big-AGI 模型目录维护指南：Meta AI (Muse) 模型定义更新流程与源码级解析-北京尧图网络

big-AGI 模型目录维护指南Meta AI (Muse) 模型定义更新流程与源码级解析【免费下载链接】big-AGIAI suite powered by state-of-the-art models and providing advanced AI/AGI functions. Includes AI personas, AGI functions, world-class Beam multi-model chats, text-to-image, voice, response streaming, code highlighting and execution, PDF import, presets for developers, much more. Deploy on-prem or in the cloud.项目地址: https://gitcode.com/GitHub_Trending/bi/big-AGI本指南针对 big-AGI 仓库中 Meta AIMuse模型目录的日常维护任务编写。核心对象是src/modules/llms/server/openai/models/metaai.models.ts这一模型定义文件配套信息源、参数探测与校验工具一应俱全。读完你将掌握如何以官方文档与真实 API 探测结果为准绳完成 Spark / Muse Image 模型的增删、定价更新、能力interfaces与参数parameterSpecs校准并通过参数扫描与协议实验室两条管线对改动做验证。一、任务背景为什么需要一个专门的“更新模型定义”命令big-AGI 内置了大量模型提供商vendor的模型目录其中 Meta AImetaai产品名为 Meta Model API见 LLM-metaai-responses.md的模型定义集中在单个文件 metaai.models.ts 中。该文件的价值在于补足线上 API 的信息缺口GET /v1/models只返回{ id, object, created: 0, owned_by: meta }四个字段没有类型、模态modality、定价、发布日期等关键信息源码注释verified 2026-09-02明确标注了这一点驱动应用内模型选择器模型的排序、隐藏、能力标签、参数面板全部由该文件决定支撑发布管线llm-registry-sync会基于模型定义的pubDate、contextWindow等字段决定是否把模型推入公开目录。正因如此仓库在.claude/commands/llms/目录下为各厂商都准备了“更新模型定义”的维护指令本文聚焦其中的 update-models-metaai.md。二、信息源与取证纪律先读官方文档再决定是否动代码维护指令的开篇就建立了严格的“证据链”纪律这是整个任务的方法论核心1. 唯一的事实来源是官方文档内容地址在指令中以相对方式引用用途文档索引dev.meta.ai/docs/llms.txt约 92 页一键镜像全套文档深读时用模型/层级/模态/上下文窗口dev.meta.ai/docs/models.md核对模型基础属性定价与限流dev.meta.ai/docs/pricing-rate-limits.mdStandard 与 Contributor 的每 token 价格表、搜索接地附加费、单图价格、RPM/TPM推理强度dev.meta.ai/docs/reasoning.mdreasoning.effort取值协议dev.meta.ai/docs/protocols/responses.md与api-reference/responses/schemas.md约 5300 行请求/响应契约schema 长文件用 grep 而非通读能力页tool-calling.md、tool-search.md、search-grounding.md、structured-output.md、image-understanding.md、video-understanding.md、file-handling.md、image-generation.md、prompt-caching.md与模型文件的interfaces/parameterSpecs逐项 diff关键技巧给任何文档 URL 追加.md即可返回原始 Markdowncurl即可抓取无需认证、无需浏览器。2. 文档与 API 存在分歧时以“线上真实行为”为准指令强调“不要用 web 搜索取事实直接抓取 URL搜索仅用于定位发布公告”。同时给出了若干已知陷阱verified 2026-09-02GET /v1/models与GET /v1/models/{id}的created字段恒为0对发布日期/排序毫无用处尽管models.md声称有日期文档把密钥写作LLM|...而线上发放的密钥是LLM_...格式validateSetup对两种分隔符都放行维护时不要收紧校验见 metaai.vendor.tsmaxCompletionTokens无官方文档131072是 Meta 官方 agent 配置quickstart / coding-agents宣传的数值而服务端实际接受max_output_tokens高达 1M探测确认因此不能从探测结果反推该字段。3. 可选但强力的线上信号如果本机.env.api-keys中存在METAAI_API_KEY可以额外扫描线上模型列表发现尚未收录的新 idcurl https://api.meta.ai/v1/models -H Authorization: Bearer $METAAI_API_KEY注意绝不能提交或回显该密钥。三、目标文件解剖metaai.models.ts 的结构与角色在动手之前先把维护对象的结构理清。metaai.models.ts 从上到下由以下部分组成1. 线上模型列表的 zod 校验const _wireMetaAIModelItemSchema z.object({ id: z.string(), // only strictly required field object: z.string().nullish(), created: z.number().nullish(), owned_by: z.string().nullish(), });逐条safeParse单条脏数据不会拖垮整个列表见metaAIModelsToModelDescriptions中的console.warn跳过逻辑。2. 定价常量Standard 与 Contributor 两套价格Standard 档Spark 全版本同价无长上下文溢价缓存自动生效、不另收写入费缓存命中按更低的 read 价计费const _sparkStandardPrice { input: 1.25, // USD / 1M tokens output: 4.25, cache: { read: 0.15 }, tools: { webSearch: 2.5 }, // USD / 1K queries叠加在 token 费之上 };Contributor 档同模型输入约 12 折、输出约 21 折代价是 Meta 可用你的 prompt 与 completion 训练且团队限流更低——100 RPM / 3M TPM对比 Standard 的 3,000 RPM / 4M TPMconst _sparkContributorPrice { input: 0.10, output: 0.20, cache: { read: 0.002 }, tools: { webSearch: 2.5 }, };3. 参数规格与能力接口const _sparkParamSpecs [ { paramId: llmVndOaiEffort, enumValues: [minimal, low, medium, high, xhigh] }, { paramId: llmVndOaiWebSearchContext }, { paramId: llmVndOaiWebSearchGeolocation }, ];interfaces声明了模型的能力集合Responses 协议、Chat 兼容、函数调用、推理、视觉、JSON、提示缓存其中 Muse Image 模型额外带上LLM_IF_Outputs_Image与LLM_IF_HOTFIX_NoStream详见第五节。所有 Spark 版本共享一个 1M1,048,576上下文窗口输出上限取 Meta 宣传值131072initialTemperature为1.0文档称 Spark “tuned to run at the defaults”。4. 模型清单_knownMetaAIModels这是维护的核心增量区。每个条目通过idPrefix匹配线上 id提供label、description、contextWindow、interfaces、parameterSpecs、chatPrice、pubDate等字段。llmsDefineManualMappings定义于 models.mappings.ts保证数组以 const 形式追踪从而让LlmsMetaAIModelId能由typeof _knownMetaAIModels[number][idPrefix]自动推导出联合类型。当前清单截至 2026-09-02idPrefixlabel说明要点pubDatehiddenmuse-spark-1.3Muse Spark 1.3最新 frontier 推理模型面向 agent 工作流多步工具、浏览器、长程任务编程能力优于 1.2音频理解退化20260902–muse-spark-1.2Muse Spark 1.2上一代 Spark音频输入推荐版本1.3 音频理解退化20260805–muse-spark-1.1Muse Spark 1.1首发版Meta Model API 上第一个 frontier 推理模型20260709–muse-image-1.0Muse Image 1.0文生图/图编图内置 web 与图像搜索每图 $0.01非流式20260707–muse-spark-1.3-contributorMuse Spark 1.3 (Contributor)约 12x/21x 降价换取训练权低限流20260902truemuse-spark-1.2-contributorMuse Spark 1.2 (Contributor)同上1.2 版本20260805trueContributor 变体默认hidden: true且必须在description里写清“Meta 会基于你的 prompt 与 completion 训练”的取舍绝不能作为默认选项。5. 未知模型的处理与排序metaAIModelsToModelDescriptions对线上列表做三件事前缀过滤以_METAAI_NON_CHAT_PREFIXES当前为[muse-voice-transcribe-]丢弃非聊天族。muse-voice-transcribe-1.0走独立的/v1/asr端点在/v1/responses上 404绝不能进入聊天选择器未知 id 降级为“未策展”fromManualMapping找不到精确/前缀匹配时用llmsLabelUncurated打上[?]标签、contextWindow: null保持应用内可见但不进入发布推送新 Spark 版本会继承家族的 interfaces 与 parameterSpecs见 models.mappings.ts 对[?]标记语义的说明按编辑顺序排序以_knownMetaAIModels数组顺序为准未知模型按其前缀所在家族槽位就近排序同槽位按 id 字典序。四、探测方法把“文档没说清”变成“线上已验证”指令给出一套可复现的探测手法这些方法也在 LLM-metaai-responses.md 的“Request contract”一节中得到交叉印证1. 推理强度effort的枚举探测curl -X POST https://api.meta.ai/v1/responses \ -H Authorization: Bearer $METAAI_API_KEY \ -d {model:id,input:pong,max_output_tokens:64,reasoning:{effort:v}}非法枚举值会得到unknown variant X, expected one of ...服务端把完整枚举写在报错里值合法但模型不支持时返回does not support v with this model截至 2026-09-02枚举为none|minimal|low|medium|high|xhigh其中none在所有 Spark 上都会被拒max尚未上线Meta 宣布随 1.3 发布需重新探测省略 effort 时服务端默认按high运行——这会导致简单请求也消耗 95–250 个推理 token“pong” 也不例外所以模型定义中不给initialValue保留厂商默认行为。2. 未知参数的快速发现顶层未知参数直接 400unknown parameter X是发现新字段的低成本手段而未知的嵌套键会被静默忽略。seed、stop、n、logit_bias、response_format、顶层verbosity、conversation都会 400。3. 其他已探测的契约细节tool_choice只接受autotruncation只接受disabled推理开启时 logprobs 不可达温度 2.0 虽被接受但退化产生胡言乱语的incomplete回复偶发 HTTP 500——因此参数扫描只记录 0..1.5遇到 500 不要误判为故障max_output_tokens下限为 16适配层会做下限保护见 openai.responsesCreate.ts 中metaai: { vndNamespace: metaai, toolChoiceOnlyAuto: true, minOutputTokens: 16 }的 quirks 配置。五、协议层事实metaai 方言的“个性”维护模型定义时interfaces与parameterSpecs必须与协议层事实对齐。仓库中协议事实的权威记录是 LLM-metaai-responses.md关键结论如下所有 Meta 模型都走 Responses 方言RESPONSES_ONLY_DIALECTS复用aixToOpenAIResponses与createOpenAIResponsesEventParser(metaai)并在_RSP_DIALECT_QUIRKS中登记自己的vndNamespace: metaai——推理 blob 是 Meta 私有的不能跨厂商复用过期或外来的 item 会被 Meta 400Muse Image 1.0 不产生任何 item 流事件只有response.created - response.completed因此必须保持LLM_IF_HOTFIX_NoStream非流式解析器直接读image_generation_call.resultbase64 WebP靠 magic bytes 嗅探 MIME它只接受image_generation工具function/web_search 工具会 400故不挂 Fn 接口推理项形如{type, id, encrypted_content, summary, status}没有content字段summary支持auto|concise|detailed但常常为空数组永远没有明文推理文本工具配对双向强制孤立的function_call_output与悬空的function_call都会 400适配层会把store: falseinclude: [reasoning.encrypted_content]一并发送无状态路径include与previous_response_id同时使用会 400二者不可组合。六、两条验证管线参数扫描端到端协议实验室改完模型定义后仓库提供了两条闭环验证手段均由指令点明实现在tools/develop/下1. 参数接受度扫描llm-parameter-sweepnpx tsx tools/develop/llm-parameter-sweep/sweep.sh --dialect metaai --key $METAAI_API_KEY --model-filter muse-spark该扫描遍历vendors - models - parameters - values逐项发送最小请求并记录 pass/fail结果写入llm-metaai-parameters-sweep.json。当前结果llm-metaai-parameters-sweep.json显示三个 Spark 版本含 Contributor 变体全部通过fn: [auto,roundtrip]——即函数调用具备完整的往返能力这是LLM_IF_OAI_Fn接口的依据见 verify-parameters.md 中“roundtrip是权威信号”的规则metaai-reasoning-effortminimal|low|medium|high|xhigh全通过与模型定义中的enumValues完全一致metaai-web-searchlow|medium|high全通过温度在 0..1.5 区间可靠temperature-range与带high推理的变体均记录[0,1.5]。随后执行/llms:verify-parameters metaai将扫描结果与模型定义做逐项 diff——参数是否存在于parameterSpecs、枚举值是否覆盖、LLM_IF_OAI_Fn是否与roundtrip同步并输出每个模型“期望值 vs 实际值 vs 不匹配项”的报告。注意扫描是慢任务约 15 分钟/厂商且模型定义才是 big-AGI 的事实来源——修改不当可能影响成千上万的客户端因此扫描结果只能作为提示最终必须以定义为准。2. 端到端协议实验室aix-protocol-labnpx tsx tools/develop/aix-protocol-lab/lab.ts capture metaai-responses hello|reason|fc|search|interleave [--model id] [--no-stream]通过真实管线对工具调用、搜索接地、推理、图像输出做消融捕获用于验证协议层行为与模型定义的一致性工具脚本位于tools/develop/aix-protocol-lab/。七、任务收尾规范保持 diff 可审指令最后给出了工程化收尾要求这同样适用于任何模型目录维护全量复核通读线上完整模型列表核对新增、移除与价格变化可用 models.mappings.ts 的llmDevCheckModels_DEV思路辅助——stale 定义提示移除、unknown 模型提示新增最小改动把空白与注释改动降到最低聚焦内容本身保留注释模型文件内的来源 URL、探测日期、验证结论注释是后续维护者的“审计日志”务必保留例如每个价格常量都标注了dev.meta.ai/docs/pricing-rate-limits与验证日期标记异常遇到失效链接或意外内容要在提交中显式说明。八、配套参考模型定义主文件src/modules/llms/server/openai/models/metaai.models.ts厂商接入与密钥校验src/modules/llms/vendors/metaai/metaai.vendor.ts协议事实记录kb/modules/LLM-metaai-responses.md手动映射工具函数与[?]未策展标记src/modules/llms/server/models.mappings.ts参数验证命令.claude/commands/llms/verify-parameters.md参数扫描实现与结果tools/develop/llm-parameter-sweep/sweep.ts、llm-metaai-parameters-sweep.json协议实验室tools/develop/aix-protocol-lab/lab.ts【免费下载链接】big-AGIAI suite powered by state-of-the-art models and providing advanced AI/AGI functions. Includes AI personas, AGI functions, world-class Beam multi-model chats, text-to-image, voice, response streaming, code highlighting and execution, PDF import, presets for developers, much more. Deploy on-prem or in the cloud.项目地址: https://gitcode.com/GitHub_Trending/bi/big-AGI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

big-AGI 模型目录维护指南：Meta AI (Muse) 模型定义更新流程与源码级解析

相关推荐

Folo AI RSS阅读器：告别信息过载，3步打造你的专属智能知识库

AIAG APQP第三版英文版落地：交付物校验、控制计划建模与条款追溯

Zephyr 支持 Heltec WiFi LoRa 32 V3：基于 ESP32-S3 与 SX1262 的 LoRa 开发板构建与调试指南

更多资讯

Dograh UI 前端开发指南：Next.js 15 工程结构、OpenAPI 自动生成客户端与三大核心编码约定

AI SDK v5 到 v6 迁移指南：在 Cloudflare Agents 与 @cloudflare/ai-chat 中平滑升级你的 AI Agent

科研论文配色避坑指南：从原理到实操，打造专业级学术图表

Sanity Studio 定时发布（Scheduled Publishing）：从文档编辑器到 Schedules 工具的全栈指南

AR-NAR混合Transformer模型YuE2实战部署指南

(全新整理)上市公司-AI漂洗指数2010-2024年

今日更新

AWS无服务器应用开发指南：从Lambda到SAM的架构与实践

SpringBoot+Vue人事系统实战：解决HR数据断点与事务一致性

MATLAB手写紧束缚模型计算石墨烯能带结构

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？