenAI SDKからそのまま使えますか?
    はい。base_url を https://api.fastmetal.ai/v1 に変更し、model に "muse-spark-1.3" を指定するだけで、既存のOpenAI向けコードから呼び出せます。ストリーミング、ツール呼び出し、構造化出力にも対応しています。
    Muse Spark 1.3のコンテキスト長はどのくらいですか?
    1,048,576トークンです。プロンプトと回答を合わせてこの範囲に収める必要があります。
    Muse Spark 1.3を試すには何が必要ですか?
    アカウントを作成してクレジットをチャージすると、ブラウザのチャット画面とAPIの両方から利用できます。契約や最低利用額はありません。

    Muse Spark 1.3を今すぐ試す

    Muse Spark 1.3はFastMetalのAPIキー1つで利用できます。ブラウザですぐに試す、またはOpenAI SDKからそのまま呼び出せます。