> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/workflows/ja/burokku/blocks/run-a-model/meta.md).

# Meta

OpenRouter経由でMeta Museの視覚モデルを実行します。

## v3

Meta Muse の視覚言語モデルを次経由で実行 [OpenRouter](https://openrouter.ai/).

対応モデル: Muse Spark 1.1, Muse Spark 1.2, Muse Spark 1.3, Muse Glimmer、そして Muse Wonder（デフォルト）です。Llama 3.2 Vision は独自のブロックのままです。

任意のテキストプロンプトまたは定義済みのものを指定できます。このブロックは次をサポートします:

* **オープンプロンプト** (`制約なし`) - 任意のプロンプトを使って生の応答を生成します
* **テキスト認識（OCR）** (`ocr`) - モデルが画像内のテキストを認識します
* **視覚的質問応答** (`visual-question-answering`) - モデルがプロンプトで送信した質問に答えます
* **キャプション生成（短）** (`caption`) - モデルが画像の短い説明を提供します
* **キャプション生成** (`detailed-caption`) - モデルが画像の詳しい説明を提供します
* **単一ラベル分類** (`classification`) - モデルが画像内容を提示されたクラスのいずれかに分類します
* **複数ラベル分類** (`multi-label-classification`) - モデルが画像内容を提示されたクラスの1つ以上に分類します
* **プロンプトなし物体検出** (`object-detection`) - モデルが画像内の主要な物体のバウンディングボックスを検出して返します
* **構造化出力生成** (`structured-answering`) - モデルが指定されたフィールドを持つJSONレスポンスを返します

物体検出では Muse のネイティブなグラウンディング形式を使用します: JSON 配列の `label` / `x_min` / `y_min` / `x_max` / `y_max` 座標が 0〜1000 に正規化されたフィールド。

## バージョンの違い

このバージョン（v3）は、ブロック内でモデルの回答をデコードし、追加で `predictions`, `error_status` と `inference_id` を、生の `output` 文字列の横に追加します:

* `predictions` には、 `object-detection` タスクのRLEマスク付き検出、そして `classification` / `multi-label-classification` タスクの分類予測が入ります。出力の種類は選択されたタスクタイプに従います。
* `predictions` は `None` それ以外のすべてのタスク（制約なしプロンプト、OCR、キャプション生成、構造化応答、視覚的質問応答）では
* `error_status` は `True` は、回答をデコードできなかった場合です。
* `inference_id` は画像ごとに生成されます。

別々の `roboflow_core/vlm_as_detector@v2` と `roboflow_core/vlm_as_classifier@v2` ステップは不要になりました。

各リクエストでは、単一のユーザーメッセージ内で、指示テキストより前に画像が送信されます。推論は有効のままで、 `reasoning_effort` このノブの既定値は low です。 `max_tokens` 既定値は 2048 です。より長い回答が必要な場合は、（例: 8192）まで増やしてください。

既定では、このブロックは Roboflow が管理する OpenRouter キーを使用し、Roboflow クレジットから課金されます。ご自身の `sk-or-...` キーを貼り付けると、OpenRouter を直接呼び出せます。

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/meta_vlm@v3` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                    | **型**            | **説明**                                                                                                                                                  | 参照 |
| ------------------------- | ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name`                    | `str`            | このステップの一意の識別子を入力してください。                                                                                                                                 | ❌  |
| `api_key`                 | `str`            | OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。                                                | ✅  |
| `privacy_level`           | `str`            | プロバイダーのプライバシーフィルター。より厳しいレベルではプロバイダープールが狭まり、管理キーでの呼び出しごとのコストが増える場合があります。                                                                                 | ❌  |
| `max_tokens`              | `int`            | モデルが応答で生成できるトークンの最大数。既定値は 2048 です。タスクでより長い回答が必要な場合は、明示的に（例: 8192）まで増やしてください。課金はこの上限ではなく、実際に生成されたトークン数に基づきます。                                            | ❌  |
| `temperature`             | `float`          | サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。                                                                                                 | ✅  |
| `max_concurrent_requests` | `int`            | 画像バッチに対する同時リクエスト数。指定しない場合、ブロックはWorkflows Execution Engineでグローバルに設定された値をデフォルトで使用します。レート制限に達する場合は制限してください。                                                | ❌  |
| `model_version`           | `str`            | 実行する Muse モデル。Spark 1.1、Spark 1.2、Spark 1.3、Glimmer、そして Wonder は、OpenRouter 上で現在画像対応の Muse チャットモデルです。Wonder がデフォルトです..                                  | ✅  |
| `task_type`               | `str`            | モデルが実行するタスクタイプです。値によって必要なパラメータと出力レスポンスが決まります。                                                                                                           | ❌  |
| `prompt`                  | `str`            | モデルに送信するテキストプロンプト。                                                                                                                                      | ✅  |
| `output_structure`        | `Dict[str, str]` | 期待される JSON 応答の構造を持つ辞書。                                                                                                                                  | ❌  |
| `classes`                 | `List[str]`      | 使用するクラスの一覧。                                                                                                                                             | ✅  |
| `reasoning_effort`        | `str`            | 推論予算。Muse モデルは推論の無効化を受け付けないため、これは常に effort として送信されます。Low は vlm-exam ベンチで使用される既定値です。サポートされる値はモデルごとに異なります（モデルのドロップダウンを参照）：'minimal' は Glimmer では使用できません.. | ❌  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`requires_internet` - エアギャップ／オフライン展開: このブロックは、完全オフライン／エアギャップ展開からは到達できないサービスに依存します。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `Meta` バージョン `v3` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `api_key` (*Union\[*[*`ROBOFLOW_MANAGED_KEY`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-managed-key.md)*,* [*`secret`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/secret.md)*,* [*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*]*): OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。
  * `temperature` ([*`float`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。
  * `images` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)) : 推論対象の画像。
  * `model_version` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 実行する Muse モデル。Spark 1.1、Spark 1.2、Spark 1.3、Glimmer、そして Wonder は、OpenRouter 上で現在画像対応の Muse チャットモデルです。Wonder がデフォルトです..
  * `prompt` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): モデルに送信するテキストプロンプト。
  * `classes` ([*`list_of_values`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 使用するクラスの一覧。
* output
  * `output` (*Union\[*[*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*,* [*`language_model_output`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/language-model-output.md)*]*) : 文字列値、もし `string` 、またはLLM/VLMの出力、もし `language_model_output`.
  * `classes` ([`list_of_values`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)) : 任意の型の値のリスト。
  * `思考` ([`string`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 文字列値。
  * `input_tokens` ([`integer`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)) : 整数値。
  * `output_tokens` ([`integer`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)) : 整数値。
  * `predictions` (*Union\[*[*`object_detection_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/object-detection-prediction.md)*,* [*`classification_prediction`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/classification-prediction.md)*]*) : 検出されたバウンディングボックスをsv.Detections(...)オブジェクト形式で持つ予測、もし `object_detection_prediction` 、または分類器からの予測、もし `classification_prediction`.
  * `error_status` ([`boolean`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)): ブールフラグ。
  * `inference_id` ([`inference_id`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/inference-id.md)) : 推論識別子。

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/meta_vlm@v3",
	    "api_key": "rf_key:account",
	    "privacy_level": "<block_does_not_provide_example>",
	    "max_tokens": "<block_does_not_provide_example>",
	    "temperature": "<block_does_not_provide_example>",
	    "max_concurrent_requests": "<block_does_not_provide_example>",
	    "images": "$inputs.image",
	    "model_version": "Muse Wonder",
	    "task_type": "<block_does_not_provide_example>",
	    "prompt": "私のプロンプト",
	    "output_structure": {
	        "my_key": "説明"
	    },
	    "classes": [
	        "class-a",
	        "class-b"
	    ],
	    "reasoning_effort": "<block_does_not_provide_example>"
	}
```

</details>

## v2

Meta Muse の視覚言語モデルを次経由で実行 [OpenRouter](https://openrouter.ai/).

対応モデル: Muse Spark 1.1, Muse Spark 1.2, Muse Spark 1.3、および Muse Glimmer です。Llama 3.2 Vision は独自のブロックのままです。

任意のテキストプロンプトまたは定義済みのものを指定できます。このブロックは次をサポートします:

* **オープンプロンプト** (`制約なし`) - 任意のプロンプトを使って生の応答を生成します
* **テキスト認識（OCR）** (`ocr`) - モデルが画像内のテキストを認識します
* **視覚的質問応答** (`visual-question-answering`) - モデルがプロンプトで送信した質問に答えます
* **キャプション生成（短）** (`caption`) - モデルが画像の短い説明を提供します
* **キャプション生成** (`detailed-caption`) - モデルが画像の詳しい説明を提供します
* **単一ラベル分類** (`classification`) - モデルが画像内容を提示されたクラスのいずれかに分類します
* **複数ラベル分類** (`multi-label-classification`) - モデルが画像内容を提示されたクラスの1つ以上に分類します
* **プロンプトなし物体検出** (`object-detection`) - モデルが画像内の主要な物体のバウンディングボックスを検出して返します
* **構造化出力生成** (`structured-answering`) - モデルが指定されたフィールドを持つJSONレスポンスを返します

物体検出では Muse のネイティブなグラウンディング形式を使用します: JSON 配列の `label` / `x_min` / `y_min` / `x_max` / `y_max` 座標が 0〜1000 に正規化されたフィールド。出力は次を使って解析します `検出器としてのVLM` (`vlm_as_detector@v2`）を使用して `model_type="muse"`.

各リクエストでは、単一のユーザーメッセージ内で、指示テキストより前に画像が送信されます。推論は有効のままで、 `reasoning_effort` このノブの既定値は low です。 `max_tokens` 既定値は 2048 です。より長い回答が必要な場合は、（例: 8192）まで増やしてください。

既定では、このブロックは Roboflow が管理する OpenRouter キーを使用し、Roboflow クレジットから課金されます。ご自身の `sk-or-...` キーを貼り付けると、OpenRouter を直接呼び出せます。

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/meta_vlm@v2` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                    | **型**            | **説明**                                                                                                                                           | 参照 |
| ------------------------- | ---------------- | ------------------------------------------------------------------------------------------------------------------------------------------------ | -- |
| `name`                    | `str`            | このステップの一意の識別子を入力してください。                                                                                                                          | ❌  |
| `api_key`                 | `str`            | OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。                                         | ✅  |
| `privacy_level`           | `str`            | プロバイダーのプライバシーフィルター。より厳しいレベルではプロバイダープールが狭まり、管理キーでの呼び出しごとのコストが増える場合があります。                                                                          | ❌  |
| `max_tokens`              | `int`            | モデルが応答で生成できるトークンの最大数。既定値は 2048 です。タスクでより長い回答が必要な場合は、明示的に（例: 8192）まで増やしてください。課金はこの上限ではなく、実際に生成されたトークン数に基づきます。                                     | ❌  |
| `temperature`             | `float`          | サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。                                                                                          | ✅  |
| `max_concurrent_requests` | `int`            | 画像バッチに対する同時リクエスト数。指定しない場合、ブロックはWorkflows Execution Engineでグローバルに設定された値をデフォルトで使用します。レート制限に達する場合は制限してください。                                         | ❌  |
| `model_version`           | `str`            | 実行する Muse モデル。Spark 1.1、Spark 1.2、Spark 1.3、および Glimmer は、OpenRouter 上で現在画像対応の Muse チャットモデルです..                                                  | ✅  |
| `task_type`               | `str`            | モデルが実行するタスクタイプです。値によって必要なパラメータと出力レスポンスが決まります。                                                                                                    | ❌  |
| `prompt`                  | `str`            | モデルに送信するテキストプロンプト。                                                                                                                               | ✅  |
| `output_structure`        | `Dict[str, str]` | 期待される JSON 応答の構造を持つ辞書。                                                                                                                           | ❌  |
| `classes`                 | `List[str]`      | 使用するクラスの一覧。                                                                                                                                      | ✅  |
| `reasoning_effort`        | `str`            | 推論予算。Muse モデルは推論の無効化を受け付けないため、これは常に effort として送信されます。Low は vlm-exam ベンチで使用される既定値です。サポートされる値はモデルごとに異なります（モデルのドロップダウンを参照）：'minimal' は Spark 専用です.. | ❌  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`requires_internet` - エアギャップ／オフライン展開: このブロックは、完全オフライン／エアギャップ展開からは到達できないサービスに依存します。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `Meta` バージョン `v2` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `api_key` (*Union\[*[*`ROBOFLOW_MANAGED_KEY`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-managed-key.md)*,* [*`secret`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/secret.md)*,* [*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*]*): OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。
  * `temperature` ([*`float`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。
  * `images` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)) : 推論対象の画像。
  * `model_version` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 実行する Muse モデル。Spark 1.1、Spark 1.2、Spark 1.3、および Glimmer は、OpenRouter 上で現在画像対応の Muse チャットモデルです..
  * `prompt` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): モデルに送信するテキストプロンプト。
  * `classes` ([*`list_of_values`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 使用するクラスの一覧。
* output
  * `output` (*Union\[*[*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*,* [*`language_model_output`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/language-model-output.md)*]*) : 文字列値、もし `string` 、またはLLM/VLMの出力、もし `language_model_output`.
  * `classes` ([`list_of_values`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)) : 任意の型の値のリスト。
  * `思考` ([`string`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 文字列値。
  * `input_tokens` ([`integer`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)) : 整数値。
  * `output_tokens` ([`integer`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)) : 整数値。

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/meta_vlm@v2",
	    "api_key": "rf_key:account",
	    "privacy_level": "<block_does_not_provide_example>",
	    "max_tokens": "<block_does_not_provide_example>",
	    "temperature": "<block_does_not_provide_example>",
	    "max_concurrent_requests": "<block_does_not_provide_example>",
	    "images": "$inputs.image",
	    "model_version": "Muse Spark 1.3",
	    "task_type": "<block_does_not_provide_example>",
	    "prompt": "私のプロンプト",
	    "output_structure": {
	        "my_key": "説明"
	    },
	    "classes": [
	        "class-a",
	        "class-b"
	    ],
	    "reasoning_effort": "<block_does_not_provide_example>"
	}
```

</details>

## v1

Meta Muse の視覚言語モデルを次経由で実行 [OpenRouter](https://openrouter.ai/).

対応モデル: Muse Spark 1.1、Muse Spark 1.2、および Muse Glimmer です。Llama 3.2 Vision は独自のブロックのままです。

任意のテキストプロンプトまたは定義済みのものを指定できます。このブロックは次をサポートします:

* **オープンプロンプト** (`制約なし`) - 任意のプロンプトを使って生の応答を生成します
* **テキスト認識（OCR）** (`ocr`) - モデルが画像内のテキストを認識します
* **視覚的質問応答** (`visual-question-answering`) - モデルがプロンプトで送信した質問に答えます
* **キャプション生成（短）** (`caption`) - モデルが画像の短い説明を提供します
* **キャプション生成** (`detailed-caption`) - モデルが画像の詳しい説明を提供します
* **単一ラベル分類** (`classification`) - モデルが画像内容を提示されたクラスのいずれかに分類します
* **複数ラベル分類** (`multi-label-classification`) - モデルが画像内容を提示されたクラスの1つ以上に分類します
* **プロンプトなし物体検出** (`object-detection`) - モデルが画像内の主要な物体のバウンディングボックスを検出して返します
* **構造化出力生成** (`structured-answering`) - モデルが指定されたフィールドを持つJSONレスポンスを返します

物体検出では Muse のネイティブなグラウンディング形式を使用します: JSON 配列の `label` / `x_min` / `y_min` / `x_max` / `y_max` 座標が 0〜1000 に正規化されたフィールド。出力は次を使って解析します `検出器としてのVLM` (`vlm_as_detector@v2`）を使用して `model_type="muse"`.

各リクエストでは、単一のユーザーメッセージ内で、指示テキストより前に画像が送信されます。推論は有効のままで、 `reasoning_effort` このノブの既定値は low です。 `max_tokens` 既定値は 2048 です。より長い回答が必要な場合は、（例: 8192）まで増やしてください。

既定では、このブロックは Roboflow が管理する OpenRouter キーを使用し、Roboflow クレジットから課金されます。ご自身の `sk-or-...` キーを貼り付けると、OpenRouter を直接呼び出せます。

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/meta_vlm@v1` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                    | **型**            | **説明**                                                                                                       | 参照 |
| ------------------------- | ---------------- | ------------------------------------------------------------------------------------------------------------ | -- |
| `name`                    | `str`            | このステップの一意の識別子を入力してください。                                                                                      | ❌  |
| `api_key`                 | `str`            | OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。     | ✅  |
| `privacy_level`           | `str`            | プロバイダーのプライバシーフィルター。より厳しいレベルではプロバイダープールが狭まり、管理キーでの呼び出しごとのコストが増える場合があります。                                      | ❌  |
| `max_tokens`              | `int`            | モデルが応答で生成できるトークンの最大数。既定値は 2048 です。タスクでより長い回答が必要な場合は、明示的に（例: 8192）まで増やしてください。課金はこの上限ではなく、実際に生成されたトークン数に基づきます。 | ❌  |
| `temperature`             | `float`          | サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。                                                      | ✅  |
| `max_concurrent_requests` | `int`            | 画像バッチに対する同時リクエスト数。指定しない場合、ブロックはWorkflows Execution Engineでグローバルに設定された値をデフォルトで使用します。レート制限に達する場合は制限してください。     | ❌  |
| `model_version`           | `str`            | 実行する Muse モデル。Spark 1.1、Spark 1.2、および Glimmer は、OpenRouter 上で現在画像対応の Muse チャットモデルです..                        | ✅  |
| `task_type`               | `str`            | モデルが実行するタスクタイプです。値によって必要なパラメータと出力レスポンスが決まります。                                                                | ❌  |
| `prompt`                  | `str`            | モデルに送信するテキストプロンプト。                                                                                           | ✅  |
| `output_structure`        | `Dict[str, str]` | 期待される JSON 応答の構造を持つ辞書。                                                                                       | ❌  |
| `classes`                 | `List[str]`      | 使用するクラスの一覧。                                                                                                  | ✅  |
| `reasoning_effort`        | `str`            | 推論予算。Muse モデルは推論の無効化を受け付けないため、これは常に effort として送信されます。Low は vlm-exam ベンチで使用される既定値です..                         | ❌  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`requires_internet` - エアギャップ／オフライン展開: このブロックは、完全オフライン／エアギャップ展開からは到達できないサービスに依存します。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `Meta` バージョン `v1` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `api_key` (*Union\[*[*`ROBOFLOW_MANAGED_KEY`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/roboflow-managed-key.md)*,* [*`secret`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/secret.md)*,* [*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*]*): OpenRouter API キー。既定では Roboflow の管理キーを使用します。ご自身の `sk-or-...` キーを使えば、Roboflowの課金を介さずにOpenRouterを直接呼び出せます。
  * `temperature` ([*`float`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): サンプリング温度。既定では未設定のままにして、プロバイダーの既定値を適用します。範囲は 0.0-2.0 です。
  * `images` ([*`image`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/image.md)) : 推論対象の画像。
  * `model_version` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 実行する Muse モデル。Spark 1.1、Spark 1.2、および Glimmer は、OpenRouter 上で現在画像対応の Muse チャットモデルです..
  * `prompt` ([*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): モデルに送信するテキストプロンプト。
  * `classes` ([*`list_of_values`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)): 使用するクラスの一覧。
* output
  * `output` (*Union\[*[*`string`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)*,* [*`language_model_output`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/language-model-output.md)*]*) : 文字列値、もし `string` 、またはLLM/VLMの出力、もし `language_model_output`.
  * `classes` ([`list_of_values`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/list-of-values.md)) : 任意の型の値のリスト。
  * `思考` ([`string`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/string.md)): 文字列値。

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/meta_vlm@v1",
	    "api_key": "rf_key:account",
	    "privacy_level": "<block_does_not_provide_example>",
	    "max_tokens": "<block_does_not_provide_example>",
	    "temperature": "<block_does_not_provide_example>",
	    "max_concurrent_requests": "<block_does_not_provide_example>",
	    "images": "$inputs.image",
	    "model_version": "Muse Spark 1.2",
	    "task_type": "<block_does_not_provide_example>",
	    "prompt": "私のプロンプト",
	    "output_structure": {
	        "my_key": "説明"
	    },
	    "classes": [
	        "class-a",
	        "class-b"
	    ],
	    "reasoning_effort": "<block_does_not_provide_example>"
	}
```

</details>
