الخلاصة: أطلقت Meta نموذج Muse Spark Open في 15 أكتوبر 2026، وهو نموذج متعدد الوسائط بأوزان مفتوحة مصمم للبرمجة، واستخدام الأدوات، وسير عمل الوكلاء الذاتيين. يحتوي تقريبًا على 816 مليار معلمة إجمالًا، و42 مليار معلمة نشطة لكل رمز، ويدعم حتى مليون رمز كسياق، ما يجلب قدرات MoE واسعة النطاق إلى أوزان قابلة للتنزيل وخدمات استدلال مستضافة.
المعادلة الأساسية: ستحصل على تحكم في النشر والتخصيص، لكنك تتحمل تكاليف العتاد والترخيص والتقييم. تصف Meta هذا بأنه أكثر نموذج بأوزان مفتوحة قدرة في الولايات المتحدة. هذا الادعاء لا يعني أنه يتصدر كل معيار عالمي.
أهم النقاط
- يستخدم Muse Spark Open بنية MoE متناثرة بمعلمات إجمالية تقارب 816B و42B نشطة لكل رمز، ويدعم حتى 1M رمز سياق.
- يقبل Muse Spark Open مُدخلات نصوص وصور وصوت وفيديو، ويولّد مخرجات نصية.
- صُمم Muse Spark Open من Meta للبرمجة، والاستدلال، واستخدام الأدوات، وسير عمل الوكلاء متعدد الوسائط.
- توفر Meta نقاط تفتيش Muse Spark Open بصيغتي BF16 وNVFP4، بينما يقدم المجتمع متغيرات مكمّمة إضافية.
- الأوزان القابلة للتنزيل في Muse Spark Open لا تعني أنه مفتوح المصدر بلا قيود أو رخيص الاستضافة ذاتيًا.
ما هو Muse Spark Open؟ المواصفات ونظرة عامة
Muse Spark Open هو نموذج متعدد الوسائط واسع النطاق بأوزان مفتوحة من Meta. يستخدم بنية MoE متناثرة لمهام هندسة البرمجيات والوكلاء، بما في ذلك فحص المستودعات، وتحرير الشيفرة، واستخدام الأدوات، وتفسير الملاحظات البصرية أو الصوتية.
مواصفات Muse Spark Open
| المواصفة | مواصفات Muse Spark Open |
|---|---|
| المطوّر | Meta |
| تاريخ الإصدار | October 15, 2026 |
| البنية | Sparse Mixture of Experts (MoE) |
| إجمالي المعاملات | Approximately 816B |
| المعاملات النشطة | Approximately 42B per token |
| الخبراء/المختارون | 256 / 8 لكل طبقة MoE |
| طبقات المحوّل | 62 |
| نافذة السياق | Up to 1,048,576 tokens |
| المُدخلات | Text, images, audio, video |
| المخرجات | Text |
| نقاط التفتيش | BF16, NVFP4 |
| الاستدلال | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM, and Unsloth (Meta launch announcement) |
| الترخيص | Muse Model License |
يُظهر مخطط البنية المنشور مكوّنات النموذج.
ما الذي يستطيع Muse Spark Open فعله؟
بنية MoE متناثرة
تحتوي كل طبقة MoE على 256 خبيرًا وتوجّه كل رمز إلى ثمانية خبراء. تساعد التفعيلات المتناثرة على خفض الحساب مقارنة بتشغيل جميع معاملات 816B بكثافة، مع الحفاظ على سعة إجمالية كبيرة. لكنها لا تزيل الحاجة إلى ذاكرة لتخزين أوزان النموذج أو كلفة الاتصال في أنظمة التوازي بين الخبراء.
فهم متعدد الوسائط أصيل
يعالج نموذج واحد مُدخلات النصوص والصور والصوت والفيديو وينتج نصًا. يدعم ذلك سير عمل مثل تصحيح الأخطاء الموجّه بلقطات الشاشة، وفحص الواجهات، والمهام المعززة بالتفريغ النصي، ووكلاء المتصفح البصري. يقبل صورًا وصوتًا وفيديو كمُدخلات؛ ولا يولّد صورًا أو موسيقى أو فيديو كمخرجات.
وكلاء برمجة طويلة الأمد
تركّز Meta على إعادة الهيكلة متعددة الملفات، وتصحيح الأخطاء، واستدعاء الأدوات، والتنفيذ التكراري للوكلاء. تساعد نافذة السياق الطويلة الوكلاء على الاحتفاظ بالشيفرة المصدرية وتاريخ المهمة، لكن النجاح ما زال يعتمد على الاسترجاع، وصلاحيات الأدوات، والتحقق، وتوزيع المعلومات ذات الصلة عبر السياق.
الاستدلال واستخدام الأدوات
يدعم نظام الاستدلال بيئات جهد استدلال قابلة للتهيئة ومحولات لاستدعاءات الأدوات. يُعد جهد الاستدلال المنخفض خطًا أساسيًا عمليًا للمهام غير المكلفة؛ وقد تستحق سير العمل الأكثر تطلبًا ميزانيات استدلال أكبر، رهنًا بالتحسن المقاس في إكمال المهام.
كيف يؤدي Muse Spark Open على معايير الذكاء الاصطناعي؟
فيما يلي نتائج الإطلاق الواردة في بطاقة نموذج Meta، وليست قياسات أُجريت لهذا المقال. تحدد Meta xhigh لجهد الاستدلال، وtemperature 1.0، وtop_p 1.0، وتعطيل top_k. آليات كل معيار مهمة؛ والملخص لا يقدم تكوين عتاد كامل لإعادة إنتاج كل نتيجة.
| التقييم | نتيجة Meta المُعلنة | النطاق |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | فهرس مركّب لطرف ثالث أعادت Meta إنتاجه |
| Terminal-Bench 2.1 | 76.4 | Terminus 2 agent؛ تقييم برمجة يعتمد على آلية القياس |
| VideoMMEv2 | 61.5 | تقييم فيديو؛ ليس قياسًا لمعدل الإنتاجية |
تفسير معايير Muse Spark Open
تستخدم هذه القيم مقاييس مختلفة ولا ينبغي متوسطها. أعِد إنتاج سير عمل مستودعاتك وأدواتك بميزانيات متطابقة، وقواعد إيقاف، وإعدادات نموذج متطابقة. تتبّع الإكمال الناجح، وإعادات المحاولة، والزمن، والتكلفة الإجمالية؛ فدرجة معيار لا تثبت موثوقية الإنتاج.
كيف تنشره: محليًا، عبر API، وفي السحابة
اختر النشر المحلي للتحكم في الأوزان والبيانات، أو واجهة API مستضافة لتقييم سريع، أو نقطة نهاية سحابية مُدارة لخدمة مكرّسة. تحقّق من نقطة التفتيش المحددة، والمُدخلات المدعومة، وسياق الخدمة قبل اختيار المسار.
النشر المحلي
الذاكرة هي القيد الرئيسي للنشر المحلي. حسب عدد المعاملات الخام، تشغل أوزان BF16 وحدها نحو 1.6 TB؛ وتحدد إرشادات النشر من Meta ما لا يقل عن 2 TB من ذاكرة GPU لـ BF16 و700 GB لـ NVFP4؛ ويجب أيضًا أن تتسع المخازن وقت التشغيل وذاكرة KV cache. تمتلك تهيئات المجتمع المكمّمة بصمات مختلفة.
وُثّقت تهيئتان مختلفتان لـ Apple Silicon. يصف إعلان الإطلاق من Meta النشر عبر جهازي Mac Studio بمعالجين Apple M5 Ultra باستخدام MLX. وبصورة منفصلة، يورد قسم llama.cpp في مقال إطلاق Hugging Face تكميمًا بدقة 2-بت بمعايرة imatrix على Mac M3 Ultra بذاكرة 512 GB، مستخدمًا نحو 304 GB للنموذج وبمعدل توليد يقارب 18 رمزًا/ثانية. تشير هذه التقارير إلى عتاد وتكوينات استدلال مختلفة؛ ولا يثبت أيٌ منهما جودة متساوية عبر التكميمات.
| طريقة النشر | ميزة | ملاحظة |
|---|---|---|
| Apple Silicon / MLX | ذاكرة موحّدة، تحكم محلي | حدود الذاكرة والأداء |
| تكميم llama.cpp | نظام GGUF متاح | مقايضات في الدقة/الجودة |
| NVIDIA GPUs / SGLang | استدلال متوازي مُحسَّن لـ NVFP4 | عدة مسرّعات عالية الذاكرة |
| vLLM | تكاملات خدمة قابلة للتوسع | قيود الإضافات ونقاط التفتيش والعتاد |
| Hugging Face Inference Endpoints | بنية تحتية مُدارة | تكلفة استضافة مستمرة |
| مزود API مستضاف | إعداد أدنى | توافر المزود وبنود الخصوصية |
مثال: تقديم نقطة تفتيش Q2 عبر llama.cpp.
ثبّت مشغّل llama وابدأ نقطة تفتيش Q2 الكبيرة باستخدام وصفة llama.cpp المنشورة. يتطلب ذلك جهازًا ذا ذاكرة كبيرة متوافقة.
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
يتطلب هذا المثال ذاكرة كافية لنموذج مكمّم كبير جدًا؛ إنه ليس أمرًا مخصصًا لحاسوب محمول عادي. بمجرد بدء الخادم، يمكن استدعاء واجهته المتوافقة مع OpenAI باستخدام عميل متوافق.
الوصول عبر API مستضافة
استخدم مثال Groq أدناه لطلب API مستضاف. للنشر السحابي المخصص، توفر Hugging Face وصفة Inference Endpoints مُدارة. تحقّق من المثيل المحدد، وحد سياق نقطة النهاية، وتكاليف الاستضافة المستمرة قبل التزويد.
توثّق Groq وصولًا محدود المعاينة للمنظمات المعتمدة. ثبّت حزمة Python عبر pip install groq واضبط GROQ_API_KEY قبل تشغيل هذا الطلب النصي فقط.
from groq import Groq
client = Groq() # Reads GROQ_API_KEY from the environment
response = client.chat.completions.create(
model="meta-models/muse-spark-open",
messages=[{"role": "user", "content": "Explain MoE routing."}],
)
print(response.choices[0].message.content)
يتطلب هذا المثال وصول المعاينة ولم يُنفذ بحساب مدفوع لهذا المقال. توثّق Groq حاليًا نافذة سياق 131,072 رمزًا ودعم إدخال النص/الصورة؛ الخدمة المستضافة لا تتيح كل طرائق النموذج الأصلية.
كم تبلغ تكلفة Muse Spark Open؟
تحميل الأوزان والدفع لقاء الاستدلال سؤالان مختلفان. قد يفرض المزودون رسومًا لكل رمز مُدخل/مُخرج، أو على السعة المخصصة، أو على العتاد المخصص. يحمل النشر الذاتي تكاليف GPU والذاكرة والتخزين والكهرباء والعمليات والجهد الهندسي.
على سبيل التوضيح فقط، يفترض السيناريو التالي 1.25$ لكل 1M رمز مُدخل و4.25$ لكل 1M رمز مُخرج. هذه ليست أسعارًا موحدة مُتحققًا منها أو أسعار CometAPI.
| عبء العمل الإيضاحي | رموز الإدخال | رموز الإخراج | التكلفة المحسوبة |
|---|---|---|---|
| مهمة برمجة قصيرة | 10,000 | 2,000 | $0.0210 |
| مراجعة مستودع | 100,000 | 10,000 | $0.1675 |
| سير وكيل كبير | 500,000 | 50,000 | $0.8375 |
| تحليل بمليون رمز | 1,000,000 | 20,000 | $1.3350 |
الصيغة: estimated cost = input tokens / 1,000,000 × input unit rate + output tokens / 1,000,000 × output unit rate. يمكن للتخزين المؤقت والإعادات والبنية التحتية والرسوم الخاصة بالمزود تغيير الإجمالي.
هل Muse Spark Open مفتوح المصدر حقًا؟
على عكس خدمة API مغلقة بالأوزان فقط، يقدّم Muse Spark Open نقاط تفتيش لاستدلال يديره المطوّر. يمكن للمؤسسات مقارنة الأنظمة المُستضافة محليًا، والنشرات السحابية المخصصة، ونقاط النهاية المُدارة بناءً على الخصوصية والتخصيص والجودة وتكلفة التشغيل.
يُوزَّع Muse Spark Open كأوزان مفتوحة بموجب ترخيص Muse Model. لا تعني نقاط التفتيش القابلة للتنزيل حقوقًا مفتوحة المصدر بلا قيود. راجع شروط الترخيص الخاصة بإعادة التوزيع والمشتقات والإسناد وخدمات النماذج المستضافة قبل النشر.
على الفرق مراجعة النص الحالي للترخيص قبل استخدام الأوزان في منتجات مواجهة للعملاء، أو إعادة توزيع نقاط تفتيش معدلة، أو منح حقوق استخدام متسلسلة.
Muse Spark Open مقابل Muse Spark Hosted API
اختر Muse Spark Open عندما تحتاج إلى التحكم في أوزان النموذج والنشر. اختر واجهة API مستضافة عندما تريد استدلالًا مُدارًا دون تشغيل طبقة الخدمة.
هوية النموذج وطريقة النشر منفصلتان. Muse Spark Open إصدار بأوزان مفتوحة، بينما قد تقدم نقطة نهاية مستضافة إصدار Muse Spark مختلفًا. تحقّق من معرف النموذج الدقيق والإصدار قبل المقارنة. يُعد إعلان Muse Spark 1.1 من Meta مثالًا على نموذج Muse Spark مُتاح عبر Meta Model API.
| الجانب | Muse Spark Open | واجهة Muse Spark API المستضافة (مثل 1.3 Standard / Contributor) |
|---|---|---|
| الأوزان | مفتوحة (نقاط تفتيش BF16 وNVFP4 قابلة للتنزيل من Hugging Face، وغيرها) | مغلقة (لا أوزان منشورة) |
| الإصدار | Oct 15, 2026 | 1.3: Sep 2, 2026 (الإصدارات الأقدم 1.1/1.2 متاحة أيضًا) |
| الحجم/البنية | 816B معاملات إجمالية، ~42B نشطة لكل رمز (MoE: 256 خبيرًا، 8 نشطون) | غير مُفصح عنها علنًا (نفس الأساس كما في Open وفق تصريحات Meta) |
| السياق | 1M رموز | 1M رموز |
| الطرائق | نص، صورة، فيديو، صوت كمدخل؛ نص كمخرج | نص، صورة، فيديو، PDF (وأحيانًا صوت) كمدخل؛ نص كمخرج |
| التسعير (لكل 1M رمز) | Self-host: hardware cost only | Meta Standard: $1.25 input / $0.15 cached / $4.25 output Contributor: $0.10 / $0.002 / $0.20 (data used by Meta) |
| الوصول | Self-host | Meta Model API ， Muse Code، أو مجمّعات مثل CometAPI / OpenRouter |
| الترخيص/الشروط | Muse Model License (الاستخدام التجاري مسموح بشروط؛ خدمة نموذج على نطاق واسع بإيراد >$20M تتطلب اتفاقًا مع Meta؛ متطلبات إسناد) | شروط Meta الملكية؛ تتيح طبقة Contributor لـ Meta التدريب على بياناتك |
| الأمان/ما بعد التدريب | تدريب أمان إضافي للاستخدام المستقل دون حواجز Meta | متكامل مع حواجز نظام Meta |
يتشارك كل من Muse Spark Open وواجهة Muse Spark API المستضافة تركيز عائلة Muse Spark على البرمجة، والوكلاء، والمهام طويلة الأمد، والمُدخلات متعددة الوسائط (نص + صورة/فيديو/صوت/PDF)، واستدعاء الأدوات، ونافذة سياق 1M، لكنهما يختلفان جذريًا في التوزيع والوصول والتحكم.
فروقات عملية
- التحكم والخصوصية: يتيح الإصدار المفتوح الاستضافة الذاتية (يتطلب عتادًا كبيرًا: ~700 GB+ VRAM لـ NVFP4 أو ~2 TB لـ BF16) بحيث تبقى البيانات ضمن بنيتك. المستضاف يمرّر كل شيء عبر Meta أو المزود.
- التكلفة على النطاق: تتطلب الاستضافة الذاتية عتادًا أو سعة سحابية وتخزينًا وعمليات وجهدًا هندسيًا. تقلل واجهات API المستضافة هذه التكاليف البُنيوية لكنها تضيف رسوم استخدام وحصصًا وربما تكاليف إعادات. قارن التكلفة الإجمالية لعبء عملك بدل افتراض أن أحد الخيارين أرخص دائمًا.
- الميزات والأداء: كلاهما يدعم استدعاء الأدوات، ومستويات جهد الاستدلال (low/medium/high/xhigh)، ووكلاء البرمجة. تم ضبط Open للمتانة المستقلة؛ الإصدارات المغلقة تتكامل أكثر مع منتجات Meta (Muse Code، Meta AI). المعايير متقاربة؛ يُوضَع Open كأقوى نموذج بأوزان مفتوحة في الولايات المتحدة عند الإطلاق، بينما كان الإصدار المغلق 1.3 نقطة النهاية الإنتاجية الموصى بها قبل إطلاق Open.
- المرونة: يتيح Open الضبط الدقيق، والتكميم المخصص، والاستخدام المحلي/غير المتصل. المستضاف أبسط (دون بنية تحتية) ويتضمن طبقة Contributor الأرخص إن قبلت استخدام البيانات.
أيهما تختار؟
- فضّل Muse Spark Open عندما تحتاج إلى استضافة ذاتية، أو ضبط دقيق، أو نشرًا غير متصل/معزولًا، أو أقصى تحكم بالبيانات، أو تحكمًا أكبر في خدمة النموذج.
- فضّل واجهة Muse Spark API المستضافة (خاصة 1.3 Standard أو Contributor) لأبسط وصول رسمي، وتكامل Muse Code، وتكلفة أقل محتملة عبر Contributor، وبنية Meta المُدارة/الأمان.
- عبر مجمّع مثل CometAPI: مفيد للتبديل السهل، وفوترة موحّدة، ومقارنة الطرفين (ومنافسين) دون حسابات متعددة. تحقّق
CometAPI كمسار وصول بديل
يوفر CometAPI واجهة متوافقة مع OpenAI للنماذج المدعومة. يسرد كتالوجه Muse Wonder، والذي يمكن تقييمه كنموذج Meta منفصل. Muse Wonder ليس Muse Spark Open، وسرده لا يثبت أن Muse Spark Open متاح عبر CometAPI. أكّد معرف النموذج، والوصول، والمُدخلات المدعومة، وحد السياق، والأسعار الحالية قبل التكامل.
للتجربة الأولية، شغّل نفس المهام الممثلة على نقاط النهاية في قائمتك المختصرة وقارن الإكمال الناجح، والزمن، والتكلفة الإجمالية بما في ذلك الإعادات. استخدم CometAPI عندما تكون سهولة الوصول إلى عدة نماذج مدعومة هي الأولوية؛ واختر نقطة نهاية Muse Spark Open مُحقّقة عندما يتطلب الأمر هذا النموذج تحديدًا؛ واستضِف ذاتيًا عندما يبرّر التحكم على مستوى الأوزان الجهد التشغيلي.
ما استخدامات Muse Spark Open؟
- الأنسب: الفرق التي تبني وكلاء برمجة أو تحليلات واجهات متعددة الوسائط تستفيد من الوصول المباشر إلى أوزان النموذج.
- مشروط: الاستدلال المؤسسي الخاص وأبحاث تكييف النماذج، بشرط توفر بنية تحتية كافية، وقدرة تقييم، وترتيب ترخيص مناسب.
- للنماذج الأولية العرضية: ابدأ بواجهة API مستضافة لتجنب الالتزام ببنية تحتية مخصصة قبل التحقق من عبء العمل.
ما أبرز قيود Muse Spark Open؟
- الدردشة على حاسوب محمول عادي غير ملائمة: يتطلب الاستدلال بالحجم الكامل ذاكرة كبيرة حتى مع التفعيل المتناثر. فكّر في نموذج أصغر أو وصول مستضاف للاستخدامات الخفيفة.
- لا يدعم التوليد الإعلامي أصالةً: يُنتج النموذج نصًا، لذا يتطلب توليد الصور والموسيقى والفيديو نماذج أو أدوات منفصلة.
- تتأثر جودة الاستدلال ومعدل الإنتاجية بالتكميم والنشر المتوازي.
- يجب التحقق من الترخيص المخصص للنموذج للاستخدام التجاري المقصود.
- عروض الوكلاء ليست دليلًا على الأمان الإنتاجي غير المُراقب أو التنفيذ المتّسق للأدوات.
الأسئلة الشائعة
لماذا قد يرفض منفذ Muse Spark Open موجهًا طويلًا؟
تحقّق من حد السياق المُكوَّن للمنفذ، والحصة المحجوزة للإخراج، وطريقة احتساب رموز الوسائط المتعددة. الحد الأقصى لسياق النموذج ليس وعدًا بأن كل نشر يخدم هذا الطول. قلّص الطلب أو اختر نشرًا مضبوطًا صراحةً للطول المطلوب.
كيف تتحقق من صحة Muse Spark Open بعد التكميم؟
أعِد تشغيل مجموعة ثابتة من المهام الممثلة على نقاط التفتيش الأصلية والمكمّمة باستخدام نفس المطالبات والأدوات والميزانيات. قارن نجاح المهام، واستدعاءات الأدوات المشوهة، والتراجعات على المُدخلات الصعبة. ليس تسارع التوليد وحده دليلًا كافيًا لاعتماد نشر مكمّم.
ماذا تُسجّل عندما يفشل وكيل Muse Spark Open؟
سجّل نقطة التفتيش، وإصدار بيئة التشغيل، وإعدادات الاستدلال، وحجم المُدخل، ومخططات الأدوات، واستجابات الأدوات، وشرط الإيقاف. احذف الأسرار والبيانات الشخصية. فرّق بين أخطاء النموذج وإخفاقات الأدوات واقتصاص السياق حتى يغيّر الاختبار التالي المكوّن المعني.
كيف تُعدّ ميزانية تجربة Muse Spark Open؟
حدّد سقف إنفاق على مستوى المهمة وعددًا أقصى من الإعادات قبل تشغيل التقييم. سجّل إجمالي الاستخدام المفوتر والإكمالات الناجحة عبر التجربة بأكملها، بما في ذلك المحاولات الفاشلة. استخدم التكلفة المرصودة لكل نجاح لتقدير إنفاق الإنتاج.
الخلاصة
يقدّم Muse Spark Open طرحًا مُقنعًا للمؤسسات والمطورين الباحثين عن استدلال متعدد الوسائط على مستوى متقدم مع تحكم مباشر بأوزان النموذج. يميّزه مزيج 816B معاملات إجمالية، و42B نشطة لكل رمز، وسياق حتى 1M، وتدريب موجه للوكلاء عن إصدارات الدردشة الأبسط.
تعتمد قيمته العملية أقل على عدد المعاملات العنوانية وأكثر على الجودة المقاسة، وقابلية النشر، والملاءمة القانونية، والتكلفة لكل مهمة ناجحة. ابدأ بتقييم عبء عمل قابل لإعادة الإنتاج قبل التوسّع إلى الإنتاج.