Muse Spark Open виходить як відкрита вага флагманської моделі Meta Superintelligence Labs. Це 816B-параметровий Mixture-of-Experts з 42B активними параметрами на токен. Модель приймає текст, зображення, відео та аудіо, а повертає текст. Контекстне вікно сягає одного мільйона токенів. Команда Meta називає її найздатнішою відкритою вагою у США на сьогодні. Для розробників ключ — розгортання: збірка NVFP4 працює на двох Apple M5 Ultra Mac Studio. Ви отримуєте масштаб, мультимодальність і довгий контекст без закритих ваг.
Що таке Muse Spark Open і чому це важливо?
Muse Spark Open — нативно мультимодальна MoE-модель Meta для кодування й агентних сценаріїв. Вона обробляє текст, зображення, відео та аудіо, а відповідає текстом. Контекст в один мільйон токенів відкриває довгі завдання та тривалі ланцюжки дій. Команда Meta заявляє про найвищу спроможність серед відкритих ваг у США.
Ваги доступні у BF16 та NVFP4 на Hugging Face. Відкрита версія пройшла додаткове посттренування безпеки. Команда Meta стверджує, що це підвищує надійність без системних запобіжників. Це означає менше блокуючих фільтрів на рівні платформи.
У короткому переліку характеристик — 816B загальних і 42B активних параметрів. У контексті — 1M токенів. Серед сильних сторін — використання інструментів і надійність знань за внутрішніми таблицями. На коді модель показує середній рівень серед великих відкритих моделей.
Для розробників практичний прорив — розгортання на двох Mac Studio M5 Ultra. Збірка NVFP4 через MLX розподіляє шари між машинами. Це поєднує доступність десктопного заліза та продуктивність великих ваг. Готові перейти до архітектури?
«Muse Spark Open — найздатніша відкрита вага у США», — заявляє команда Meta.
Як влаштована архітектура і що означає MoE?
Архітектура — 62 шари, прихований розмір 8192, та MoE з 256 експертами. Маршрутизація top‑k активує вісім експертів на токен, забезпечуючи 42B активних параметрів. Увага — grouped‑query: 128 голів запиту і 16 KV‑голів. Окремий Перцепційний Енкодер на 1.8B параметрів обробляє візуальний ввід.
Словник містить 202,048 токенів. Навчальні дані охоплюють понад сто мов. Це підтримує мікси доменів і мультимодальність без окремих моделей. Використання MoE дає масштаб загальних параметрів без лінійного зростання обчислень на інференсі.
Глибина міркувань керується параметром reasoning_effort. Доступні значення: low, medium, high, xhigh. Значення за замовчуванням — xhigh. Це дозволяє підвищити якість там, де час відповіді не критичний.
Meta позиціонує модель для кодування і довгострокових агентних ланцюгів. Поєднання GQA, великого контексту та MoE служить цьому. Окремий енкодер сприйняття бере на себе вхідні зображення. Замислюєтесь, як це відображається на тестах?
Параметр «reasoning_effort»: low, medium, high або xhigh (дефолт — xhigh).
Як модель виступає на бенчмарках?
Сильні результати — у використанні інструментів і надійності знань. За MCP‑Atlas — 89.2, попереду Qwen3.8 (84.5) і GLM 5.3 (84.2). На JobBench — 61.8, трохи попереду GLM 5.3 (61.4). На HLE‑Diamond без інструментів — 26.1 проти 22.2 у Kimi K3. На AA Omniscience — 25, це найвищий показник у таблиці Meta.
З інструментами ZeroBench дає 50.0 проти 41.0 у Kimi K3. Водночас код — слабше місце. На Terminal‑Bench 2.1 з каркасом Terminus 2 модель має 76.4. Kimi K3 показує 85.0, GLM 5.3 — 83.9, Qwen3.8 — 82.0. Індекс Artificial Analysis Intelligence становить 39. Це нижче за GLM 5.3 (45), Kimi K3 (44) і Qwen3.8 (40).
Висновок простий: твердження про «найздатнішу у США» зберігається. Проте відкриті китайські моделі часто ведуть у сукупних оцінках. Деякі конкурентні результати — самозвітні. Методологія оцінювання вказує кожне джерело. На цьому тлі важить і простота розгортання.
MCP‑Atlas: 89.2. JobBench: 61.8. ZeroBench з інструментами: 50.0. Terminal‑Bench 2.1: 76.4. Індекс AAI: 39.
Яке обладнання потрібно і як запустити локально?
Ваги BF16 займають близько 1.6 ТБ, а NVFP4 — близько 530 ГБ. Для NVFP4 модельна картка радить щонайменше 700 ГБ VRAM. Для BF16 — близько 2 ТБ. Це задає планку для дата‑центрів і експериментів на робочих станціях.
У дата‑центрі NVFP4 запускається на чотирьох Blackwell Ultra або восьми H200. На десктопі працює збірка через MLX на двох Mac Studio M5 Ultra з 512 ГБ кожен. Машини з’єднані Thunderbolt 5 з RDMA. MLX виконує тензорний паралелізм, розбиваючи кожен шар між двома вузлами.
Для робочих станцій доступні Unsloth Dynamic GGUF до 2‑біт. Вони вміщуються приблизно у 300 ГБ сумарної пам’яті. У короткій характеристиці звучить просто: «запускається на двох Mac Studio». Це знижує бар’єр входу для довгого контексту та мультимодальності. Чи хочете знати, де ще можна запускати модель прямо зараз?
Працює на: 2 Mac Studio M5 Ultra (512 ГБ кожен) через MLX; або 4 Blackwell Ultra / 8 H200 у дата‑центрі.
Де запускати, як тюнити і що дозволяє ліцензія?
Доступні рушії першого дня: SGLang, vLLM, TensorRT‑LLM, Transformers, MLX, llama.cpp та Unsloth. Хостинг вже є на Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter і Together AI. OpenRouter публікує $1.25 за 1M вхідних і $4.25 за 1M вихідних токенів. Це дозволяє швидко перевірити роботу без власної інфраструктури.
Два драфт‑модулі прискорюють декодування: DFlash V2 для SGLang і DSpark для vLLM. Meta повідомляє про 3.7× пропускну здатність для одиночного запиту з DFlash V2 на AMD MI355X. Для тонкого налаштування підходять TorchTitan, Hugging Face TRL і NVIDIA NeMo AutoModel. Це покриває як інференс, так і адаптацію під домени.
Ліцензія Muse дозволяє використання, тюнінг, дистиляцію та редистрибуцію. Дві умови — ключові. По‑перше, продукти мають відображати «Built with Muse Spark Open». По‑друге, постачальникам Model‑as‑a‑Service з понад $20M виручки за 12 місяців потрібна окрема угода з Meta. Внутрішнє використання, дослідження і власні продуктові функції звільнені від цього пункту.
Порівняння з конкурентами чітке. Загальні параметри: Muse Spark Open — 816B, Kimi K3 — 2.8T, GLM 5.3 — 753B, Qwen3.8‑2.4T‑A95B — 2.4T. Активні параметри: 42B проти 104B, приблизно 40B і 95B відповідно. Контекст: 1M для Muse, Kimi і GLM; Qwen3.8 має нативно 262,144, до 1,010,000. Ввід: Muse приймає текст, зображення, відео, аудіо; Kimi — текст, зображення, відео; GLM і Qwen — текст. Випущені ваги: BF16 і NVFP4 у Muse; MXFP4 (QAT) у Kimi; BF16 і FP8 у GLM; BF16 у Qwen. Індекс AAI: 39 у Muse, 44 у Kimi, 45 у GLM, 40 у Qwen. Terminal‑Bench 2.1: 76.4 у Muse, 85.0 у Kimi, 83.9 у GLM, 82.0 у Qwen. MCP‑Atlas: 89.2 у Muse, 82.3 у Kimi, 84.2 у GLM, 84.5 у Qwen. Toolathlon Verified (vendor): 72.8 у Muse, 76.5 у Kimi, 73.0 у GLM, 72.5 у Qwen. HLE з інструментами (vendor): 61.0 у Muse, 56.0 у Kimi, 62.5 у GLM, 56.2 у Qwen. DeepSWE 1.1 (vendor, власний каркас): 60 у Muse, 67.5 у Kimi, 66.9 у GLM, 56.6 у Qwen. Desktop‑сетап у таблиці вказано лише для Muse: 2× M5 Ultra Mac Studio. Готові спробувати і перевірити свої кейси?
«Built with Muse Spark Open» — обов’язкове маркування готових продуктів.
На основі матеріалу Meta Superintelligence Labs.
