如何使用 Muse Wonder API: Python、流式傳輸與定價

重點摘要

Muse Wonder 是 Meta 面向複雜程式編寫、推理與代理式工作流程的預覽模型。開發者可使用 OpenAI 兼容的客戶端，將模型設為 model="muse-wonder"，透過 CometAPI 的 Muse Wonder API 進行存取。本指南協助熟悉 Python 或 JavaScript 的開發者發送第一個請求、加入串流，以及評估推理、媒體與成本。相較於 Muse Spark，評估 Wonder 的實務理由在於其更可靠地完成困難任務的潛力；僅僅是更大的上下文視窗並非遷移的理由。

重要重點

整合：使用後端 API 金鑰、https://api.cometapi.com/v1，以及 model="muse-wonder"。
容量：Muse Wonder 具有 1,048,576 權杖的上下文視窗；修剪重複的上下文以控制成本。
能力：在所選的閘道路由上分別評估串流、工具呼叫與媒體。
推理：原生 Muse Wonder 支援從 minimal 到 max；更高的強度會增加權杖使用與延遲。
部署：以真實任務進行基準測試，確認當前計費，並在擴大流量前保留回退模型。

什麼是 Muse Wonder API？

Meta 於 2026 年 10 月 12 日推出 Muse Wonder。該模型透過 Meta Model API 提供預覽，面向複雜程式編寫、推理與工具驅動的工作流程。CometAPI 使用模型識別碼 muse-wonder；Meta 的原生識別碼為 muse-wonder-1.0。

原生模型專注於持續推理、程式編寫與工具驅動工作。應用程式仍需提供工具、持久狀態、停止條件與權限檢查；單次模型呼叫不會建立自主的執行環境。

如何使用 Muse Wonder API: Python、流式傳輸與定價

Muse Wonder API 規格

規格	Meta 模型文件
開發者	Meta
發佈	October 12, 2026
原生 Meta 識別碼	muse-wonder-1.0
CometAPI 識別碼	muse-wonder
原生上下文視窗	1,048,576 tokens
原生輸入	文字、影像、影片、音訊與 PDF；閘道格式需另行驗證
輸出	文字
原生 API 狀態	預覽
串流與工具	原生 API 功能；需驗證所選的 CometAPI 路由
Full 變體	適用於 Muse Code 的 Eligible Muse Code 訂閱；不會因 reasoning effort 而選用

Muse Wonder 與 Muse Wonder Full 的差異

Muse Wonder 可透過 Meta Model API 使用；Muse Wonder Full 僅在 Muse Code 的 Power Usage 與 Maximum Usage 訂閱中提供，且將 reasoning_effort 設為 max 並不會切換到 Muse Wonder Full。請參閱 Meta 的發佈公告。

Muse Spark API vs Muse Wonder API

請依量測的任務成功率與成本在模型間做選擇。原生模型指南建議 Wonder 用於複雜工作、Spark 用於成本敏感工作負載；兩者皆提供 1,048,576 權杖的上下文視窗。請比較特定的 Spark 版本，而非假設所有版本具備相同能力。

Muse Spark 更適合成本敏感的工作負載；Muse Wonder 針對複雜程式編寫與持續推理。請針對確切的模型版本與閘道路由，驗證媒體支援、推理控制與計費。保留符合量測之任務成功與成本目標的模型。

如何逐步在 CometAPI 中使用 Muse Wonder API

步驟 1：建立並保護你的 CometAPI 金鑰

建立帳號、產生後端 API 金鑰，並避免將其放入瀏覽器程式碼或公開儲存庫。依循 CometAPI 整合文件進行驗證。以下範例需要已注資或符合資格的帳戶、Python 3.10+ 或支援的 Node.js LTS 環境，以及對外的 HTTPS 存取。請將 JavaScript 範例儲存為 .mjs 檔案。

在 Bash 工作階段設定 API 金鑰。

export COMETAPI_KEY="your_cometapi_api_key"

在 PowerShell 工作階段設定 API 金鑰。

$env:COMETAPI_KEY="your_cometapi_api_key"

步驟 2：設定 Muse Wonder 端點

設定	值
Base URL	`https://api.cometapi.com/v1`
Chat endpoint	/chat/completions
HTTP 方法	POST
Authorization	Bearer API key
Model	muse-wonder

步驟 3：用 cURL 發送第一個請求

發送最小化的已驗證聊天請求。

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": "你是一位資深工程師。"},
      {"role": "user", "content": "列出三種提升 Python API 可靠性的方式。"}
    ],
    "stream": false
  }'

成功的非串流請求應回傳 choices[0].message.content。請檢視回傳的模型與 usage（若提供），並確認文字符合你的提問。驗證失敗需要檢查憑證；無效模型錯誤需要檢查模型存取權。範例僅示範請求模式，並不代表量測的延遲或基準結果。

步驟 4：發送 Python 請求

安裝 Python 用戶端程式庫。

pip install --upgrade openai

發送 Python 請求並檢視權杖使用情況。

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": "你是一位 Python 工程師。"},
        {"role": "user", "content": "審查：def divide(a,b): return a/b"},
    ],
)
print(response.choices[0].message.content)
if response.usage:
    print("權杖總數：", response.usage.total_tokens)

步驟 5：使用 JavaScript 或 Node.js

安裝 JavaScript 用戶端程式庫。

npm install openai

發送 Node.js 請求。

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: "解釋 async/await。"}],
});
console.log(response.choices[0].message.content);

如何在 CometAPI 中串流 Muse Wonder 回應

串流會透過伺服器推送事件（SSE）回傳增量回應區塊。它可改善感知回應速度，但不一定降低總成本或完成時間。僅顯示含有內容的區塊，並處理中斷與逾時情況。

Python 串流範例

讀取 Python 的增量回應區塊。

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": "設計一個可擴充的 FastAPI 服務。"}],
    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("\n回應完成。")

JavaScript 串流範例

讀取 Node.js 的增量回應區塊。

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: "概述一個研究型代理。"}],
  stream: true,
});
for await (const chunk of stream) {
  const text = chunk.choices?.[0]?.delta?.content;
  if (text) process.stdout.write(text);
}

Muse Wonder 支援哪些推理強度等級？

支援的推理強度值

原生模型接受 minimal、low、medium、high、xhigh 與 max；沒有不支援的值。請從中等設定開始，僅在評估證明值得增加延遲與輸出權杖成本時才提高強度。參閱 Meta 推理參考。請分別測試閘道轉發。

如何在 Chat Completions 設定推理強度

下例透過閘道以能力測試的方式傳送 high。若被拒絕，在移除該欄位前請檢視錯誤：400 也可能代表無效的 messages、不正確的模型或其他請求問題。先以最小化文字請求重試，以隔離原因。

在閘道上測試高推理強度。

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": "診斷一個分散式逾時問題。"}],
        extra_body={"reasoning_effort": "high"},
    )
    print(response.choices[0].message.content)
except BadRequestError as err:
    print("此推理參數可能不被接受：", err)

如何在 Responses API 設定推理強度

Meta 的原生 Responses API 將欄位嵌套為 reasoning.effort，並使用 muse-wonder-1.0。以下範例使用 Meta 憑證與其原生端點；在改為 CometAPI 前，請獨立確認 Responses 支援。

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="診斷一個分散式逾時問題。",
    reasoning={"effort": "high"},
)
print(response.output_text)

為何將 max 設定不會選用 Muse Wonder Full

max 會改變所選模型的推理預算。它不會更改模型識別碼，也不會授予 Full 的存取權；其存取差異已在模型介紹中說明。

Muse Wonder API 如何分析影像與 PDF

Meta 為原生 Wonder 文件化了影像、影片、音訊與 PDF 輸入。Meta 的原生媒體支援並不保證 CometAPI 接受相同的內容綱要、URL 格式、檔案類型或大小限制。請在所選路由上驗證這些細節後再用於生產。以下的 image_url 範例是一種相容性模式：使用你可存取與可控的影像，確認端點支援，並將答案與可見細節比對。

使用已知影像的 URL 進行測試。

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": "描述此儀表板中的異常。"},
        {"type": "image_url", "image_url": {
            "url": "https://example.com/dashboard.png"}},
    ]}],
)
print(response.choices[0].message.content)

若要採用可預測的純文字 PDF 工作流程，請在本地擷取可選取的文字，並以文字傳送選取的段落。這不會測試原生 PDF 輸入，也不會保留頁面版面配置、圖表或掃描內容。以下範例將輸入限制為 50,000 個字元以進行小型測試；生產擷取應選取或切分內容，並保留頁面參考，而非靜默截斷報告。

擷取可選取的 PDF 文字以進行受限測試。

# 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":
        "總結此報告中的風險：\n" + document_text[:50000]}],
)
print(response.choices[0].message.content)

如何使用 Muse Wonder API 構建工具呼叫代理

模型可請求函式呼叫，但應用程式必須授權並執行。此範例示範一個有界、唯讀的訂單查詢；生產實作應驗證輸入，並以權限限制工具。

執行有界的訂單狀態工具請求。

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": "查詢訂單狀態",
    "parameters": {"type": "object",
        "properties": {"order_id": {"type": "string"}},
        "required": ["order_id"], "additionalProperties": False}
}}]
messages = [{"role": "user", "content": "訂單 A1001 的狀態？"}]
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("不允許的工具")
        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)

此教學範例處理一次工具呼叫回合。若後續回應再次請求工具呼叫，請僅在有界迴圈內繼續，並再次驗證其名稱與參數。持久化工具結果以利重試安全；生產代理亦需要時間限制、迭代次數限制與清楚的完成條件。

Muse Wonder API 成本是多少

Meta 的官方定價為每 100 萬個未快取輸入權杖 $4.00、每 100 萬個已快取輸入權杖 $0.20，以及每 100 萬個輸出權杖 $20.00。

來源文章於 2026 年 10 月 14 日的價格快照列出 CometAPI 為每 100 萬個未快取輸入權杖 $3.20，以及每 100 萬個輸出權杖 $16.00。這些是閘道費率，並非取代 Meta 的 $4.00 輸入與 $20.00 輸出價格。請在使用前確認你的當前帳戶與路由費率；不假設 CometAPI 的已快取輸入費率。

每 100 萬權杖	Meta 原生 API	CometAPI 中的 Muse Wonder API
未快取輸入	$4.00	$3.20
已快取輸入	$0.20	請確認路由費率
輸出	$20.00	$16.00

對於 100,000 個未快取輸入權杖與 50,000 個計費輸出權杖，所列 Meta 費率為 $0.40 + $1.00 = $1.40。所列 CometAPI 費率為 $0.32 + $0.80 = $1.12。此範例不含額外費用，且不假設任何快取折扣。

在此未快取範例中，所示 CometAPI 費率的估算低 20%。實際發票取決於權杖使用量、路由計費與任何額外費用。若有快取，請使用已驗證的快取費率計算，而非將未快取輸入費率套用到每個權杖。

以來源快照中的 CometAPI 費率估算成本；請以你已驗證的帳戶費率取代。

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('權杖計數必須為非負數')
    return (input_tokens * input_rate
            + output_tokens * output_rate) / 1_000_000

print(estimate_cost(100000, 50000))  # 1.12

如何在生產環境中遷移與執行 Muse Wonder

更新並驗證整合

大多數符合 OpenAI 的客戶端整合可保留其整體結構。更新 base URL、憑證與模型 ID，然後以真實提示進行分階段評估。與協定相關的推理與多模態欄位需要獨立驗證。

設定 COMETAPI_KEY，將 base URL 更新為 https://api.cometapi.com/v1，並選擇 muse-wonder。以最小化文字請求驗證驗證與模型存取。接著分別測試推理欄位、串流區塊、工具呼叫執行與任何媒體格式。檢視錯誤與答案品質：HTTP 400 可有多種原因，而成功的 HTTP 回應本身不代表能力支援。記錄回傳的 usage 並將成本與你的預算比較。讓 base URL 與模型可設定，以便回退。

設定由環境驅動的遷移與回退。

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":"審查此 API 設計。"}],
)
print(r.choices[0].message.content)

從小比例的金絲雀線上流量開始。比較正確性、工具成功率、首個權杖延遲、總延遲、重試率，以及每個成功完成任務的總成本，然後再擴大推出。

加入逾時、重試上限與監控

設定請求逾時與明確限制；記錄非敏感的請求 ID 與權杖使用量；盡可能遮蔽個資；僅重試暫時性失敗；對不可逆的工具動作要求授權。較便宜的模型呼叫若導致重試，未必較便宜。

使用有界指數退避重試暫時性錯誤。

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))

建議的營運指標：每個成功任務成本 = 總模型與工具成本 / 成功任務數。追蹤安全與正確性的防護機制，以及整體成本。

常見問題

為何 Muse Wonder API 可能在最終答案前停止？

在原生 API 上，推理與可見文字共享完成預算。冗長的推理可能使最終答案可用的空間更少。請檢查完成原因與 usage，降低強度或縮小任務，並僅在預算內提高路由支援的完成上限。中斷的串流需要另行進行傳輸診斷。

我應該從頭重試中斷的 Muse Wonder API 串流嗎？

新請求是新的生成，並不會自動延續被中斷的答案。請儲存部分輸出與請求識別碼，標記答案為未完成，並決定是重新開始還是使用明確上下文請求續寫。對於工具工作流程，請持久化已完成的動作，以避免重試重複執行。

我該如何驗證 Muse Wonder API 的媒體答案？

使用小型且已知事實的影像或文件，提出需要那些事實才能回答的問題。將回應與原件比較，包括數字與頁面參考。僅有成功的 HTTP 狀態並不代表端點已接受或正確解讀媒體；在擴大量化前請檢視錯誤與請求格式。

我如何稽核 Muse Wonder API 的成本差異？

記錄回傳的 usage、模型、路由、請求時間與當時帳戶費率。區分未快取輸入、已驗證的快取讀取與總計費輸出（包括推理，如適用）。將這些數量與帳單紀錄比較；在假設權杖計算錯誤前，請檢查幣別、費率變動與其他費用。

結論

先從一個經驗證的 CometAPI 請求開始，確認回傳答案，接著加入串流與應用程式所需的能力。上線前，請驗證所選路由、確認計費、強制工具權限，並保留回退模型。僅在量測的任務成功率、延遲與成本符合你的接受標準時擴大流量。

如何使用 Muse Wonder API: Python、流式傳輸與定價

發出第一個 API 請求。

重點摘要

重要重點

什麼是 Muse Wonder API？

Muse Wonder API 規格

Muse Wonder 與 Muse Wonder Full 的差異

Muse Spark API vs Muse Wonder API

如何逐步在 CometAPI 中使用 Muse Wonder API

步驟 1：建立並保護你的 CometAPI 金鑰

步驟 2：設定 Muse Wonder 端點

步驟 3：用 cURL 發送第一個請求

步驟 4：發送 Python 請求

步驟 5：使用 JavaScript 或 Node.js

如何在 CometAPI 中串流 Muse Wonder 回應

Python 串流範例

JavaScript 串流範例

Muse Wonder 支援哪些推理強度等級？

支援的推理強度值

如何在 Chat Completions 設定推理強度

如何在 Responses API 設定推理強度

為何將 max 設定不會選用 Muse Wonder Full

Muse Wonder API 如何分析影像與 PDF

如何使用 Muse Wonder API 構建工具呼叫代理

Muse Wonder API 成本是多少

如何在生產環境中遷移與執行 Muse Wonder

更新並驗證整合

加入逾時、重試上限與監控

常見問題

為何 Muse Wonder API 可能在最終答案前停止？

我應該從頭重試中斷的 Muse Wonder API 串流嗎？

我該如何驗證 Muse Wonder API 的媒體答案？

我如何稽核 Muse Wonder API 的成本差異？

結論

把這篇文章連到下一個決策。

閱讀更多