TL;DR: Meta は 2026 年 10 月 15 日に Muse Spark Open をリリースし、コーディング、ツール利用、オートノマスエージェントのワークフロー向けに設計されたオープンウェイトのマルチモーダルモデルを公開しました。総パラメータ約 8,160 億、トークンあたり有効パラメータ 420 億、最大 100 万トークンのコンテキストに対応し、ダウンロード可能なモデルウェイトおよびホスト推論サービスに大規模 MoE 機能をもたらします。
本質的なトレードオフは、デプロイメントとカスタマイズのコントロールを得る代わりに、ハードウェア、ライセンス、評価のコストを負担する点にあります。Meta はこれを米国で最も高性能なオープンウェイトモデルと称しています。これはすべてのグローバルベンチマークで首位を意味するものではありません。
重要ポイント
- Muse Spark Open はスパースな Mixture-of-Experts アーキテクチャを採用し、総パラメータ約 816B、トークンあたり有効パラメータ約 42B、最大 1M トークンのコンテキストに対応します。
- Muse Spark Open はテキスト、画像、音声、動画入力を受け付け、テキスト出力を生成します。
- Meta は Muse Spark Open をコーディング、推論、ツール利用、マルチモーダルエージェントのワークフロー向けに設計しました。
- Meta は BF16 と NVFP4 形式の Muse Spark Open チェックポイントを提供し、コミュニティプロジェクトからは追加の量子化版が提供されています。
- Muse Spark Open のダウンロード可能なウェイトは、無制限のオープンソースや低コストのセルフホストを意味するものではありません。
Muse Spark Open とは？仕様と概要
Muse Spark Open は Meta の大規模オープンウェイト・マルチモーダルモデルです。スパース MoE アーキテクチャを採用し、リポジトリ検査、コード編集、ツール利用、視覚・音声観測の解釈など、ソフトウェアエンジニアリングやエージェント的タスクに対応します。
Muse Spark Open の仕様
| 仕様 | Muse Spark Open の仕様 |
|---|---|
| 開発者 | Meta |
| リリース日 | October 15, 2026 |
| アーキテクチャ | スパース Mixture of Experts (MoE) |
| 総パラメータ数 | 約 816B |
| 有効パラメータ数 | トークンあたり約 42B |
| エキスパート数 / 選択数 | 256 / MoE レイヤーあたり 8 |
| Transformer レイヤー数 | 62 |
| コンテキストウィンドウ | 最大 1,048,576 トークン |
| 入力 | テキスト、画像、音声、動画 |
| 出力 | テキスト |
| チェックポイント | BF16, NVFP4 |
| 推論 | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM, および Unsloth (Meta のローンチ発表) |
| ライセンス | Muse Model License |
公開されたアーキテクチャ図はモデルの構成要素を示しています。
Muse Spark Open は何ができるのか？
スパース MoE アーキテクチャ
各 MoE レイヤーは 256 のエキスパートを持ち、トークンを 8 つにルーティングします。スパース活性化は、全 816B パラメータを密に実行する場合に比べて計算を削減しつつ、大容量を維持します。これはモデルウェイトの格納に必要なメモリやエキスパート並列システムの通信オーバーヘッドを取り除くものではありません。
ネイティブなマルチモーダル理解
単一のモデルでテキスト、画像、音声、動画入力を処理し、テキストを生成します。これにより、スクリーンショットに基づくデバッグ、インターフェース検査、文字起こし支援タスク、ビジュアルブラウザエージェントなどのワークフローが可能になります。画像、音声、動画を入力として受け付けますが、画像、音楽、動画の出力生成には対応していません。
長期的なコーディングエージェント
Meta は複数ファイルのリファクタリング、デバッグ、ツール呼び出し、反復的なエージェント実行を強調しています。長いコンテキストウィンドウは、エージェントがソースコードやタスク履歴を保持するのに役立ちますが、成功は依然としてリトリーバル、ツール権限、検証、コンテキスト全体における関連情報の分布に依存します。
推論とツール利用
推論エコシステムは、構成可能な推論負荷とツールコールのパーサーをサポートします。低い推論負荷は低コストなタスクの実用的な基準となります。より要求の厳しいワークフローでは、タスク完了の改善が計測される範囲で、より大きな推論予算を検討する価値があります。
Muse Spark Open は AI ベンチマークでどう評価されるか？
以下は Meta のモデルカードに記載されたローンチ時点の結果であり、本記事で独自測定したものではありません。Meta は xhigh の reasoning effort、temperature 1.0、top_p 1.0、top_k 無効化を指定しています。ベンチマーク固有のハーネスは重要であり、すべてのスコアを再現するための完全なハードウェア構成は要約には記載されていません。
| 評価 | Meta 報告値 | 範囲 |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | Meta により再現されたサードパーティ複合指標 |
| Terminal-Bench 2.1 | 76.4 | Terminus 2 エージェント；ハーネス依存のコーディング評価 |
| VideoMMEv2 | 61.5 | 動画評価；スループット測定ではない |
Muse Spark Open のベンチマークの解釈
これらの値はスケールが異なるため平均すべきではありません。同一の予算、停止規則、モデル設定で自分のリポジトリやツールのワークフローを再現してください。成功率、再試行、レイテンシ、総コストを追跡しましょう。ベンチマークスコアは本番の信頼性を保証しません。
デプロイ方法：ローカル、API、クラウド
ウェイトとデータのコントロールが必要ならローカルデプロイ、迅速な評価ならホスト型 API、専用サービングならマネージドクラウドエンドポイントを選びます。選択前に、チェックポイント、対応入力、サービングのコンテキストを正確に確認してください。
ローカルデプロイ
ローカルデプロイの主な制約はメモリです。生のパラメータ数に基づくと、BF16 ウェイトだけで約 1.6 TB を占めます。Meta のデプロイガイダンスでは BF16 で少なくとも 2 TB、NVFP4 で 700 GB の GPU メモリを指定しており、ランタイムのバッファや KV キャッシュも収まる必要があります。コミュニティの量子化構成はフットプリントが異なります。
2 つの異なる Apple Silicon 構成が文書化されています。Meta のローンチ発表は、MLX を用いた 2 台の Apple M5 Ultra Mac Studio マシンへのデプロイを説明しています。別途、Hugging Face のローンチ記事の Llama.cpp セクションでは、512 GB の Mac M3 Ultra での imatrix 校正済み 2bit 量子化の報告があり、モデルに約 304 GB を使用し、約 18 トークン/秒で生成しています。これらは異なるハードウェアと推論構成に基づく報告であり、量子化間で品質が同等であることを示すものではありません。
| デプロイメント | 利点 | 留意点 |
|---|---|---|
| Apple Silicon / MLX | ユニファイドメモリ、ローカル制御 | メモリと性能の制約 |
| llama.cpp 量子化 | 利用しやすい GGUF エコシステム | 精度/品質のトレードオフ |
| NVIDIA GPUs / SGLang | NVFP4 最適化の並列推論 | 大容量メモリのアクセラレータが複数必要 |
| vLLM | スケーラブルなサービング統合 | プラグイン、チェックポイント、ハード制約 |
| Hugging Face Inference Endpoints | マネージドインフラ | 継続的なホスティングコスト |
| ホスト型 API プロバイダ | 最小限のセットアップ | プロバイダの可用性とプライバシー条件 |
例：llama.cpp で Q2 チェックポイントを提供する。
llama ランタイムをインストールし、公開された llama.cpp レシピに従って大型の Q2 チェックポイントを起動します。これは高メモリマシンが必要です。
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
この例は非常に大きな量子化モデルに十分なメモリを必要とします。一般的なノート PC 向けのコマンドではありません。サーバが起動したら、その OpenAI 互換インターフェースを対応クライアントから呼び出せます。
ホスト型 API アクセス
以下の Groq の例を用いてホスト型 API リクエストを行います。専用クラウドデプロイには、Hugging Face がマネージド Inference Endpoints のレシピを提供しています。プロビジョニング前に、選択するインスタンス、エンドポイントのコンテキスト上限、継続的なホスティング料金を確認してください。
Groq は承認済み組織向けの限定プレビューアクセスを文書化しています。pip install groq で Python SDK をインストールし、実行前に GROQ_API_KEY を設定して、以下のテキスト専用リクエストを実行します。
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)
この例にはプレビューアクセスが必要であり、本記事では有料アカウントでの実行は行っていません。Groq は現在、131,072 トークンのコンテキストウィンドウとテキスト/画像入力を文書化しています。ホストサービスはすべてのネイティブモデルのモダリティを公開しているわけではありません。
Muse Spark Open のコストはどのくらい？
ウェイトのダウンロードと推論の支払いは別問題です。プロバイダは入力/出力トークン単価、プロビジョニング済みキャパシティ、専用ハードウェアなどで課金する場合があります。セルフホストでは GPU、メモリ、ストレージ、電力、運用、エンジニアリング工数がかかります。
参考として、以下のシナリオでは 100 万入力トークンあたり $1.25、100 万出力トークンあたり $4.25 を仮定しています。これは普遍的または CometAPI の料金として検証されたものではありません。
| 例示的なワークロード | 入力トークン | 出力トークン | 計算された料金 |
|---|---|---|---|
| 短いコーディングタスク | 10,000 | 2,000 | $0.0210 |
| リポジトリレビュー | 100,000 | 10,000 | $0.1675 |
| 大規模エージェント | 500,000 | 50,000 | $0.8375 |
| 100 万トークン分析 | 1,000,000 | 20,000 | $1.3350 |
式: 推定コスト = 入力トークン / 1,000,000 × 入力単価 + 出力トークン / 1,000,000 × 出力単価。キャッシング、再試行、インフラ、プロバイダ固有の料金により合計は変動します。
Muse Spark Open は本当にオープンソースか？
クローズドウェイトの API 専用サービスとは異なり、Muse Spark Open は開発者管理の推論向けチェックポイントを提供します。組織は、プライバシー、カスタマイズ、品質、運用コストに基づいて、ローカルホスト、専用クラウドデプロイ、マネージドエンドポイントを比較できます。
Muse Spark Open は Muse Model License の下でオープンウェイトとして配布されています。ダウンロード可能なチェックポイントは、無制限のオープンソース権を意味しません。再配布、派生物、帰属、ホスト型モデルサービスに関するライセンス条件をデプロイ前に確認してください。
チームは、顧客向け製品でウェイトを使用する、修正済みチェックポイントを再配布する、下流の使用権を約束するなどの場合、最新のライセンス文面を確認すべきです。
Muse Spark Open と Muse Spark Hosted API の比較
モデルウェイトとデプロイをコントロールする必要がある場合は Muse Spark Open、サービングスタックの運用なしで管理された推論を望む場合はホスト型 API を選びます。
モデルの同一性とデプロイ方法は別問題です。Muse Spark Open はオープンウェイトのリリースであり、ホスト型エンドポイントは別の Muse Spark バージョンを提供する場合があります。比較の前に、正確なモデル ID とバージョンを確認してください。Meta の Muse Spark 1.1 発表は、Meta Model API を通じて提供された Muse Spark モデルの一例です。
| 側面 | Muse Spark Open | Hosted Muse Spark API (例: 1.3 Standard / Contributor) |
|---|---|---|
| ウェイト | オープン（Hugging Face などから BF16 & NVFP4 チェックポイントをダウンロード可能） | クローズド（ウェイト非公開） |
| リリース | Oct 15, 2026 | 1.3: Sep 2, 2026（以前の 1.1/1.2 も利用可） |
| サイズ/アーキテクチャ | 総 816B パラメータ、トークンあたり ~42B 有効（MoE: 256 エキスパート、8 有効） | 非公開（Meta の発言によれば Open と同一ベース） |
| コンテキスト | 1M トークン | 1M 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 | テキスト、画像、動画、PDF（場合により音声）入力；テキスト出力 |
| 価格（100 万トークン） | 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) |
| アクセス | セルフホスト | Meta Model API ， Muse Code, or aggregators like CometAPI / OpenRouter |
| ライセンス/利用規約 | Muse Model License（商用利用は条件付きで可；大規模な Model-as-a-Service で >$20M の収益は Meta との合意が必要；帰属要件） | Meta の専用規約；Contributor ティアでは Meta があなたのデータで学習可能 |
| セーフティ/後処理学習 | Meta のガードレールなし単体利用でも安定するよう追加のセーフティ後処理学習 | Meta のシステムガードレールと統合 |
Muse Spark Open と ホスト型 Muse Spark API は、コーディング、エージェント、長期タスク、マルチモーダル入力（テキスト + 画像/動画/音声/PDF）、ツール呼び出し、1M トークンのコンテキストという Muse Spark ファミリの焦点を共有しつつ、配布、アクセス、コントロールの点で本質的に異なります。
実務上の違い
- コントロールとプライバシー: Open はセルフホストを可能にします（NVFP4 で約 700 GB+、BF16 で約 2 TB の VRAM が必要）。データは自社インフラ内に留まります。Hosted はすべてを Meta またはプロバイダ経由でルーティングします。
- スケール時のコスト: セルフホストはハードウェアまたはクラウドキャパシティ、ストレージ、運用、エンジニアリング時間を要します。Hosted API はそれらのインフラコストを減らしますが、使用料、クォータ、再試行コストが追加されます。どちらが常に安いと決めつけず、ワークロード全体の総コストを比較してください。
- 機能と性能: 両者ともツールコール、推論負荷レベル（low/medium/high/xhigh）、エージェント的コーディングをサポート。Open はスタンドアロンの堅牢性に調整され、Closed 版は Meta 製品（Muse Code、Meta AI）とより密に統合されています。ベンチマークは拮抗しており、Open はリリース時点で最強の米国オープンウェイトモデルとして位置付けられ、Closed の 1.3 は Open 登場前の推奨本番エンドポイントでした。
- 柔軟性: Open はファインチューニング、カスタム量子化、ローカル/オフライン利用を可能にします。Hosted は（インフラ不要で）より簡単で、データ利用に同意する場合は低価格の Contributor ティアが含まれます。
どちらを選ぶべきか？
- Muse Spark Open を優先: セルフホスト、ファインチューニング、オフラインやエアギャップ環境、データコントロール最大化、サービング制御の強化が必要な場合。
- ホスト型 Muse Spark API（特に 1.3 Standard または Contributor）: 公式アクセスを最も簡単に得たい、Muse Code 連携、Contributor による低コストの可能性、Meta 管理のインフラ/セーフティを望む場合。
- CometAPI のようなアグリゲータ経由: 簡易な切り替え、統合課金、両者（および競合）を複数アカウントなしで比較するのに有用。Verify
CometAPI は代替アクセス手段
CometAPI は対応モデル向けに OpenAI 互換インターフェースを提供します。カタログには Muse Wonder が掲載されており、別の Meta モデルとして評価できます。Muse Wonder は Muse Spark Open ではなく、その掲載は Muse Spark Open が CometAPI から利用可能であることを示すものではありません。統合前に、モデル ID、アクセス、対応入力、コンテキスト上限、現在の料金を確認してください。
パイロットでは、代表的な同一タスクを候補エンドポイントに対して実行し、成功率、レイテンシ、再試行を含む総コストを比較してください。複数モデルに容易にアクセスすることを優先するなら CometAPI を、正確に Muse Spark Open が必要なら検証済みのエンドポイントを、ウェイトレベルのコントロールが運用労力を正当化するならセルフホストを選びましょう。
Muse Spark Open は何に使われる？
- 最適: モデルウェイトへの直接アクセスが有利な、コーディングエージェントやマルチモーダル UI 解析ワークフローを構築するチーム。
- 条件付き: 十分なインフラ、評価能力、適切なライセンス手配がある場合の、プライベートなエンタープライズ推論やモデル適応研究。
- プロトタイプが時々: 専用インフラへコミットする前にワークロードを検証するため、ホスト型 API から始めましょう。
Muse Spark Open の主な制約は？
- 一般的なノート PC でのチャットには不向き: フルサイズの推論には、スパース活性化があっても相当なメモリが必要です。軽量用途には小型モデルやホスト型アクセスを検討してください。
- ネイティブなメディア生成は非対応: モデルはテキストを出力するため、画像、音楽、動画の生成には別のモデルやツールが必要です。
- 推論品質とスループットは量子化や並列デプロイに敏感です。
- カスタムモデルライセンスは意図する商用利用に対して確認が必要です。
- エージェントのデモは、無人の本番運用の安全性や一貫したツール実行の証拠にはなりません。
FAQ
なぜ Muse Spark Open のエンドポイントが長文プロンプトを拒否することがあるのか？
エンドポイントの設定コンテキスト上限、出力用の予約バジェット、マルチモーダルのトークン計数を確認してください。モデルの最大ウィンドウは、すべてのデプロイがその長さを提供することを約束するものではありません。リクエストを短縮するか、必要なコンテキストに明示的に対応したデプロイを選びましょう。
量子化後の Muse Spark Open をどう検証すべきか？
同一のプロンプト、ツール、予算で、代表タスクの固定セットを元のチェックポイントと量子化版の両方に対して再実行します。タスク成功、誤形成のツールコール、難しい入力での回帰を比較してください。生成が速いだけでは量子化デプロイ承認の根拠として不十分です。
Muse Spark Open のエージェントが失敗した際に何をログすべきか？
チェックポイント、ランタイムのバージョン、推論設定、入力サイズ、ツールスキーマ、ツールの応答、停止条件を記録します。秘密情報や個人データはマスクしてください。モデルのエラー、ツールの失敗、コンテキスト切り詰めを区別し、次のテストで関連コンポーネントを変更できるようにします。
Muse Spark Open のパイロット予算はどう立てるべきか？
評価前に、タスク単位の支出上限と最大再試行回数を設定します。失敗した試行も含め、パイロット全体の課金使用量と成功数を記録しましょう。観測された成功あたりコストを用いて本番支出を見積もります。
結論
Muse Spark Open は、最先端規模のマルチモーダル推論を、モデルウェイトの直接制御とともに求める企業や開発者にとって魅力的な選択肢です。総 816B パラメータ、トークンあたり 42B の有効パラメータ、最大 1M のコンテキスト、エージェント志向の学習という組み合わせは、より単純なチャット志向のリリースと一線を画します。
その実用価値は、看板のパラメータ数よりも、計測された品質、デプロイの実現可能性、法的適合性、タスク成功あたりコストに左右されます。スケールする前に、再現可能なワークロード評価から始めましょう。