> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tokios.com/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> Tokios exposes private local models through https://api.tokios.com using an outbound-only connector tunnel.
> Use 'connector' for the local tokios-connector process.
> Use 'deployment' for the public model name in the API model field.
> Use 'upstream model id' for the model served by Ollama, llama.cpp, vLLM, LM Studio, or another local backend.
> API keys use the prefix sk-tok-. Connector tokens use the prefix ct-tok-.

# Muse Spark Open 816B をローカルで実行する：ハードウェア、量子化、セットアップ

> Meta の Muse Spark Open は 816B/42B アクティブの MoE で、1M のコンテキスト、マルチモーダル入力（テキスト、画像、動画、音声）、フロンティア級のエージェント型コーディングスコアを備えています。ハードウェア、GGUF バリアント、セットアップを解説します。

> [!NOTE]
>
> Last verified: 2026-10-16

Muse Spark Openは、Meta Superintelligence Labsのフロンティアオープンウェイトモデルで、15日、2026年にリリースされた。これは**816Bの総パラメータ**と**トークンあたり約42Bのアクティブパラメータ**を持つ**エキスパート混合**トランスフォーマーで、1百万トークンのコンテキストウィンドウ、およびテキスト・画像・動画・音声のネイティブ入力に対応する。Metaは実際の開発者ワークフロー — マルチファイルのリファクタリング、長時間のデバッグセッション、ツール呼び出しのスキャフォールド — で学習を行い、エージェント型コーディングとツール使用のベンチマークでオープンウェイト分野をリードしている。

セルフホスティングにおいて重要な数字は**226 GB**である。これは2ビットGGUFのダウンロードサイズであり、このモデルがデータセンタークラスターではなく最大構成のMac Studioで動作する理由である。4ビットビルドは506 GB、フルBF16は約1.5 TBである。

> [!TIP]
>
> すでにこのモデルを動作させている場合は、[Tokiosに登録](/ja/setup/register-model.md)して、任意のクライアントから`https://api.tokios.com`としてアクセスできる。

## Muse Spark Openの概要

| プロパティ | Muse Spark Open 816B |
| - | - |
| Hugging Faceリポジトリ | [`meta-models/Muse-Spark-Open-816B-A42B`](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) |
| ライセンス | Muse Model License |
| アーキテクチャ | エキスパート混合トランスフォーマー — 層あたり256エキスパート、トークンあたり8アクティブ |
| パラメータ数 | 合計約816B、トークンあたり約42Bアクティブ |
| 層数 | 62 |
| 隠れ次元 | 8,192 |
| アテンション | グループ化クエリ — 128クエリヘッド、16 KVヘッド、ヘッド次元64、QK-norm、学習済み残差ゲート |
| コンテキストウィンドウ | 1,048,576トークン |
| 語彙 | 202,048トークン |
| モダリティ | テキスト、画像、動画、音声入力 — テキスト出力 |
| 言語 | 100+ |
| 推論 | 制御可能 — `low`、`medium`、`high`、`xhigh`（デフォルト`xhigh`） |
| ツール呼び出し | はい、ネイティブチャネルベースのチャットテンプレート（推論には`to=self`、最終回答には`to=user`） |
| 知覚エンコーダー | 1.8BパラメータViT、50層、14×14パッチ、2D RoPE、スパースアテンション |
| 音声エンコーダー | 畳み込みピラミッド、24 kHzモノの生波形、1トークン/80 ms |
| KVキャッシュ | トークンあたり約250 KB（BF16）、約266 GBでフル1Mコンテキスト |
| 学習 | 公開ソース、インターネットクロール、サードパーティ買収、Meta製品、合成データ、安全性ポストトレーニング |

出典：[MetaのMuse Spark Openブログ記事](https://huggingface.co/blog/meta-muse-spark-open)および[モデルカード](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B)。

## バリアントとモデルID

Unslothは2ビットから4ビットまでのGGUFビルドを公開している。MetaはBF16およびNVFP4（Blackwell）チェックポイントを公開している。MLXコミュニティはApple Silicon最適化量子化を提供している。

### GGUF（llama.cpp / Ollama互換）

| 量子化 | 概算サイズ | 備考 |
| - | - | - |
| `UD-IQ1_S` | 176 GB | 極端な圧縮、大幅な品質低下 |
| `UD-IQ1_M` | 209 GB | やや高精度 |
| `UD-IQ2_XXS` | 226 GB | Mac M3 Ultra 512 GBで約18 tok/sで動作 |
| `UD-IQ2_S` | 275 GB | |
| `UD-Q2_K_XL` | 311 GB | |
| `UD-IQ3_XXS` | 340 GB | |
| `UD-Q3_K_XL` | 401 GB | |
| `UD-Q4_K_XL` | 506 GB | 推奨 — 品質とサイズのバランスが最適 |

GGUF出典：[`unsloth/Muse-Spark-Open-816B-A42B-GGUF`](https://huggingface.co/unsloth/Muse-Spark-Open-816B-A42B-GGUF)。

### フルプレシジョンとBlackwell

| チェックポイント | サイズ | ハードウェアターゲット |
| - | - | - |
| BF16 (`meta-models/Muse-Spark-Open-816B-A42B`) | 約1.5 TB | 4ノード × 8× H200（TP=32） |
| NVFP4 (`meta-models/Muse-Spark-Open-816B-A42B-NVFP4`) | 約700 GB | シングルB200/GB300ノード |

### MLX（Apple Silicon）

| 量子化 | 概算RAM | 備考 |
| - | - | - |
| `oQ3e`（3ビット） | 約344 GB | 約21 tok/sの生成（M3 Ultra） |
| `oQ4e`（4ビット） | 約450 GB | |

MLX出典：[`mlx-community/Muse-Spark-Open-816B-A42B-oQ3e`](https://huggingface.co/mlx-community/Muse-Spark-Open-816B-A42B-oQ3e)および[`-oQ4e`](https://huggingface.co/mlx-community/Muse-Spark-Open-816B-A42B-oQ4e)。

## MoEのメモリ計算

MoEにはメモリの罠がある。ルーティングはトークンごとにパラメータの一部をアクティブにするが、**すべての**エキスパートウェイトが常駐し続ける。Muse Spark Openはトークンごとに42B（全体816B）をアクティブにするが、ロード必要なのはフルウェイトのフットプリントである。計算は以下の通り：

* 816Bパラメータ × 約0.5バイト（4ビット） ≈ **408 GB**のウェイト
* 約506 GB（`UD-Q4_K_XL`として出荷、埋め込み、知覚エンコーダー、音声エンコーダー、メタデータを含む）
* さらにKVキャッシュを加算 — トークンあたり約250 KB（BF16）、131Kコンテキストで約33 GB、フル1Mコンテキストで約266 GB

総パラメータのメモリコストを回避する方法はない。現実的なパスは積極的な量子化（2ビットで226 GBのMac Studio、4ビットで506 GBのマルチGPUボックス）またはBlackwell上のNVFP4である。アーキテクチャの仕組みについては[MoEルーティングとエキスパート並列化](/ja/concepts/moe-routing-and-expert-parallelism.md)を、ウェイトがGPUを超えた場合の変化については[メモリとオフローディング](/ja/concepts/memory-and-offloading.md)を参照。

## ハードウェア適合

判定は、モデルが完全に常駐（CPUオフローディングなし）し、適度なコンテキスト長であることを前提としている。

| ターゲット | GGUF Q2（226 GB） | GGUF Q4（506 GB） | NVFP4（約700 GB） | BF16（約1.5 TB） |
| - | - | - | - | - |
| Mac Studio M3/M4 Ultra（192 GB） | 入らない | 入らない | 入らない | 入らない |
| Mac Studio M3/M5 Ultra（512 GB） | 余裕あり | ぎりぎり | 入らない | 入らない |
| 2× Mac Studio M5 Ultra（クラスターMLX） | 余裕あり | 余裕あり | 入らない | 入らない |
| 8× RTX Pro 6000（各98 GB、合計784 GB） | 余裕あり | 余裕あり | 余裕あり（131K ctx） | 入らない |
| 8× H200（各141 GB、合計1,128 GB） | 余裕あり | 余裕あり | 余裕あり | ぎりぎり（1M ctx） |
| 4×8× H200（TP=32） | 余裕あり | 余裕あり | 余裕あり | 余裕あり |

512 GB Mac Studioでは2ビットGGUFが中程度のコンテキストの余裕を持って収まる。4ビットの506 GBビルドは単一の512 GBマシンではほとんど余裕がない — 実際に必要なコンテキストを計画しよう。サイズの計算方法については[あなたのGPUに合うモデルサイズは？](/ja/guides/model-fit.md)を参照。

> **[モデルを選んだ？接続しよう](/ja/quickstart.md)**
>
> 認証済みエンドポイント — `https://api.tokios.com` — インバウンドポート不要、約5分。

## 実行方法 — 初級から上級まで

**llama.cpp（GGUF）**

```bash macOS / Linux theme={"theme":{"light":"github-light","dark":"css-variables"}}
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf unsloth/Muse-Spark-Open-816B-A42B-GGUF:UD-Q4_K_XL
```

```powershell Windows theme={"theme":{"light":"github-light","dark":"css-variables"}}
winget install llama.cpp
llama serve -hf unsloth/Muse-Spark-Open-816B-A42B-GGUF:UD-Q4_K_XL
```

サーバーは`localhost:9931`にWeb UIとOpenAI互換エンドポイントを起動する。量子化タグを`UD-IQ2_XXS`に切り替えると、226 GBビルド（512 GB Mac向け）を使用できる。別のマシンからアクセスするには[llama.cppリモートアクセス](/ja/guides/llama-cpp-remote-access.md)を参照。

**vLLM（NVFP4、Blackwell）**

```bash theme={"theme":{"light":"github-light","dark":"css-variables"}}
export CKPT=meta-models/Muse-Spark-Open-816B-A42B-NVFP4
VLLM_PLUGINS=musespark1x_models,ptq_nvfp4 \
vllm serve "$CKPT" \
  --tensor-parallel-size 4 \
  --enable-expert-parallel \
  --max-model-len 131072 \
  --reasoning-parser musespark1x \
  --tool-call-parser musespark1x \
  --port 8000
```

これはBlackwell GPUでNVFP4チェックポイントをエキスパート並列化で提供する。`--tensor-parallel-size`と`--max-model-len`をハードウェアに合わせて調整する。[vLLMリモートアクセス](/ja/guides/vllm-remote-access.md)も参照。

**SGLang（NVFP4、Blackwell）**

```bash theme={"theme":{"light":"github-light","dark":"css-variables"}}
export CKPT=meta-models/Muse-Spark-Open-816B-A42B-NVFP4
uv run sglang_meta serve \
  --model-path "$CKPT" \
  --quantization modelopt_fp4 \
  --moe-runner-backend flashinfer_trtllm \
  --tp-size 4 --ep-size 4 \
  --port 30000
```

SGLangはFlashInfer TRT-LLM MoEバックエンドでBlackwell上のNVFP4チェックポイントをターゲットにする。現在の構文とチューニングについてはSGLangプロジェクトドキュメントを参照。

**MLX（Apple Silicon）**

```bash theme={"theme":{"light":"github-light","dark":"css-variables"}}
pip install mlx-lm
mlx_lm.generate --model mlx-community/Muse-Spark-Open-816B-A42B-oQ3e \
  --prompt "Explain convolutional networks like I am 5" \
  --max-tokens 5000
```

3ビットの`oQ3e`ビルドは約344 GBのユニファイドメモリを必要とし、約21 tok/sで動作する（M3 Ultra）。4ビットの`oQ4e`ビルドはより高品質だが約450 GBを必要とする。MetaはoMLXでクラスター化されたM5 Ultra搭載のMac Studioでのテストを報告している。

**Transformers（マルチGPU）**

```python theme={"theme":{"light":"github-light","dark":"css-variables"}}
from transformers import AutoModelForMultimodalLM, AutoTokenizer, DistributedConfig
import os

distributed_config = DistributedConfig(
    tp_size=int(os.environ["WORLD_SIZE"]),
    ep_size=int(os.environ["WORLD_SIZE"]),
)

model = AutoModelForMultimodalLM.from_pretrained(
    "meta-models/Muse-Spark-Open-816B-A42B",
    distributed_config=distributed_config,
)
tokenizer = AutoTokenizer.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B")

messages = [{"role": "user", "content": "Explain quantum physics."}]
inputs = tokenizer.apply_chat_template(
    messages,
    reasoning_effort="medium",
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device).to(model.dtype)

outputs = model.generate(**inputs, max_new_tokens=2000)
```

複数GPUにまたがる分散推論が必要。`WORLD_SIZE`をGPU数に設定する。BF16チェックポイントは全デバイスで約1.5 TBを必要とする。

### サンプリング設定

Metaは`temperature = 1.0`、`top_p = 1.0`、`top_k`無効を推奨している。推論努力はデフォルトで`xhigh` — シンプルなタスクではトークンを節約するために`high`または`medium`に下げる。推論を完全にオフにする方法はない。最短パスには`low`に設定する。

## ケーパビリティ

* **制御可能な推論。** チャットテンプレートで`reasoning_effort="low"`（または`medium`、`high`、`xhigh`）で努力を設定する。高い設定は回答前により多くのトークンを推論に費やす。モデルはチャネルベースのテンプレートを使用する：内部推論には`to=self`、最終回答には`to=user`。
* **フルマルチモーダル入力。** テキスト、画像、動画、音声のすべてが入力、テキストが出力される。知覚エンコーダーが視覚（1.8BパラメータViT）を処理し、別の畳み込みピラミッドが24 kHzモノの音声を処理する。
* **エージェント型コーディング。** Metaは実際の開発者ワークフローで学習：マルチファイルのリファクタリング、デバッグセッション、ツール呼び出しのスキャフォールド。MCP-Atlas（89.2）、DeepSWE 1.1（68）、Terminal-Bench 2.1（85.0）、Toolathlon Verified（76.5）でオープンウェイトモデルをリード。
* **ネイティブツール呼び出し。** チャットテンプレートはスキーマ準拠の構造化ツール呼び出しをサポートする。vLLMでは`--tool-call-parser musespark1x`またはランタイムの同等のオプションを使用する。
* **多言語。** 100+言語。

### ベンチマーク

Meta報告、`xhigh`推論努力、15日、2026年にリリースされたモデル。独立した再現はまだ存在しない — サードパーティ評価が出現するまで、これらはベンダーの主張として扱う。

| ベンチマーク | スコア | 最良競合 |
| - | - | - |
| MCP-Atlas | 89.2 | Qwen3.8（84.5） |
| DeepSWE 1.1 | 68 | GLM 5.3（67） |
| Terminal-Bench 2.1 | 85.0 | Qwen3.8（82.0） |
| SWE-Atlas-QnA | 66 | Mistral Large 4（59） |
| Toolathlon Verified | 76.5 | GLM 5.3（73.0） |
| GPQA Diamond | 93.5 | Qwen3.8（93.5） |
| HLE（ツール付き） | 62.5 | Qwen3.8（56.2） |
| HLE-Diamond（ツールなし） | 26.1 | Kimi K3（22.2） |
| JobBench | 61.8 | GLM 5.3（61.4） |
| OSWorld Verified | 80.4 | Kimi K3（84.8） |
| SciCode | 59.5 | GLM 5.3（59.0） |
| Artificial Analysis Intelligence Index | 39 | Beam（40） |

## Tokiosで接続する

専用ハードウェア上のフロンティアモデルは、ポートを公開せずにどこからでもアクセスしたいもの。Tokiosはランタイムの後に配置される。モデルのダウンロードやvLLMの置き換えは行わない。

**1. Keep your local runtime running**

vLLM、SGLang、llama.cpp、またはTransformersでMuse Spark Openを起動し、ループバック（または内部ネットワーク）にバインドしたままにする。

**2. Pair the Tokios connector**

以下のサイトでサインインし：[tokios.com/console](https://tokios.com/console)。**Setup**タブを開き、**Start pairing**をクリックしてワンタイムペアリングコード（`TKS-XXXX-XXXX`）を取得する。モデルが動作しているマシンでインストーラーを実行する：

```powershell Windows theme={"theme":{"light":"github-light","dark":"css-variables"}}
irm https://tokios.com/downloads/install/windows | iex; tokios-install -Code 'TKS-XXXX-XXXX'
```

```bash macOS theme={"theme":{"light":"github-light","dark":"css-variables"}}
curl -fsSL https://tokios.com/downloads/install/macos | sh -s -- --code TKS-XXXX-XXXX
```

```bash Linux theme={"theme":{"light":"github-light","dark":"css-variables"}}
curl -fsSL https://tokios.com/downloads/install/linux | sh -s -- --code TKS-XXXX-XXXX
```

次に、デバイスを**approve**する（**Setup**または**Connectors**タブ）。

**3. Register a deployment**

コンソールの[Models](https://tokios.com/console/models)タブで、アップストリームモデルID（例：`meta-models/Muse-Spark-Open-816B-A42B`）を`muse-spark`のような公開デプロイ名で登録する。クライアントは`model`フィールドにデプロイ名を送信し、ローカルIDは送信しない — そのため後で再量子化してもクライアント側は何も変更されない。

**4. Create an API key**

コンソールの[Keys](https://tokios.com/console/keys)タブで、**Create key**をクリックする。`sk-tok-…`キーを今すぐコピーする — 一度しか表示されない。

### どこからでも呼び出す

```bash curl (OpenAI-compatible) theme={"theme":{"light":"github-light","dark":"css-variables"}}
curl https://api.tokios.com/v1/chat/completions \
  -H "Authorization: Bearer sk-tok-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-spark",
    "stream": true,
    "messages": [
      {"role": "user", "content": "Audit this repository and propose a phased refactor."}
    ]
  }'
```

```bash Claude Code (Anthropic-compatible) theme={"theme":{"light":"github-light","dark":"css-variables"}}
export ANTHROPIC_BASE_URL=https://api.tokios.com
export ANTHROPIC_API_KEY=sk-tok-YOUR_KEY
claude --model muse-spark
```

## 注意事項

* **コンシューマーGPU向けモデルではない。** 最小の実用量子化（2ビットの226 GB）でも512 GB Mac Studioまたは同等のハードウェアが必要。推奨の4ビットビルドは506 GBを必要とする。ダウンロード前にハードウェアを計画しよう。
* **ベンチマークはベンダー報告。** Metaがリリース日に公開したもの。独立評価を待ってから、コーディングスコアを確定として扱うこと。
* **ライセンスはApache 2.0ではない。** Muse Spark Openは**Muse Model License**で提供され、[Muse Glimmer](/ja/models/muse-glimmer.md)のApache 2.0ライセンスとは異なる。構築前にライセンスを自身で確認すること。
* **Ollamaには未対応。** リリース日現在、OllamaはMuse Spark Openタグを公開していない。llama.cpp GGUFビルド、vLLM、SGLang、またはMLXを直接使用すること。
* **1Mコンテキストは上限であり目標ではない。** フルコンテキストでのKVキャッシュは約266 GB（BF16） — これはモデルウェイトに加算される。実際に必要なコンテキストにサイズを合わせること。
* **マルチモーダル入力はランタイムに依存。** Tokiosは画像、動画、音声コンテンツをアップストリームエンドポイントに透過的に渡す — ランタイムや量子化が欠く機能を追加しない。[サポートバックエンド](/ja/setup/supported-backends.md)を確認。
* **推論はオフにできない。** 最低設定は`low`で、それでも内部推論にトークンを費やす。最短の応答には`low`を使用し、オーバーヘッドを受け入れること。

## FAQ

> **How much memory does Muse Spark Open need?**
>
> 最小の実用ビルドは2ビットGGUFの226 GBで、Mac Studio M3/M5 Ultraの512 GBのユニファイドメモリで動作する。推奨の4ビットGGUFは506 GB。NVFP4は約700 GB（シングルB200ノード）。フルBF16は約1.5 TB（4ノードの8× H200 GPU）。透明な計算：816Bパラメータ × 約0.5バイト（4ビット）≈ 408 GBのウェイト、 plus 知覚エンコーダー、音声エンコーダー、埋め込み、オーバーヘッド。

> **Can Muse Spark Open run on a single GPU?**
>
> いいえ。最も積極的な2ビット量子化の226 GBでも、単一GPUのメモリを超える。実用的な単一マシンパスは、512 GB Mac Studio（llama.cpp経由のGGUF Q2）または8× GPUワークステーション（GGUF Q4またはNVFP4）。サイズの計算については[あなたのGPUに合うモデルサイズは？](/ja/guides/model-fit.md)を参照。

> **Is Muse Spark Open open source?**
>
> ウェイトは**Muse Model License**で公開されており、Apache 2.0でもMITでもない。Apache 2.0で提供される[Muse Glimmer](/ja/models/muse-glimmer.md)とは異なる。オープンウェイトとオープンソースは同じではない — 学習データとパイプラインは公開されていない。構築前にライセンスを自身で確認すること。

> **What is the difference between Muse Spark Open and Muse Glimmer?**
>
> Muse Glimmerは30Bのデンスモデルで、単一の24 GB GPUに収まる。Muse Sparkティーチャーから蒸留された。Muse Spark Openはティーチャーそのもの — 816B合計、42Bアクティブ、MoE、1Mコンテキスト、マルチモーダル（テキスト/画像/動画/音声）。Glimmerはコンシューマーハードウェア向け、Spark Openはワークステーションおよびサーバークラスハードウェア向け。Museアーキテクチャの系譜を共有するが、スケール、ケーパビリティ、ハードウェア要件が異なる。

> **Can I use Ollama with Muse Spark Open?**
>
> まだできない。15日、2026年のリリース時点で、OllamaはMuse Spark Openタグを公開していない。llama.cpp GGUFビルド（`llama serve -hf unsloth/Muse-Spark-Open-816B-A42B-GGUF:UD-Q4_K_XL`）、vLLM、SGLang、またはMLXを使用すること。Ollamaサポートは後に続く可能性がある — [ollama.com/library](https://ollama.com/library)で更新を確認。

> **How do I control how much Muse Spark Open thinks?**
>
> チャットテンプレートまたはAPI呼び出しで`reasoning_effort`を`low`、`medium`、`high`、`xhigh`（デフォルト）に設定する。高い設定は回答前により多くのトークンを推論に費やす。推論を完全にオフにする方法はない — `low`が最小値。これはTokiosにも透過的に渡される — API呼び出しパラメータで設定する。

> **Is Muse Spark Open better than Kimi K3 or GLM 5.3?**
>
> Meta独自のベンチマークはKimi K3、GLM 5.3、Qwen3.8などとの比較で、ほとんどのエージェント型およびコーディングタスクでMuse Spark Openを有利としている。しかしこれらはリリース日のベンダー実行数値である。これらのモデルはすべて重大なハードウェア（マルチGPUまたは512 GB+ユニファイドメモリ）を必要とするため、実践的な答えはそれぞれをサービスして実際のワークロードをテストすること — [Kimi](/ja/models/kimi.md)、[GLM](/ja/models/glm.md)、[Qwen3.8](/ja/models/qwen3.8.md)も参照。

> **Can I fine-tune Muse Spark Open?**
>
> Metaはアテンション層のみのLoRAファインチューニングを文書化している（エキスパートは凍結のまま）。64 GPU（8ノード × 8× H100）が必要。学習設定はエキスパート並列化付きFSDPを使用する。完全なファインチューニングレシピと`DistributedConfig`の設定についてはモデルカードを参照。

> **[Muse Glimmer](/ja/models/muse-glimmer.md)**
>
> 30Bデンス兄弟 — 単一の24 GB GPUに収まる。同じMuse系譜、コンシューマーハードウェア。

> **[MoEルーティングとエキスパート並列化](/ja/concepts/moe-routing-and-expert-parallelism.md)**
>
> エキスパート混合モデルがトークンをルーティングする方法とGPU間で並列化する方法。

> **[ローカルモデルでのコーディングエージェント](/ja/guides/coding-agents-local-models.md)**
>
> Claude Code、Cline、またはAiderを自分でホストするモデルに向ける。

> **[GPUに合うサイズは？](/ja/guides/model-fit.md)**
>
> モデルとコンテキストをVRAMまたはユニファイドメモリに合わせる。

> **[Llama 4](/ja/models/llama-4.md)**
>
> Metaのもう一つのオープンウェイトライン、17Bアクティブでも67 GB必要な理由。

> **[クイックスタート](/ja/quickstart.md)**
>
> コネクターをペアリングし、最初のモデルを登録する。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.