Cách sử dụng Muse Wonder API: Python, truyền phát & bảng giá

TL;DR

Muse Wonder là mô hình xem trước của Meta dành cho lập trình phức tạp, suy luận và các quy trình tác tử. Nhà phát triển có thể truy cập API Muse Wonder trong CometAPI bằng client tương thích OpenAI và model="muse-wonder". Hướng dẫn này giúp nhà phát triển quen thuộc với Python hoặc JavaScript gửi yêu cầu đầu tiên, thêm streaming, và đánh giá suy luận, media và chi phí. So với Muse Spark, lý do thực tế để đánh giá Wonder là tiềm năng hoàn thành các tác vụ khó đáng tin cậy hơn; chỉ riêng cửa sổ ngữ cảnh lớn không phải là lý do để chuyển đổi.

Key Takeaways

• Tích hợp: dùng khóa API phía backend, https://api.cometapi.com/v1, và model="muse-wonder".
• Năng lực: Muse Wonder có cửa sổ ngữ cảnh 1.048.576 token; cắt bớt ngữ cảnh lặp lại để kiểm soát chi phí.
• Khả năng: đánh giá riêng streaming, lời gọi công cụ và media trên tuyến gateway đã chọn.
• Suy luận: Muse Wonder gốc hỗ trợ từ minimal đến max; nỗ lực cao hơn làm tăng token sử dụng và độ trễ.
• Triển khai: benchmark các tác vụ thực, xác minh trạng thái tính phí hiện tại, và giữ một mô hình rollback trước khi mở rộng lưu lượng.

What Is Muse Wonder API?

Meta giới thiệu Muse Wonder vào ngày 12 tháng 10 năm 2026. Mô hình này khả dụng ở bản xem trước qua Meta Model API cho lập trình phức tạp, suy luận và quy trình dựa trên công cụ. CometAPI dùng định danh mô hình muse-wonder; định danh gốc của Meta là muse-wonder-1.0.

Mô hình gốc tập trung vào suy luận bền bỉ, lập trình và công việc dựa trên công cụ. Ứng dụng vẫn phải cung cấp công cụ, trạng thái bền, điều kiện dừng và kiểm tra quyền; một lần gọi mô hình riêng lẻ không tạo môi trường thực thi tự trị.

Muse Wonder API specifications

Muse Wonder vs Muse Wonder Full

Muse Wonder khả dụng qua Meta Model API; Muse Wonder Full chỉ khả dụng trong gói Power Usage và Maximum Usage của Muse Code, và đặt reasoning_effort là max không chuyển sang Muse Wonder Full. Xem thông báo ra mắt của Meta.

Muse Spark API vs Muse Wonder API

Chọn giữa các mô hình dựa trên tỉ lệ thành công tác vụ đo lường được và chi phí. Hướng dẫn mô hình gốc khuyến nghị Wonder cho công việc phức tạp và Spark cho khối lượng nhạy về chi phí; cả hai đều có cửa sổ ngữ cảnh 1.048.576 token. So sánh một phiên bản Spark cụ thể thay vì giả định tất cả phiên bản có khả năng giống hệt nhau.

Muse Spark phù hợp với khối lượng nhạy về chi phí; Muse Wonder nhắm đến lập trình phức tạp và suy luận bền bỉ. Xác minh hỗ trợ media, điều khiển suy luận và tính phí cho đúng phiên bản mô hình và tuyến gateway. Giữ lại mô hình đáp ứng mục tiêu thành công tác vụ và chi phí đã đo.

How to Use Muse Wonder API with CometAPI Step by Step

Step 1: Create and secure your CometAPI key

Tạo tài khoản, sinh khóa API phía backend, và không đặt nó trong mã phía trình duyệt hoặc kho công khai. Làm theo tài liệu tích hợp CometAPI để xác thực. Các ví dụ này yêu cầu tài khoản có nguồn tiền hoặc đủ điều kiện, Python 3.10+ hoặc môi trường Node.js LTS được hỗ trợ, và quyền truy cập HTTPS outbound. Lưu các ví dụ JavaScript thành tệp .mjs.

Đặt khóa API trong phiên Bash.

export COMETAPI_KEY="your_cometapi_api_key"

Đặt khóa API trong phiên PowerShell.

$env:COMETAPI_KEY="your_cometapi_api_key"

Step 2: Configure the Muse Wonder endpoint

Step 3: Send your first request with cURL

Gửi một yêu cầu chat có xác thực tối thiểu.

curl -X POST "https://api.cometapi.com/v1/chat/completions" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-wonder",
    "messages": [
      {"role": "system", "content": "You are a senior engineer."},
      {"role": "user", "content": "List three ways to improve Python API reliability."}
    ],
    "stream": false
  }' 

Một yêu cầu không streaming thành công sẽ trả về choices[0].message.content. Kiểm tra model và usage trả về, khi có, và xác nhận văn bản trả lời đúng prompt của bạn. Lỗi xác thực cần kiểm tra thông tin xác thực; lỗi model không hợp lệ cần kiểm tra quyền truy cập model. Ví dụ minh họa mẫu yêu cầu và không đại diện cho độ trễ hay kết quả benchmark đo lường.

Step 4: Make a Python request

Cài đặt thư viện client Python.

pip install --upgrade openai

Gửi yêu cầu Python và kiểm tra token sử dụng.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
    timeout=120.0,
)
response = client.chat.completions.create(
    model="muse-wonder",
    messages=[
        {"role": "system", "content": "You are a Python engineer."},
        {"role": "user", "content": "Review: def divide(a,b): return a/b"},
    ],
)
print(response.choices[0].message.content)
if response.usage:
    print("Total tokens:", response.usage.total_tokens)

Step 5: Use JavaScript or Node.js

Cài đặt thư viện client JavaScript.

npm install openai

Gửi yêu cầu Node.js.

import OpenAI from "openai";
const client = new OpenAI({
  apiKey: process.env.COMETAPI_KEY,
  baseURL: "https://api.cometapi.com/v1",
});
const response = await client.chat.completions.create({
  model: "muse-wonder",
  messages: [{role: "user", content: "Explain async/await."}],
});
console.log(response.choices[0].message.content);

How to Stream Muse Wonder Responses with CometAPI

Streaming trả về các khối phản hồi gia tăng qua server-sent events. Nó cải thiện cảm nhận về độ phản hồi, nhưng không nhất thiết giảm chi phí hoặc thời gian hoàn tất. Chỉ hiển thị các khối có content, và xử lý trường hợp gián đoạn và hết thời gian.

Python streaming example

Đọc các khối phản hồi Python gia tăng.

import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
                base_url="https://api.cometapi.com/v1", timeout=180.0)
stream = client.chat.completions.create(
    model="muse-wonder",
    messages=[{"role": "user", "content": "Design a scalable FastAPI service."}],
    stream=True,
)
parts = []
for chunk in stream:
    if not chunk.choices:
        continue
    content = chunk.choices[0].delta.content
    if content:
        print(content, end="", flush=True)
        parts.append(content)
print("\nResponse complete.")

JavaScript streaming example

Đọc các khối phản hồi Node.js gia tăng.

import OpenAI from "openai";
const client = new OpenAI({
  apiKey: process.env.COMETAPI_KEY,
  baseURL: "https://api.cometapi.com/v1",
});
const stream = await client.chat.completions.create({
  model: "muse-wonder",
  messages: [{role: "user", content: "Outline a research agent."}],
  stream: true,
});
for await (const chunk of stream) {
  const text = chunk.choices?.[0]?.delta?.content;
  if (text) process.stdout.write(text);
}

What Reasoning Effort Levels Does Muse Wonder Support?

Supported Reasoning Effort Values

Mô hình gốc chấp nhận minimal, low, medium, high, xhigh và max; không có giá trị nào không được hỗ trợ. Bắt đầu với mức vừa phải và chỉ tăng khi đánh giá của bạn chứng minh giá trị so với độ trễ và chi phí token đầu ra tăng thêm. Xem tài liệu tham chiếu về suy luận của Meta. Kiểm thử chuyển tiếp trên gateway riêng.

How to Set Reasoning Effort in Chat Completions

Ví dụ sau gửi high qua gateway như một bài kiểm tra khả năng. Nếu bị từ chối, kiểm tra lỗi trước khi bỏ trường: mã 400 cũng có thể do messages không hợp lệ, model không đúng hoặc vấn đề khác. Thử lại với yêu cầu văn bản tối thiểu để cô lập nguyên nhân.

Kiểm thử mức nỗ lực suy luận high trên gateway.

import os
from openai import OpenAI, BadRequestError
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
                base_url="https://api.cometapi.com/v1")
try:
    response = client.chat.completions.create(
        model="muse-wonder",
        messages=[{"role": "user", "content": "Diagnose a distributed timeout."}],
        extra_body={"reasoning_effort": "high"},
    )
    print(response.choices[0].message.content)
except BadRequestError as err:
    print("This reasoning parameter may not be accepted:", err)

How to Set Reasoning Effort in the Responses API

Responses API gốc của Meta lồng trường này dưới reasoning.effort và dùng muse-wonder-1.0. Ví dụ dưới đây dùng thông tin xác thực Meta và endpoint gốc; xác nhận hỗ trợ Responses độc lập trước khi điều chỉnh cho CometAPI.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["META_API_KEY"],
    base_url="https://api.meta.ai/v1",
)
response = client.responses.create(
    model="muse-wonder-1.0",
    input="Diagnose a distributed timeout.",
    reasoning={"effort": "high"},
)
print(response.output_text)

Why max Does Not Select Muse Wonder Full

max thay đổi ngân sách suy luận của mô hình đã chọn. Nó không thay đổi định danh mô hình hoặc cấp quyền truy cập Full; sự khác biệt về quyền truy cập được giải thích trong phần giới thiệu mô hình.

How Can Muse Wonder API Analyze Images and PDFs

Meta ghi nhận đầu vào image, video, audio và PDF cho Wonder gốc. Hỗ trợ media gốc của Meta không đảm bảo CometAPI chấp nhận cùng schema nội dung, định dạng URL, loại tệp hoặc giới hạn kích thước. Xác minh các chi tiết đó trên tuyến đã chọn trước khi dùng sản xuất. Ví dụ image_url dưới đây là một mẫu tương thích: dùng một ảnh có thể truy cập do bạn kiểm soát, xác nhận hỗ trợ endpoint, và kiểm tra câu trả lời so với chi tiết hiển thị.

Kiểm thử URL ảnh bằng một ảnh đã biết.

import os
from openai import OpenAI
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
                base_url="https://api.cometapi.com/v1")
response = client.chat.completions.create(
    model="muse-wonder",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Describe anomalies in this dashboard."},
        {"type": "image_url", "image_url": {
            "url": "https://example.com/dashboard.png"}},
    ]}],
)
print(response.choices[0].message.content)

Với quy trình PDF chỉ văn bản có thể dự đoán, hãy trích xuất văn bản có thể chọn tại chỗ và gửi các đoạn được chọn dưới dạng text. Cách này không kiểm thử đầu vào PDF gốc hoặc giữ bố cục trang, hình vẽ hay nội dung quét. Ví dụ giới hạn đầu vào ở 50.000 ký tự cho bài test nhỏ; ingestion sản xuất nên chọn hoặc chia nhỏ nội dung và giữ tham chiếu trang thay vì cắt ngắn báo cáo một cách im lặng.

Trích xuất văn bản PDF có thể chọn cho một bài test có giới hạn.

# pip install pymupdf openai
import os
import fitz
from openai import OpenAI
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
                base_url="https://api.cometapi.com/v1")
with fitz.open("report.pdf") as doc:
    document_text = "\n".join(p.get_text() for p in doc)
response = client.chat.completions.create(
    model="muse-wonder",
    messages=[{"role": "user", "content":
        "Summarize the risks in this report:\n" + document_text[:50000]}],
)
print(response.choices[0].message.content)

How Can You Build a Tool-Calling Agent With Muse Wonder API

Mô hình có thể yêu cầu gọi function, nhưng ứng dụng phải ủy quyền và thực thi. Ví dụ này minh họa một tác vụ tra cứu trạng thái đơn hàng giới hạn, chỉ đọc; triển khai sản xuất cần xác thực đầu vào và ràng buộc công cụ theo quyền hạn.

Thực thi yêu cầu công cụ tra trạng thái đơn hàng có giới hạn.

import json, os
from openai import OpenAI
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
                base_url="https://api.cometapi.com/v1")
tools = [{"type": "function", "function": {
    "name": "get_order_status",
    "description": "Look up an order status",
    "parameters": {"type": "object",
        "properties": {"order_id": {"type": "string"}},
        "required": ["order_id"], "additionalProperties": False}
}}]
messages = [{"role": "user", "content": "Status of order A1001?"}]
r = client.chat.completions.create(model="muse-wonder",
    messages=messages, tools=tools, tool_choice="auto")
msg = r.choices[0].message
messages.append(msg)
if msg.tool_calls:
    for call in msg.tool_calls:
        if call.function.name != "get_order_status":
            raise ValueError("Tool not permitted")
        args = json.loads(call.function.arguments)
        status = {"A1001": "Shipped"}.get(args["order_id"], "Not found")
        messages.append({"role": "tool", "tool_call_id": call.id,
                         "content": json.dumps({"status": status})})
    r = client.chat.completions.create(model="muse-wonder",
        messages=messages, tools=tools)
    print(r.choices[0].message.content)
else:
    print(msg.content)

Ví dụ giảng dạy này xử lý một vòng gọi công cụ. Nếu phản hồi tiếp theo yêu cầu gọi công cụ khác, chỉ tiếp tục trong một vòng lặp có giới hạn và xác thực lại tên và tham số. Lưu kết quả công cụ để an toàn khi retry; một agent sản xuất cũng cần giới hạn thời gian, giới hạn số vòng lặp và điều kiện hoàn tất rõ ràng.

How Much Does Muse Wonder API Cost

Theo biểu giá chính thức của Meta: $4.00 cho mỗi triệu token đầu vào không cache, $0.20 cho mỗi triệu token đầu vào được cache, và $20.00 cho mỗi triệu token đầu ra.

Ảnh chụp giá ngày 14 tháng 10 năm 2026 của bài nguồn liệt kê CometAPI ở mức $3.20 cho mỗi triệu token đầu vào không cache và $16.00 cho mỗi triệu token đầu ra. Đây là mức giá gateway, không thay thế cho mức giá đầu vào $4.00 và đầu ra $20.00 của Meta. Xác nhận mức giá tài khoản và tuyến hiện tại trước khi dùng; không giả định có biểu giá đầu vào cache cho CometAPI.

Với 100.000 token đầu vào không cache và 50.000 token đầu ra bị tính phí, mức giá Meta liệt kê cho $0.40 + $1.00 = $1.40. Mức giá CometAPI liệt kê cho $0.32 + $0.80 = $1.12. Ví dụ này loại trừ các khoản phí bổ sung và không giả định chiết khấu cache.

Với ví dụ không cache này, các mức giá CometAPI hiển thị cho ước tính thấp hơn 20%. Hóa đơn thực tế phụ thuộc vào mức dùng token, cách tính phí theo tuyến và các khoản phí bổ sung. Nếu áp dụng cache, hãy tính theo biểu giá cache đã xác minh thay vì áp dụng mức đầu vào không cache cho mọi token.

Ước tính chi phí với mức giá CometAPI trong ảnh chụp nguồn; thay bằng mức giá tài khoản đã xác minh của bạn.

def estimate_cost(input_tokens, output_tokens,
                  input_rate=3.20, output_rate=16.00):
    if input_tokens < 0 or output_tokens < 0:
        raise ValueError('Token counts must be non-negative')
    return (input_tokens * input_rate
            + output_tokens * output_rate) / 1_000_000

print(estimate_cost(100000, 50000))  # 1.12

How to Migrate and Run Muse Wonder in Production

Update and Validate the Integration

Hầu hết tích hợp client tương thích OpenAI có thể giữ nguyên cấu trúc tổng thể. Cập nhật base URL, thông tin xác thực và ID model, sau đó chạy đánh giá theo giai đoạn trên prompt thực. Các trường đặc thù về suy luận và đa phương tiện cần xác minh độc lập theo giao thức.

Đặt COMETAPI_KEY, cập nhật base URL thành https://api.cometapi.com/v1 và chọn muse-wonder. Xác minh xác thực và quyền truy cập mô hình bằng yêu cầu văn bản tối thiểu. Sau đó kiểm thử trường suy luận, các khối streaming, thực thi lời gọi công cụ và mọi định dạng media riêng biệt. Kiểm tra lỗi và chất lượng câu trả lời: HTTP 400 có thể có nhiều nguyên nhân, trong khi phản hồi HTTP thành công không tự thân chứng minh hỗ trợ khả năng. Ghi lại usage trả về và so sánh chi phí với ngân sách. Giữ base URL và model có thể cấu hình để bạn có thể rollback.

Cấu hình di trú và rollback dựa trên biến môi trường.

import os
from openai import OpenAI
client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url=os.getenv("AI_BASE_URL", "https://api.cometapi.com/v1"),
)
model = os.getenv("AI_MODEL", "muse-wonder")
r = client.chat.completions.create(
    model=model,
    messages=[{"role":"user", "content":"Review this API design."}],
)
print(r.choices[0].message.content)

Bắt đầu với một phần nhỏ lưu lượng canary. So sánh độ đúng, tỉ lệ thành công công cụ, độ trễ token đầu tiên, tổng độ trễ, tỉ lệ retry và tổng chi phí trên mỗi tác vụ hoàn tất thành công trước khi mở rộng triển khai.

Add Timeouts, Retry Limits and Monitoring

Đặt timeout yêu cầu và giới hạn rõ ràng; ghi log ID yêu cầu và usage không nhạy cảm; ẩn dữ liệu cá nhân khi có thể; chỉ retry lỗi tạm thời; và yêu cầu ủy quyền cho hành động công cụ không thể đảo ngược. Một lần gọi mô hình rẻ hơn không nhất thiết rẻ hơn trên mỗi tác vụ nếu gây ra retry.

Retry lỗi tạm thời với backoff mũ có giới hạn.

import os, time, random
from openai import (OpenAI, APIConnectionError, APITimeoutError,
    RateLimitError, InternalServerError)
client = OpenAI(api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1", timeout=60, max_retries=0)
def complete_with_retry(prompt, attempts=4):
    for i in range(attempts):
        try:
            r = client.chat.completions.create(
                model="muse-wonder",
                messages=[{"role": "user", "content": prompt}])
            return r.choices[0].message.content
        except (RateLimitError, APIConnectionError,
                APITimeoutError, InternalServerError):
            if i == attempts-1:
                raise
            time.sleep(min(2**i, 16) + random.uniform(0, 0.5))

Chỉ số vận hành gợi ý: chi phí trên mỗi tác vụ thành công = tổng chi phí mô hình và công cụ / số tác vụ thành công. Theo dõi hàng rào an toàn và độ đúng cũng như chi phí tổng hợp.

FAQ

Why can Muse Wonder API stop before its final answer?

Suy luận và văn bản hiển thị chia sẻ ngân sách completion trên API gốc. Một lượt suy luận dài có thể để lại ít chỗ cho câu trả lời cuối. Kiểm tra finish reason và usage, giảm effort hoặc thu hẹp tác vụ, và chỉ tăng giới hạn completion được tuyến hỗ trợ trong phạm vi ngân sách. Một luồng bị gián đoạn cần chẩn đoán truyền tải riêng.

Should I retry a Muse Wonder API stream from the beginning?

Yêu cầu mới là một lần sinh mới, không phải tiếp tục tự động câu trả lời bị gián đoạn. Lưu đầu ra một phần và định danh yêu cầu, đánh dấu câu trả lời chưa hoàn tất, và quyết định khởi động lại hoặc yêu cầu tiếp tục bằng ngữ cảnh rõ ràng. Với quy trình công cụ, lưu kết quả đã hoàn tất để retry không thực thi hai lần.

How do I validate Muse Wonder API media answers?

Dùng một ảnh hoặc tài liệu test nhỏ với các sự kiện đã biết và đặt câu hỏi đòi hỏi những sự kiện đó. So sánh phản hồi với bản gốc, bao gồm số liệu và tham chiếu trang. Trạng thái HTTP thành công không tự thân chứng minh endpoint đã chấp nhận hoặc diễn giải media đúng; kiểm tra lỗi và định dạng yêu cầu trước khi mở rộng ingestion.

How can I audit a Muse Wonder API cost discrepancy?

Ghi lại usage trả về, model, tuyến, thời điểm yêu cầu và mức giá tài khoản vào thời điểm đó. Tách riêng đầu vào không cache, lần đọc cache đã xác minh và tổng đầu ra bị tính phí, bao gồm suy luận khi áp dụng. So sánh các đại lượng đó với bản ghi tính phí; kiểm tra đơn vị tiền tệ, thay đổi mức giá và phí bổ sung trước khi giả định lỗi tính token.

Conclusion

Bắt đầu với một yêu cầu CometAPI có xác thực, xác nhận câu trả lời trả về, rồi thêm streaming và các khả năng ứng dụng của bạn cần. Trước khi triển khai sản xuất, xác minh tuyến đã chọn, xác thực tính phí, thực thi quyền công cụ và giữ một mô hình rollback. Chỉ mở rộng lưu lượng khi tỉ lệ thành công tác vụ, độ trễ và chi phí đo được đáp ứng tiêu chí chấp nhận của bạn.