Обзор Meta Model API: Muse Spark 1.3, изображения, Voice, агенты и цены в 2026 году

Актуальность информации: 29 сентября 2026 года.

Meta долго была необычным участником рынка AI для разработчиков. Компания выпускала Llama с открытыми весами, но собственного универсального облачного API уровня OpenAI или Anthropic у нее фактически не было: разработчикам приходилось запускать модели самостоятельно либо использовать AWS, Azure, Groq, Together, OpenRouter и других inference-провайдеров.

В 2026 году ситуация изменилась. Meta запустила Meta Model API — собственную hosted-платформу с pay-as-you-go доступом к новым моделям Muse. Сейчас через нее доступны Muse Spark 1.3 для reasoning, coding и агентных задач, Muse Image для генерации и редактирования изображений, Muse Voice Transcribe для потокового распознавания речи и SAM 3.1 для сегментации изображений и видео.

Платформа пока официально находится в public preview, но уже выглядит не как экспериментальный endpoint к одной модели. Здесь есть Responses API, OpenAI-compatible Chat Completions, Anthropic-compatible Messages API, server-managed conversations, reasoning между ходами, web search, structured output, file inputs, prompt caching, background execution и tool search.

Есть и очень необычная схема тарификации: стандартный Muse Spark 1.3 стоит $1,25/$4,25 за миллион input/output токенов, но тот же model family доступен в Contributor tier по $0,10/$0,20, если разработчик разрешает Meta использовать prompts и completions для обучения будущих моделей. Для коммерческого продукта разница огромная, но вместе с ней появляются существенные ограничения на данные.

Разберем, что именно представляет собой Meta Model API, чем Muse отличается от Llama, какие интерфейсы доступны, сколько стоит использование и какие нюансы нужно учитывать при регистрации, работе с персональными данными и доступе из разных стран.

Meta Model API — это не «Llama API»

Это важное различие, поскольку название Meta до сих пор в первую очередь ассоциируется с Llama.

Llama остается отдельным семейством открытых моделей Meta. Их можно скачивать, разворачивать самостоятельно или запускать у внешних cloud- и inference-провайдеров.

Meta Model API — собственная hosted-платформа Meta, но ее текущая основная модельная линейка называется Muse.

В официальном каталоге Meta Model API сейчас пять model families:

Muse Spark — reasoning, coding, agentic workflows и мультимодальный анализ;
Muse Image — генерация и редактирование изображений;
Muse Voice Transcribe — speech-to-text;
Segment Anything Model 3.1 — detection, segmentation и tracking;
Muse Glimmer — открытая локальная agentic-модель, которая относится к той же экосистеме, но не вызывается через hosted API.

Поэтому если задача звучит как «хочу вызвать Llama 4 через официальный API Meta», Meta Model API сейчас не является обычным hosted endpoint именно для Llama 4. Для Llama по-прежнему используются downloadable weights и партнерские платформы. В собственном hosted API Meta основной акцент уже перенесен на Muse.

Muse Spark 1.3 — основная модель платформы

Актуальная модель — Muse Spark 1.3.

Она ориентирована прежде всего на long-horizon agentic workflows, программирование, работу с инструментами, computer-use сценарии и большие задачи, которые требуют сохранения состояния между множеством шагов.

Model ID:

muse-spark-1.3

Контекст:

1 048 576 токенов

Поддерживаемый input:

text;
image;
video;
PDF;
audio с оговоркой по качеству.

Output основной модели — текст.

Для аудио у версии 1.3 есть важное ограничение: Meta предупреждает, что audio understanding пока поддерживается не полностью и качество может быть хуже. Для специализированного speech-to-text лучше использовать Muse Voice Transcribe, а для некоторых мультимодальных audio-задач — Muse Spark 1.2.

Muse Spark 1.3 сейчас рекомендуется Meta для нового development вместо 1.2 и 1.1.

Muse Spark 1.2 и 1.1

В API остаются предыдущие версии:

muse-spark-1.2
muse-spark-1.1

Все три поколения имеют контекст 1 048 576 токенов и одинаковую стандартную цену.

Для нового приложения использовать 1.1 без конкретной причины уже нет большого смысла. Версия 1.2 может оставаться полезной там, где важна более зрелая поддержка audio input или приложение уже проверено именно на этом model snapshot.

При production-разработке model ID лучше держать в конфигурации. Хотя API становится более зрелым, сама платформа все еще находится в preview и линейка Muse обновляется быстро.

Standard и Contributor — две совершенно разные модели использования данных

У Muse Spark есть необычное разделение на два pricing tier.

Standard

Обычный model ID:

muse-spark-1.3

Стоимость:

Тип токенов	Цена за 1 млн
Input	$1,25
Cached input	$0,15
Output	$4,25

Meta прямо указывает, что prompts и completions Standard tier не используются для обучения Meta Models.

Именно Standard подходит для коммерческих приложений, где в запросах могут присутствовать внутренние данные, код, пользовательский контент или другая информация, которую нельзя отдавать для training.

Contributor

Model ID:

muse-spark-1.3-contributor

Цена намного ниже:

Тип токенов	Цена за 1 млн
Input	$0,10
Cached input	$0,002
Output	$0,20

В обмен Meta получает разрешение использовать prompts и completions для обучения будущих моделей.

Это не просто формальный opt-in с небольшой скидкой. Input стоит в 12,5 раза дешевле, output — больше чем в 20 раз, а cached input — в 75 раз дешевле Standard.

Но у Contributor есть жесткие ограничения: туда нельзя отправлять sensitive, confidential или personal information. Если ваш продукт обрабатывает персональные данные пользователей, закрытый исходный код, коммерческие документы или любую информацию, которую требуется сохранять конфиденциальной, нужно использовать Standard.

Сколько стоит один большой запрос

Возьмем условный запрос:

100 000 input tokens
10 000 output tokens

Без cache:

Tier	Стоимость
Muse Spark 1.3 Standard	$0,1675
Muse Spark 1.3 Contributor	$0,012

Standard:

100 000 × $1,25 / 1M = $0,125
10 000 × $4,25 / 1M = $0,0425
Итого: $0,1675

Contributor:

100 000 × $0,10 / 1M = $0,01
10 000 × $0,20 / 1M = $0,002
Итого: $0,012

Разница почти четырнадцатикратная.

Если большая часть input попала в cache, Contributor становится еще дешевле. Но для реального продукта нельзя выбирать этот tier только по цене: правила использования данных здесь принципиально важнее экономии.

Reasoning

Muse Spark — reasoning model. Перед видимым ответом она генерирует внутренние reasoning tokens.

Уровень регулируется через:

minimal
low
medium
high
xhigh
max

Полностью отключить reasoning нельзя: none для Muse Spark возвращает ошибку.

Например:

{
  "model": "muse-spark-1.3",
  "reasoning": {
    "effort": "high"
  },
  "input": "Проанализируй архитектуру приложения и найди потенциальные точки отказа."
}

Reasoning tokens остаются скрытыми, но учитываются как output tokens и расходуют max_output_tokens.

Уровень max доступен только для Standard muse-spark-1.3. Contributor-модель его не поддерживает.

Для production это означает, что одинаковый пользовательский запрос может стоить по-разному в зависимости от reasoning effort. Максимальный режим имеет смысл оставлять для действительно сложных agentic и engineering задач, а не использовать автоматически в каждом запросе.

Три API-протокола поверх одной модели

Meta сделала необычно удобную compatibility-схему. Одна и та же Muse Spark доступна через три формата.

Формат	Endpoint	Для чего подходит
Responses API	`/v1/responses`	новые агенты, tools, stateful context
Chat Completions	`/v1/chat/completions`	существующий OpenAI-compatible код
Messages API	`/v1/messages`	Claude/Anthropic-compatible инструменты

Цена модели одинакова независимо от выбранного протокола.

Для нового проекта Meta рекомендует Responses API.

Chat Completions нужен прежде всего там, где уже есть OpenAI-compatible messages-array integration.

Messages API особенно интересен для Claude Code и других инструментов, которые ожидают Anthropic protocol.

Responses API

Meta Responses API очень близок к современному OpenAI Responses API.

Минимальный запрос:

curl -X POST "https://api.meta.ai/v1/responses" \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-spark-1.3",
    "input": "Кратко объясни разницу между REST и GraphQL."
  }'

Для Python можно использовать обычный OpenAI SDK:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_MODEL_API_KEY",
    base_url="https://api.meta.ai/v1",
)

response = client.responses.create(
    model="muse-spark-1.3",
    input="Объясни dependency injection."
)

print(response.output_text)

Главное отличие Responses от простого Chat Completions — сохранение reasoning между шагами.

Stateful и stateless multi-turn

Responses API поддерживает два способа продолжить разговор.

Server-managed state

Первый response получает ID. Следующий запрос можно связать с ним:

{
  "model": "muse-spark-1.3",
  "previous_response_id": "resp_...",
  "input": "Теперь предложи альтернативную архитектуру."
}

Meta самостоятельно восстанавливает предыдущий state.

Encrypted reasoning replay

Можно не хранить conversation state на сервере, а возвращать в следующий запрос зашифрованные reasoning items, полученные от модели.

Это интересный компромисс: reasoning continuity сохраняется, но приложение может контролировать собственную историю вместо привязки к previous_response_id.

Для агентов с длинными tool loops это заметно полезнее обычного Chat Completions, где reasoning между запросами не переносится.

Background execution

Responses API поддерживает background requests.

Для долгой задачи можно запустить:

{
  "model": "muse-spark-1.3",
  "input": "Проведи подробный анализ...",
  "background": true
}

API вернет response ID, а приложение сможет позже запросить состояние, подключиться к SSE-stream текущего background response или отменить его.

Это подходит для research, длинного coding workflow и agentic-задач, которые могут выходить за обычный HTTP timeout.

OpenAI-compatible Chat Completions

Если приложение уже написано под OpenAI Chat Completions, миграция особенно простая:

from openai import OpenAI

client = OpenAI(
    base_url="https://api.meta.ai/v1",
    api_key="YOUR_MODEL_API_KEY",
)

response = client.chat.completions.create(
    model="muse-spark-1.3",
    messages=[
        {
            "role": "user",
            "content": "Объясни dependency injection."
        }
    ],
)

Meta описывает Model API как drop-in compatible с OpenAI SDK.

Совместимость не абсолютная. Reasoning model не принимает часть параметров, которые есть у обычных OpenAI chat models. Например, некоторые combinations с stop, logit_bias и logprobs могут возвращать HTTP 400.

Но для обычной messages-интеграции переход действительно сводится к base URL, ключу и model ID.

Anthropic-compatible Messages API

Третья поверхность — /v1/messages.

Она предназначена для приложений, которые используют Anthropic Messages API. В частности, через нее можно подключать Muse Spark к Claude-oriented tools.

Messages API умеет возвращать:

обычные text blocks;
thinking;
tool_use;
server-side calls вроде web_search_call;
tool_search_call.

Поддерживается и Anthropic-style token counting:

POST /v1/messages/count_tokens

Это делает Meta Model API одним из немногих прямых model providers, которые официально пытаются быть совместимыми сразу и с OpenAI, и с Anthropic API.

Function calling

Muse Spark поддерживает function/tool calling с JSON Schema.

Например:

{
  "type": "function",
  "name": "get_order",
  "description": "Получить данные заказа",
  "parameters": {
    "type": "object",
    "properties": {
      "order_id": {
        "type": "string"
      }
    },
    "required": ["order_id"],
    "additionalProperties": false
  }
}

Модель может решить вызвать get_order, приложение выполняет реальную функцию и возвращает результат модели.

Поддерживаются parallel tool calls и streaming tool arguments.

Как и у любого LLM API, tool calling не должен заменять обычные backend-проверки. Авторизацию, платежи, destructive operations и любые критичные правила нужно валидировать кодом приложения.

Structured Outputs

Meta Model API поддерживает настоящий schema-constrained output.

В Chat Completions используется:

response_format

В Responses API:

text.format

Можно задать JSON Schema и strict: true. Декодирование ограничивается таким образом, чтобы результат соответствовал схеме, а не просто «постарался вернуть JSON».

Например, такой механизм подходит для:

extraction;
классификации;
DTO;
параметров backend-функций;
обработки форм и документов;
конфигураций;
agentic pipelines.

Есть ограничения по размеру схемы: Meta устанавливает лимиты на depth, количество properties, enum и общий размер expanded schema.

Tool Search

Большой агент может иметь десятки или сотни функций. Передавать полную JSON Schema каждой функции в каждом запросе дорого и занимает context window.

Для этого Meta добавила Tool Search.

Инструмент можно отметить:

{
  "type": "tool_search"
}

а остальные function definitions — как:

{
  "defer_loading": true
}

Модель видит название и краткое описание инструмента, а полная schema загружается только тогда, когда действительно нужна.

Есть два режима:

hosted — Meta сама ищет среди объявленных deferred tools;
client-executed — поиск доступного tool выполняет ваше приложение.

Для multi-tenant SaaS второй вариант особенно удобен: набор подключенных CRM, платежных систем и сервисов может отличаться для каждого клиента.

Tool Search работает через Responses API и Messages adapter, но не через обычный Chat Completions.

Web Search Grounding

Muse Spark умеет получать свежую информацию из интернета через встроенный:

{
  "type": "web_search"
}

Модель может выполнять search queries, открывать найденные страницы, искать текст внутри страницы и возвращать ответ с citations.

Стоимость:

$2,50 / 1000 search queries

плюс обычная стоимость токенов Muse Spark.

Это заметно дешевле некоторых конкурирующих встроенных search tools, но итоговый расход зависит от количества поисковых запросов, которые модель фактически сделает в рамках одной пользовательской задачи.

Можно передать approximate user location и управлять размером search context.

Prompt caching

Meta автоматически снижает стоимость повторяющегося input prefix.

Standard:

обычный input:   $1,25 / 1M
cached input:    $0,15 / 1M

Contributor:

обычный input:   $0,10 / 1M
cached input:    $0,002 / 1M

В API usage возвращается количество cached tokens.

Для длинных coding/agent workflows это важно: system instructions, tool definitions, project context и ранняя часть разговора часто повторяются между запросами.

Для лучшего cache routing можно использовать prompt_cache_key.

Файлы, изображения, PDF и видео

Muse Spark принимает не только текст.

В Responses API можно передавать input_file через:

file_id;
inline file_data;
URL;
filename + data.

Файлы можно загрузить один раз и использовать повторно по ID.

Для image-heavy запросов Meta документирует inline payload до примерно 50 MB и порядка 50 изображений на один запрос в типичном vision-сценарии.

Muse Spark умеет читать screenshots, фотографии, charts, PDF и video. Это особенно хорошо сочетается со Structured Outputs: например, можно передать screenshot таблицы и получить schema-validated JSON.

Computer Use

Muse Spark позиционируется как модель с сильным computer-use reasoning, но здесь важно не создать неверное впечатление.

Meta Model API сейчас не дает отдельный полностью hosted «виртуальный компьютер», который модель сама контролирует на серверах Meta.

Типовая схема client-side:

ваше приложение или agent harness делает screenshot;
отправляет его Muse Spark;
модель вызывает mouse/keyboard/shell tools;
harness выполняет действия;
новый screenshot снова отправляется модели.

В cookbook Meta показывает такую работу через Cua, OpenCode, MCP и собственный metacua для macOS.

То есть perception и reasoning выполняет Muse Spark, но execution environment контролируете вы.

Для production это часто даже удобно: модель можно запустить внутри изолированного disposable desktop/container вместо предоставления ей доступа к реальному рабочему компьютеру.

Muse Code

Параллельно с API Meta развивает Muse Code — собственный coding agent в терминале, построенный специально вокруг Muse Spark.

Он поддерживает multi-agent workflows, tool use и длительную работу с codebase.

Muse Code можно использовать с обычным Meta Model API auth/billing либо через отдельную monthly subscription.

Здесь есть важный юридический нюанс: API key/credential, выданный в рамках Coding Harness Subscription, предназначен только для coding harness. Условия Meta запрещают использовать его за пределами подписки для обхода лимитов и API billing.

Поэтому собственный SaaS нужно подключать к обычному Model API, а не пытаться использовать subscription credential Muse Code как дешевый универсальный API key.

Muse Image

Для генерации и редактирования изображений Meta предлагает отдельную модель:

muse-image-1.0

Она доступна через:

POST /v1/images/generations
POST /v1/images/edits

а для multi-turn image editing можно использовать Responses API.

Цена крайне простая:

$0,01 / изображение

Она не зависит от количества reasoning steps или внутренних tools, которые Muse Image использовала при генерации.

Muse Image — agentic image model. Перед рендерингом она может планировать композицию, использовать поиск и code tools, а затем проверять результат.

Поддерживаются:

text-to-image;
precise editing;
composition из reference images;
multi-turn refinement;
anchored consistency между серией изображений.

Для продукта с большим объемом catalog imagery, рекламных вариантов или персонализированной графики $0,01 за результат делает Meta довольно агрессивным конкурентом специализированных image API.

Muse Voice Transcribe

Meta Model API уже имеет отдельную speech-to-text модель:

muse-voice-transcribe-1.0

Цена:

$3 / 1000 минут
$0,18 / час

Streaming и non-streaming стоят одинаково.

Модель поддерживает:

realtime streaming transcription;
speaker diarization;
20+ одновременно различаемых speakers;
voice activity detection;
endpointing;
contextual и keyword biasing.

Все эти функции выполняет сама recognition model, поэтому отдельный batch diarization pass не нужен.

Но Muse Voice Transcribe — именно speech-to-text. Meta Model API сейчас не предлагает симметричный first-party TTS или speech-to-speech API уровня OpenAI Realtime или Gemini Live.

Если нужен голосовой ассистент с синтезом речи, TTS-часть придется закрывать другим сервисом.

SAM 3.1

Еще один необычный компонент Model API — Segment Anything Model 3.1.

Он умеет:

обнаруживать объект по текстовому prompt;
возвращать bounding boxes;
строить pixel-precise segmentation masks;
отслеживать тот же объект по видео.

Цена:

$2,50 / 1000 изображений
$0,20 / 1000 video frames

SAM использует те же API keys и billing, что Muse.

Это специализированный vision endpoint, который полезен для computer vision pipeline, каталогов, автоматической обработки изображений и видео, AR и других сценариев, где общего описания картинки мультимодальной LLM недостаточно.

Muse Glimmer — открытая локальная альтернатива

Meta одновременно развивает противоположный путь: Muse Glimmer вообще не работает через Model API.

Это open-weight мультимодальная модель на 30 млрд параметров, ориентированная на always-on local agents.

Лицензия:

Apache 2.0

Контекст по умолчанию:

128K

с поддержкой более длинных режимов.

Модель можно запускать через:

vLLM;
SGLang;
llama.cpp;
ExecuTorch;
Ollama;
LM Studio.

Полный bf16 checkpoint занимает примерно 60 GB, доступны и quantized варианты.

Для локального coding/agent сценария это интересное дополнение к hosted Muse Spark: API key и per-token billing не нужны, а данные могут оставаться на собственной машине.

Но capability и context модели, естественно, отличаются от Muse Spark 1.3.

Rate limits

Текущие стандартные лимиты Meta выглядят достаточно щедро.

Muse Spark Standard

3000 RPM
4 000 000 TPM

Contributor

100 RPM
3 000 000 TPM

Лимиты применяются к team, а не к отдельному API key.

Для Muse Image действует отдельный лимит:

150 requests/minute

При превышении API возвращает HTTP 429.

Для крупного production можно ориентироваться на Limits page конкретного team и обращаться в support за дополнительной capacity.

Регистрация

Meta сделала Model API отдельным developer-продуктом.

При регистрации можно использовать:

email;
mobile number;
Facebook;
Google;
GitHub.

После sign-up автоматически создается team.

Для начала реальных запросов нужно:

создать аккаунт;
добавить payment method;
указать billing information;
создать API key;
сохранить ключ в secret manager или environment variable.

Для business information можно указать данные зарегистрированной компании. Если компании нет, Meta разрешает указать legal name и mailing address физического лица.

Возраст пользователя и end users Model API должен быть не меньше 18 лет.

Billing

Meta использует postpaid usage-based billing, а не prepaid balance.

Расход накапливается и списывается в двух случаях:

когда достигнут payment threshold;
первого числа месяца за оставшийся balance.

Payment method сейчас добавляется как card через Billing page.

Meta также позволяет скачать receipts/invoices и вручную выполнить Pay now.

Есть важная практическая проблема: spend limit сейчас является только alert, а не hard cap. Если вы поставили уведомление на $100, API не отключится автоматически на $100. Расход сверх alert все равно придется оплатить.

Для публичного SaaS поэтому собственные quotas и rate limits на пользователя обязательны.

Можно ли использовать Meta Model API из России

Нет — и здесь ситуация гораздо однозначнее, чем с DeepSeek, Kimi или некоторыми другими API.

Официальная документация Meta прямо указывает Россию среди Restricted Territories для Meta Model API. Ограничение распространяется как на Standard, так и на Contributor/Discounted Services.

В том же перечне примеров фигурируют China, Cuba, Iran и North Korea.

Поэтому проблема для пользователя из РФ не сводится к тому, пройдет ли российская карта. Meta запрещает доступ и использование Model API из restricted territories по Geographic Use Policy.

Условия также запрещают делать Integrated Product доступным end users в географических регионах, не разрешенных policy.

VPN, зарубежная карта или регистрация аккаунта в другой стране сами по себе не делают использование из запрещенной территории соответствующим условиям сервиса.

Для проекта, ориентированного на пользователей в РФ, это особенно важное ограничение и один из главных недостатков Meta Model API по сравнению с self-hosted Muse Glimmer или открытыми Llama-моделями.

Public preview — это все еще не GA

Несмотря на достаточно зрелую функциональность, Meta Model API официально остается в public preview.

Terms прямо называют текущий режим limited preview period и допускают изменение условий после general availability.

Для нового pet-project или дополнительного AI backend это не проблема. Для критичной корпоративной системы стоит учитывать:

возможные изменения API;
изменения model lineup;
geographic policy;
preview-условия договора;
возможность изменения quotas и pricing.

Абстракция model provider внутри приложения здесь особенно полезна.

Standard API data не используется для training

Для Standard Services Meta прямо обязуется не использовать Content для обучения Meta Models.

Это делает обычный muse-spark-1.3 принципиально другим продуктом по privacy, чем muse-spark-1.3-contributor.

Contributor специально существует как discounted tier в обмен на training permission.

В продукте нельзя просто динамически отправлять случайный трафик в Contributor ради экономии. Meta требует, чтобы туда не попадали personal, sensitive, confidential data и закрытый код.

Для Integrated Products также требуется собственная privacy policy, в которой пользователь должен понимать, какие данные собираются и как используются.

Data retention и Zero Data Retention

«Не используется для training» не означает «вообще не хранится».

Terms позволяют Meta сохранять Content и Usage Data настолько, насколько это требуется для предоставления сервиса, соблюдения закона, безопасности, policy enforcement и связанных целей.

Для организаций с повышенными требованиями доступен Zero Data Retention.

При ZDR prompts и model responses обрабатываются realtime и не сохраняются после возврата ответа, кроме случаев, когда retention требуется законом или необходим для расследования misuse.

Но ZDR:

не включается обычным переключателем в dashboard;
доступен только qualified organizations;
требует отдельного согласования с Meta;
применяется только к прямым запросам Meta Model API;
может поддерживаться не каждой моделью одинаково.

Если запрос идет через OpenRouter или другого intermediary, действуют retention rules уже этой платформы.

Contributor tier — не вариант для пользовательских персональных данных

Contributor выглядит почти слишком дешево:

$0,10 input
$0,20 output
$0,002 cached input

Но Meta специально запрещает передавать туда personal, sensitive и confidential information.

Это означает, что Contributor плохо подходит для:

CRM с реальными клиентами;
email assistant;
обработки CV;
медицинских данных;
персональных пользовательских чатов;
закрытого Git repository;
внутренних бизнес-документов.

Зато он может быть очень интересен для:

публичных данных;
synthetic datasets;
non-confidential benchmarks;
pet-projects;
prototyping;
публичного open-source code;
массовых экспериментов, где разрешение на training не создает проблему.

Что Meta Model API пока не закрывает

Несмотря на быстрый рост платформы, она еще не настолько универсальна, как OpenAI или Gemini.

Сейчас нет собственного полноценного:

text-to-speech API;
speech-to-speech realtime API;
embeddings API общего назначения;
hosted vector File Search/RAG уровня OpenAI или Gemini;
самостоятельного first-party video generation endpoint в Model API;
универсального hosted desktop/browser environment.

Muse Spark может анализировать видео, но это не video generation.

Muse Image создает изображения, но Muse Video пока не представлен как обычный production Model API endpoint в той же степени.

Computer Use требует внешнего execution harness.

Для RAG можно использовать собственные function tools, MCP и retrieval infrastructure, но готовой vector store abstraction уровня некоторых конкурентов пока нет.

API в PHP

Официальный Meta Model API легко вызвать из PHP через обычный HTTP.

Для нового приложения логичнее использовать Responses API:

<?php

$apiKey = $_ENV['META_MODEL_API_KEY'];

$payload = [
    'model' => 'muse-spark-1.3',
    'input' => 'Кратко объясни, что такое dependency injection.',
    'reasoning' => [
        'effort' => 'low',
    ],
];

$ch = curl_init('https://api.meta.ai/v1/responses');

curl_setopt_array($ch, [
    CURLOPT_POST => true,
    CURLOPT_RETURNTRANSFER => true,
    CURLOPT_HTTPHEADER => [
        'Authorization: Bearer ' . $apiKey,
        'Content-Type: application/json',
    ],
    CURLOPT_POSTFIELDS => json_encode(
        $payload,
        JSON_UNESCAPED_UNICODE
    ),
]);

$response = curl_exec($ch);

if ($response === false) {
    throw new RuntimeException(curl_error($ch));
}

$data = json_decode(
    $response,
    true,
    flags: JSON_THROW_ON_ERROR
);

foreach ($data['output'] ?? [] as $item) {
    if (($item['type'] ?? null) !== 'message') {
        continue;
    }

    foreach ($item['content'] ?? [] as $content) {
        if (($content['type'] ?? null) === 'output_text') {
            echo $content['text'];
        }
    }
}

В Laravel:

$response = Http::withToken(config('services.meta_model.key'))
    ->post('https://api.meta.ai/v1/responses', [
        'model' => 'muse-spark-1.3',
        'input' => 'Кратко объясни dependency injection.',
        'reasoning' => [
            'effort' => 'low',
        ],
    ]);

$data = $response->throw()->json();

Если существующий PHP-код уже использует OpenAI Chat Completions, еще проще подключить:

https://api.meta.ai/v1/chat/completions

с той же messages-структурой.

API key нужно хранить только на backend. Meta отдельно предупреждает не hardcode ключ в client-side code и не коммитить его в repository.

Чем Meta Model API отличается от OpenAI, Claude и Gemini

У платформы уже появился довольно четкий профиль.

OpenAI пока имеет более широкую зрелую экосистему специализированных API, включая realtime voice, embeddings и развитую hosted agent infrastructure.

Claude API особенно силен в сложном coding и agent workflows и имеет зрелую экосистему Claude Code.

Gemini объединяет мультимодальность с Search, Maps, большим набором specialized media models и Google Cloud.

Meta Model API делает ставку на Muse Spark как agentic/coding model и очень сильную API compatibility: Responses + Chat Completions + Anthropic Messages поверх одного backend. Дополнительный козырь — необычно дешевый Contributor tier и собственная линия open-weight моделей вроде Muse Glimmer.

Но geographic restrictions Meta значительно жестче некоторых альтернатив, а сам сервис пока остается preview.

Какую конфигурацию выбрать

Для обычного коммерческого приложения базовый выбор сейчас:

muse-spark-1.3
Responses API
Standard tier

Contributor имеет смысл только тогда, когда вы точно знаете, что в трафике нет personal/confidential data и разрешаете training.

Chat Completions стоит использовать, если приложение уже написано под OpenAI messages API и не нуждается в сохранении reasoning между ходами.

Messages API — хороший вариант для Claude Code и Anthropic-oriented tooling.

Для сложных agent loops нужен Responses API, потому что именно там есть полноценный reasoning replay, server-managed state, background execution, search grounding и Tool Search.

Для изображений — muse-image-1.0.

Для транскрипции — muse-voice-transcribe-1.0.

Для локального/private agent без cloud API стоит отдельно проверить Muse Glimmer.

Итог

Meta Model API в 2026 году — одна из самых заметных перемен в developer-стратегии Meta. Компания больше не ограничивается схемой «мы публикуем weights, а inference организуйте сами»: у нее появился собственный direct, self-service, pay-as-you-go API.

Muse Spark 1.3 дает миллионный multimodal context, reasoning, coding, server-side web search, structured output, tool search, files и многошаговую работу через Responses API. Причем тот же backend можно вызывать в форматах OpenAI или Anthropic.

Вокруг основной модели уже появились Muse Image по $0,01 за изображение, Muse Voice Transcribe по $0,18 за час и SAM 3.1 для segmentation. Параллельно Muse Glimmer сохраняет традиционный для Meta путь открытых весов и локального inference.

Самая необычная часть экономики — Contributor tier: $0,10/$0,20 за миллион токенов делает Muse Spark чрезвычайно дешевым, но только в обмен на использование данных для training и при запрете отправлять personal/confidential content. Для реального пользовательского SaaS Standard по $1,25/$4,25 чаще будет правильным вариантом.

Главные ограничения тоже существенны. API остается public preview, пока не закрывает весь спектр voice/RAG/media функций конкурентов и имеет жесткую Geographic Use Policy. Россия прямо относится к Restricted Territories, поэтому официальный Model API нельзя считать вариантом для российского deployment или российских end users.

Для проектов в поддерживаемых странах Meta Model API уже имеет смысл включать в eval-набор рядом с OpenAI, Claude, Gemini, Grok и другими крупными API. Особенно если задача связана с coding agents, long-context reasoning, мультимодальным анализом или приложению важна возможность без большого рефакторинга переключаться между OpenAI-, Anthropic- и Meta-compatible backend.

Официальные источники

Meta Model API: https://dev.meta.ai/products/meta-model-api
Documentation: https://dev.meta.ai/docs/overview
Models: https://dev.meta.ai/docs/models
Muse Spark 1.3: https://dev.meta.ai/models/muse-spark
Quickstart: https://dev.meta.ai/docs/quickstart
Choosing an API: https://dev.meta.ai/docs/protocols
Responses API: https://dev.meta.ai/docs/protocols/responses
Chat Completions: https://dev.meta.ai/docs/protocols/chat-completions
Messages API: https://dev.meta.ai/docs/protocols/messages
Reasoning: https://dev.meta.ai/docs/reasoning
Structured output: https://dev.meta.ai/docs/structured-output
Tool search: https://dev.meta.ai/docs/tool-search
Pricing and rate limits: https://dev.meta.ai/docs/pricing-rate-limits
Muse Image: https://dev.meta.ai/models/muse-image
Image generation: https://dev.meta.ai/docs/image-generation
Muse Voice Transcribe: https://dev.meta.ai/models/muse-voice-transcribe
SAM 3.1: https://dev.meta.ai/models/sam-3-1
Muse Glimmer: https://dev.meta.ai/models/muse-glimmer
Authentication: https://dev.meta.ai/docs/authentication
Sign up: https://dev.meta.ai/help/accounts-and-login/sign-up
Billing: https://dev.meta.ai/help/billing/set-up-billing
Supported countries: https://dev.meta.ai/help/accounts-and-login/supported-countries
Contributor tier: https://dev.meta.ai/help/policies-and-privacy/contributor-tier
Zero Data Retention: https://dev.meta.ai/help/policies-and-privacy/zero-data-retention
Terms of Service: https://dev.meta.ai/legal/terms-of-service

Дата публикации: 29 сентября 2026

Обзор Meta Model API: Muse Spark 1.3, изображения, Voice, агенты и цены в 2026 году

Наши проекты

Anilau
Веб-разработка и запуск цифровых продуктов.
Botmarketing
Telegram-бот, mini-app, витрина и CRM для малого бизнеса.
vietnam.anilau.com
Объявления, местные услуги и практичные гиды по Вьетнаму.
bali.anilau.com
Объявления о товарах и услугах на Бали.
ceylon.anilau.com
Объявления, услуги и полезная информация о Шри-Ланке.
mauricetop.anilau.com
Платформа объявлений и материалов о жизни на Маврикии.
funlab
Платформа для создания и запуска игр с помощью ИИ.
aura
AI-дневник настроения и пространство для творчества.
drained
Telegram Mini App для дневных отметок усталости и восстановления.
vietinfodesk
Практичные гиды, сервисы и помощь для жизни во Вьетнаме.
frau
Визитка уютного кафе в Нячанге с вафлями, завтраками и напитками.

Работаем в партнерстве с креативным агентством Deep.

Обзор Meta Model API: Muse Spark 1.3, изображения, Voice, агенты и цены в 2026 году

Meta Model API — это не «Llama API»

Muse Spark 1.3 — основная модель платформы

Muse Spark 1.2 и 1.1

Standard и Contributor — две совершенно разные модели использования данных

Standard

Contributor

Сколько стоит один большой запрос

Reasoning

Три API-протокола поверх одной модели

Responses API

Stateful и stateless multi-turn

Server-managed state

Encrypted reasoning replay

Background execution

OpenAI-compatible Chat Completions

Anthropic-compatible Messages API

Function calling

Structured Outputs

Tool Search

Web Search Grounding

Prompt caching

Файлы, изображения, PDF и видео

Computer Use

Muse Code

Muse Image

Muse Voice Transcribe

SAM 3.1

Muse Glimmer — открытая локальная альтернатива

Rate limits

Muse Spark Standard

Contributor

Регистрация

Billing

Можно ли использовать Meta Model API из России

Public preview — это все еще не GA

Standard API data не используется для training

Data retention и Zero Data Retention

Contributor tier — не вариант для пользовательских персональных данных

Что Meta Model API пока не закрывает

API в PHP

Чем Meta Model API отличается от OpenAI, Claude и Gemini

Какую конфигурацию выбрать

Итог

Официальные источники

Наши проекты

Попробуйте наши плагины для Codex и Claude