¿Cómo usar la API de Muse Wonder?

La API de Muse Wonder es la Model API de Meta que sirve muse-wonder-1.0 en https://api.meta.ai/v1, con tres formatos de solicitud: la API de Responses, Chat Completions y un endpoint de Messages compatible con Anthropic. Te autenticas con una clave Bearer [REDACTED] dev.meta.ai, pagas $4 por millón de tokens de entrada y $20 por millón de salida, y obtienes una ventana de contexto de 1M de tokens con esfuerzo de razonamiento de minimal a max. Cualquier SDK de OpenAI funciona una vez que cambias la URL base.

Prueba Apidog hoy

Esta guía te lleva desde la clave hasta un bucle agéntico funcional: la primera solicitud, cómo elegir un endpoint, controlar el razonamiento, el estado entre turnos, las herramientas, el streaming, las ejecuciones en segundo plano y los campos de uso que te dicen cuánto costó cada llamada. Cada solicitud también está configurada en Apidog para que tu equipo pueda probar el modelo sin pasar la clave de mano en mano. Para saber qué es el modelo y cómo puntúa, empieza por la explicación de Muse Wonder.

La API de Muse Wonder de un vistazo

	Valor
URL base	https://api.meta.ai/v1
ID del modelo	muse-wonder-1.0
Autenticación	Authorization: Bearer $MODEL_API_KEY
Endpoints	POST /v1/responses, POST /v1/chat/completions, POST /v1/messages
Precio por 1M de tokens	$4 de entrada, $20 de salida, $0.20 de entrada en caché
Ventana de contexto	1.048.576 tokens, sin recargo por contexto largo
Esfuerzo de razonamiento	minimal, low, medium, high, xhigh, max
Límites de velocidad	3.000 solicitudes y 4M de tokens por minuto, por equipo y por modelo
Herramienta de búsqueda web	$2.50 por cada 1.000 consultas, además de los tokens

Muse Wonder Full, el modelo mayor, no está en la API. Solo está disponible dentro de Muse Code, en los planes Power y Maximum. Poner el esfuerzo en max en Wonder no lo convierte en Full.

Paso 1: obtén una clave y haz la primera llamada

Crea una clave en el panel de la Model API, en la sección de claves de API, y guárdala como MODEL_API_KEY. Después:

curl https://api.meta.ai/v1/responses \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-wonder-1.0",
    "input": "List three risks in a lease clause that lets the landlord enter without notice.",
    "reasoning": {"effort": "medium"},
    "max_output_tokens": 2048
  }'

Con el SDK de OpenAI, cambia dos líneas:

from openai import OpenAI
import os

client = OpenAI(base_url="https://api.meta.ai/v1", [REDACTED CREDENTIAL]

resp = client.responses.create(
    model="muse-wonder-1.0",
    input="List three risks in a lease clause that lets the landlord enter without notice.",
    reasoning={"effort": "medium"},
    max_output_tokens=2048,
)
print(resp.output_text)
print(resp.usage)

La respuesta incluye el texto más un bloque usage. Revísalo en cada llamada: output_tokens_details.reasoning_tokens te dice cuánto del presupuesto de salida se fue en razonamiento, y input_tokens_details.cached_tokens te dice cuánta entrada se facturó a la tarifa de caché.

Paso 2: elige un endpoint

La guía de inicio rápido de Meta usa la API de Responses, y es la opción por defecto correcta para cualquier cosa de varios pasos. Conserva el razonamiento entre turnos y puede gestionar el historial de conversación por ti. Chat Completions existe para el código que ya tienes contra un SDK de OpenAI. El endpoint de Messages en https://api.meta.ai/v1/messages acepta solicitudes en formato Anthropic, que es como Claude Code funciona sobre Muse Wonder.

Necesidad	Usa
Agente nuevo, bucles de herramientas, sesiones largas	Responses
Código existente estilo OpenAI, turnos únicos	Chat Completions
Claude Code u otro harness en formato Anthropic	Messages
Resúmenes de razonamiento	Solo Responses

Los tres formatos difieren en los nombres de los parámetros. El esfuerzo de razonamiento es reasoning.effort en Responses y un reasoning_effort de nivel superior en Chat Completions. Los topes de salida son max_output_tokens y max_tokens respectivamente. La salida estructurada en Responses usa text.format, no response_format.

Paso 3: ajusta el esfuerzo de razonamiento

Muse Wonder siempre razona. none devuelve un HTTP 400. Los niveles aceptados son minimal, low, medium, high, xhigh y max, y si omites el parámetro, el modelo elige su propio nivel. El consejo de Meta es el de siempre: usa el nivel más bajo que dé resultados aceptables, porque los tokens de razonamiento se facturan a la tarifa de salida de $20 y cuentan para tu tope de salida.

De ahí se siguen dos reglas prácticas. Primera, establece max_output_tokens con holgura cuando el esfuerzo sea alto; en max, el razonamiento es una gran parte de la salida y un tope ajustado trunca la respuesta. Segunda, registra reasoning_tokens por tipo de solicitud para ver lo que cuesta cada nivel de esfuerzo en tu tráfico y no en un benchmark. Las ejecuciones de Artificial Analysis que puntúan al modelo con 52 usaron esfuerzo max y unos 54.000 tokens de salida por tarea.

En la API de Responses puedes pedir un resumen del razonamiento con reasoning.summary ajustado a auto, concise o detailed. Los resúmenes no están garantizados; el array puede volver vacío. El razonamiento en crudo nunca se devuelve.

Paso 4: traslada el estado entre turnos

La API de Responses ofrece dos modos, y no se pueden combinar.

Replay cifrado sin estado es la recomendación de Meta. Envía store: false y include: ["reasoning.encrypted_content"], conserva los elementos reasoning que devuelve la respuesta y pásalos de vuelta en el siguiente turno con su encrypted_content y un campo summary (un array vacío vale). El razonamiento del modelo sobrevive al turno sin que Meta almacene nada.

Historial gestionado por el servidor es más simple: pasa previous_response_id y envía solo la nueva entrada. Ten en cuenta que instructions no se traslada, así que reenvía tus instrucciones de sistema en cada solicitud.

first = client.responses.create(model="muse-wonder-1.0", input="Summarize this API's auth flow: ...", instructions="You are an API reviewer.")
second = client.responses.create(model="muse-wonder-1.0", previous_response_id=first.id, instructions="You are an API reviewer.", input="Now list the endpoints that need an OAuth scope.")

Paso 5: herramientas, salida estructurada y búsqueda web

Las function tools siguen el formato de OpenAI en Responses y Chat Completions. Muse Wonder llama a las herramientas en paralelo y está entrenado para recuperarse de llamadas fallidas, que es una de las cosas que la publicación de lanzamiento de Meta quiere decir con Active Focus. Define las herramientas con un esquema JSON, ejecuta los elementos function_call que devuelve el modelo y devuelve elementos function_call_output.

Para una respuesta que tu código pueda interpretar, ajusta text.format a un esquema JSON en Responses. Para información actual, añade la búsqueda alojada de Meta con tools=[{"type": "web_search"}]; factura $2.50 por cada 1.000 consultas además de los tokens. Si ya estás probando llamadas a herramientas para otros modelos, el harness de pruebas de tool calls para agentes de Apidog funciona aquí sin cambios: la forma de la solicitud es la misma que la de OpenAI.

Paso 6: transmite en streaming o ejecuta en segundo plano

Establece stream: true y consume el flujo de eventos: response.created, response.output_item.added, response.output_text.delta, response.function_call_arguments.delta y response.completed. Un fallo termina con response.failed. Los resúmenes de razonamiento llegan como response.reasoning_summary_text.delta cuando se solicitan.

Para trabajos largos, envía background: true. La API acusa recibo con "status": "queued", y puedes hacer polling o recibir el flujo de eventos del ciclo de vida desde GET /v1/responses/{id}?stream=true. Background no se puede combinar con stream: true en el POST, el cuerpo de la solicitud tiene un límite de 1 MiB, y hay un límite aparte de 600 envíos nuevos en segundo plano por minuto por equipo. Cancela con POST /v1/responses/{id}/cancel.

Paso 7: cachea lo que se repite

La entrada en caché cuesta $0.20 por millón, un 95% de descuento sobre la tarifa de $4, y Meta la reporta en usage.input_tokens_details.cached_tokens. El patrón que la consigue es el mismo que en otros proveedores: pon el material estable (instrucciones del sistema, definiciones de herramientas, documentos de referencia) primero y el contenido por solicitud al final. La guía de prompt caching cubre el diseño del prefijo. Vigila también el lado de escritura en caché: en la ejecución de Artificial Analysis, $1.92 de los $4.52 por tarea de Wonder fueron escrituras en caché, más que los $1.44 en aciertos de caché.

Prueba la API de Muse Wonder en Apidog

Un proyecto compartido de Apidog mantiene la clave fuera de los hilos de chat y da a todo el mundo las mismas solicitudes.

1. Crea un entorno llamado Meta Model API con un base_url de https://api.meta.ai/v1 y MODEL_API_KEY como variable secreta. Los valores secretos se enmascaran en la interfaz y nunca se exportan.
2. Añade tres solicitudes, una por endpoint, cada una con Authorization: Bearer {{MODEL_API_KEY}}. Duplica la solicitud de Responses con esfuerzo low, medium y max para comparar costes lado a lado.
3. Valida el uso. Añade aserciones JSONPath sobre $.usage.output_tokens_details.reasoning_tokens y $.usage.input_tokens_details.cached_tokens. Un valor de tokens en caché de cero en una solicitud donde esperabas que acertara la caché es un bug de prefijo, detectado antes de llegar a producción.
4. Simula el 429. La documentación de Meta dice que retrocedas exponencialmente con jitter desde unos 500 ms y que respetes Retry-After. Apunta tu cliente a un mock de Apidog que devuelva 429 con esa cabecera y demuestra la lógica de reintentos antes de compartir un límite de 3.000 solicitudes por minuto con el resto de tu equipo.
5. Ejecútalo en CI con la CLI de Apidog para que un cambio de modelo o de precios rompa un pipeline y no a un cliente.

Descarga Apidog e importa los tres endpoints de los ejemplos de solicitud de arriba.

Preguntas frecuentes

¿La API de Muse Wonder tiene un nivel gratuito? No. La facturación es por token sin mínimo, así que un puñado de llamadas de prueba cuesta céntimos, pero no hay créditos gratuitos. La guía de acceso gratuito cubre las rutas más baratas.

¿Se usan mis datos de la API para entrenar? No en el modo Standard de la API. Las suscripciones de Muse Code usan por defecto el modo Contributor, que sí usa tus datos; ese ajuste vive en Muse Code, no en la API.

¿Puedo usar Muse Wonder Full a través de la API? No. No tiene un ID de modelo invocable ni un precio por token. Solo los suscriptores de Muse Code Power y Maximum pueden seleccionarlo.

¿Cuáles son los límites de velocidad y puedo aumentarlos? 3.000 solicitudes y 4 millones de tokens por minuto por modelo, contados entre todas las claves de tu equipo. La página de precios de Meta no enumera niveles ni un proceso para aumentarlos. La publicación sobre los límites de velocidad explica cómo mantenerte por debajo.

Siguiente paso

Haz las tres llamadas de arriba con esfuerzo low, medium y max sobre una tarea real de tu producto, y compara reasoning_tokens antes de elegir un valor por defecto. Ese número, y no el titular de $4, es lo que seguirá tu factura.