TL;DR: Meta melancarkan Muse Spark Open pada 15 Oktober 2026, memperkenalkan model multimodal open-weight yang direka untuk pengkodan, penggunaan alat, dan aliran kerja ejen autonomi. Dengan kira-kira 816 bilion jumlah parameter, 42 bilion parameter aktif per token, dan sehingga satu juta token konteks, keluaran ini membawa keupayaan MoE berskala besar kepada berat model yang boleh dimuat turun dan perkhidmatan inferens dihoskan.
Pertukaran teras: anda memperoleh kawalan ke atas penggelaran dan penyesuaian, tetapi anda menanggung kos perkakasan, pelesenan, dan penilaian. Meta menyebutnya model open-weight paling berkeupayaan di AS. Dakwaan itu tidak bermaksud ia berada di tempat pertama pada setiap penanda aras global.
Perkara Utama
- Muse Spark Open menggunakan seni bina Mixture-of-Experts jarang (MoE) dengan kira-kira 816B jumlah parameter dan 42B parameter aktif per token, serta menyokong sehingga 1M token konteks.
- Muse Spark Open menerima input teks, imej, audio, dan video, serta menjana output teks.
- Meta mereka bentuk Muse Spark Open untuk pengkodan, penaakulan, penggunaan alat, dan aliran kerja ejen multimodal.
- Meta menyediakan checkpoint Muse Spark Open dalam format BF16 dan NVFP4, manakala projek komuniti menawarkan varian kuantisasi tambahan.
- Berat boleh dimuat turun Muse Spark Open tidak menjadikannya sumber terbuka tanpa sekatan atau murah untuk dihoskan sendiri.
Apakah Muse Spark Open? Spesifikasi dan Gambaran Umum
Muse Spark Open ialah model multimodal open-weight berskala besar daripada Meta. Ia menggunakan seni bina MoE jarang untuk kejuruteraan perisian dan tugas ejenik, termasuk pemeriksaan repositori, penyuntingan kod, penggunaan alat, dan interpretasi pemerhatian visual atau audio.
Spesifikasi Muse Spark Open
| Spesifikasi | Spesifikasi Muse Spark Open |
|---|---|
| Pembangun | Meta |
| Tarikh keluaran | 15 Oktober 2026 |
| Seni bina | Sparse Mixture of Experts (MoE) |
| Jumlah parameter | Kira-kira 816B |
| Parameter aktif | Kira-kira 42B per token |
| Pakar / pakar terpilih | 256 / 8 per lapisan MoE |
| Lapisan Transformer | 62 |
| Tetingkap konteks | Sehingga 1,048,576 token |
| Input | Teks, imej, audio, video |
| Output | Teks |
| Checkpoints | BF16, NVFP4 |
| Inferens | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM, dan Unsloth (pengumuman pelancaran Meta) |
| Lesen | Muse Model License |
Rajah seni bina yang diterbitkan menunjukkan komponen model.
Apakah Yang Boleh Dilakukan oleh Muse Spark Open?
Seni Bina MoE Jarang
Setiap lapisan MoE menawarkan 256 pakar dan merutekan satu token kepada lapan pakar. Pengaktifan jarang membantu mengurangkan pengiraan berbanding menjalankan semua 816B parameter secara padat, sambil mengekalkan kapasiti keseluruhan yang besar. Ia tidak menghapuskan memori yang diperlukan untuk menyimpan berat model atau lebihan komunikasi sistem selari pakar.
Kefahaman Multimodal Asli
Satu model memproses input teks, imej, audio, dan video serta menghasilkan teks. Ini menyokong aliran kerja seperti nyahpepijat berpandukan tangkapan skrin, pemeriksaan antara muka, tugas yang dibantu transkripsi, dan ejen pelayar visual. Ia menerima imej, audio, dan video sebagai input; ia tidak menghasilkan imej, muzik, atau video sebagai output.
Ejen Pengkodan Jangka Panjang
Meta menekankan penyusunan semula berbilang fail, nyahpepijat, pemanggilan alat, dan pelaksanaan ejen berulang. Tetingkap konteks yang panjang membantu ejen mengekalkan kod sumber dan sejarah tugas, tetapi kejayaan masih bergantung pada pengambilan, kebenaran alat, pengesahan, dan taburan maklumat berkaitan merentas konteks.
Penaakulan dan Penggunaan Alat
Ekosistem inferens menyokong usaha penaakulan boleh dikonfigurasi dan penghurai pemanggilan alat. Usaha penaakulan rendah ialah garis asas praktikal untuk tugas murah; aliran kerja yang lebih menuntut mungkin memerlukan bajet penaakulan lebih besar, tertakluk kepada peningkatan yang diukur dalam penyempurnaan tugas.
Bagaimana Prestasi Muse Spark Open pada Penanda Aras AI?
Berikut ialah keputusan pelancaran yang dilaporkan dalam kad model Meta, bukan pengukuran yang dilakukan untuk artikel ini. Meta menyatakan xhigh usaha penaakulan, suhu 1.0, top_p 1.0, dan top_k dilumpuhkan. Harness khusus penanda aras adalah penting; ringkasan tidak menyediakan konfigurasi perkakasan lengkap untuk menghasilkan semula setiap skor.
| Penilaian | Keputusan dilaporkan Meta | Skop |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | Indeks komposit pihak ketiga yang dihasilkan semula oleh Meta |
| Terminal-Bench 2.1 | 76.4 | Ejen Terminus 2; penilaian pengkodan bergantung pada harness |
| VideoMMEv2 | 61.5 | Penilaian video; bukan ukuran throughput |
Mentafsir Penanda Aras Muse Spark Open
Nilai ini menggunakan skala berbeza dan tidak sepatutnya dipuratakan. Hasilkan semula repositori dan alatan aliran kerja anda sendiri dengan bajet yang sepadan, peraturan berhenti, dan tetapan model. Jejaki penyempurnaan berjaya, cuba semula, kependaman, dan jumlah kos; skor penanda aras tidak menetapkan kebolehpercayaan produksi.
Cara Menggunakan: Lokal, API, dan Awan
Pilih penggunaan lokal untuk kawalan ke atas berat dan data, API dihoskan untuk penilaian pantas, atau titik akhir awan terurus untuk penyajian khusus. Semak checkpoint tepat, input yang disokong, dan konteks penyajian sebelum memilih laluan.
Penggunaan Lokal
Memori ialah kekangan utama untuk penggunaan lokal. Mengikut kiraan parameter mentah, berat BF16 sahaja mengambil kira-kira 1.6 TB; panduan penggunaan Meta menyatakan sekurang-kurangnya 2 TB memori GPU untuk BF16 dan 700 GB untuk NVFP4; penimbal masa jalanan dan KV cache juga mesti muat. Konfigurasi kuantisasi komuniti mempunyai jejak memori berbeza.
Dua konfigurasi Apple Silicon yang berbeza didokumenkan. Pengumuman pelancaran Meta menerangkan penggunaan merentas dua mesin Apple M5 Ultra Mac Studio menggunakan MLX. Secara berasingan, bahagian llama.cpp dalam artikel pelancaran Hugging Face melaporkan kuantisasi 2-bit berkalibrasi imatrix pada Mac M3 Ultra 512 GB, menggunakan kira-kira 304 GB untuk model dan menjana kira-kira 18 token sesaat. Laporan ini merujuk kepada perkakasan dan konfigurasi inferens berbeza; tiada satu pun menetapkan kualiti setara merentas kuantisasi.
| Penggunaan | Kelebihan | Pertimbangan |
|---|---|---|
| Apple Silicon / MLX | Memori bersatu, kawalan setempat | Had memori dan prestasi |
| Kuantisasi llama.cpp | Ekosistem GGUF yang mudah diakses | Pertukaran ketepatan/kualiti |
| GPU NVIDIA / SGLang | Inferens selari dioptimumkan NVFP4 | Beberapa pemecut memori tinggi |
| vLLM | Integrasi penyajian berskala | Kekangan plugin, checkpoint, perkakasan |
| Hugging Face Inference Endpoints | Infrastruktur terurus | Kos hos berterusan |
| Penyedia API dihoskan | Persediaan minimum | Ketersediaan penyedia dan terma privasi |
Contoh: jalankan checkpoint Q2 dengan llama.cpp.
Pasang runtime llama dan mulakan checkpoint Q2 yang besar menggunakan resipi llama.cpp yang diterbitkan. Ini memerlukan mesin memori tinggi yang serasi.
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
Contoh ini memerlukan memori mencukupi untuk model kuantisasi yang sangat besar; ia bukan perintah yang ditujukan untuk komputer riba biasa. Setelah pelayan bermula, antara muka serasi OpenAI boleh dipanggil menggunakan klien yang serasi.
Akses API Dihoskan
Gunakan contoh Groq di bawah untuk permintaan API dihoskan. Untuk penggunaan awan khusus, Hugging Face menyediakan resipi Inference Endpoints terurus. Semak instans terpilih, had konteks titik akhir, dan caj hos berterusan sebelum penyediaan.
Groq mendokumenkan akses pratonton terhad untuk organisasi yang diluluskan. Pasang SDK Python dengan pip install groq dan set GROQ_API_KEY sebelum menjalankan permintaan teks sahaja ini.
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)
Contoh ini memerlukan akses pratonton dan belum dijalankan dengan akaun berbayar untuk artikel ini. Groq pada masa ini mendokumenkan tetingkap konteks 131,072 token dan input teks/imej; perkhidmatan dihoskan tidak mendedahkan setiap modaliti model asli.
Berapa Kos Muse Spark Open?
Memuat turun berat dan membayar inferens ialah dua soalan kos berbeza. Penyedia mungkin mengenakan bayaran per token input/output, kapasiti diperuntukkan, atau perkakasan khusus. Penggunaan dihoskan sendiri melibatkan GPU, memori, storan, elektrik, operasi, dan usaha kejuruteraan.
Sebagai ilustrasi sahaja, senario berikut menganggap $1.25 bagi 1M token input dan $4.25 bagi 1M token output. Ini bukan kadar universal yang disahkan atau kadar CometAPI.
| Beban kerja ilustratif | Token input | Token output | Caj dikira |
|---|---|---|---|
| Tugas pengkodan pendek | 10,000 | 2,000 | $0.0210 |
| Semakan repositori | 100,000 | 10,000 | $0.1675 |
| Aliran kerja ejen besar | 500,000 | 50,000 | $0.8375 |
| Analisis sejuta token | 1,000,000 | 20,000 | $1.3350 |
Formula: kos dianggarkan = input tokens / 1,000,000 × kadar unit input + output tokens / 1,000,000 × kadar unit output. Caching, cuba semula, infrastruktur, dan caj khusus penyedia boleh mengubah jumlah.
Adakah Muse Spark Open Benar-Benar Sumber Terbuka?
Tidak seperti perkhidmatan berasaskan API berat tertutup, Muse Spark Open menawarkan checkpoint untuk inferens yang diuruskan pembangun. Organisasi boleh membandingkan sistem yang dihoskan lokal, penggunaan awan khusus, dan titik akhir terurus berdasarkan privasi, penyesuaian, kualiti, dan kos operasi.
Muse Spark Open diedarkan sebagai open weights di bawah Muse Model License. Checkpoint yang boleh dimuat turun tidak menyiratkan hak sumber terbuka tanpa sekatan. Semak syarat lesen untuk pengagihan semula, terbitan, atribusi, dan perkhidmatan model dihoskan sebelum penggunaan.
Pasukan harus menyemak teks lesen semasa sebelum menggunakan berat dalam produk bersemuka pelanggan, mengagihkan semula checkpoint yang diubah suai, atau menjanjikan hak penggunaan hiliran.
Muse Spark Open vs Muse Spark Hosted API
Pilih Muse Spark Open apabila anda memerlukan kawalan ke atas berat model dan penggelaran. Pilih API dihoskan apabila anda mahukan inferens terurus tanpa mengendalikan stack penyajian.
Identiti model dan kaedah penggelaran adalah berasingan. Muse Spark Open ialah keluaran open-weight, manakala titik akhir dihoskan mungkin menyajikan versi Muse Spark yang berbeza. Semak ID model dan versi tepat sebelum membandingkannya. Pengumuman Muse Spark 1.1 oleh Meta ialah satu contoh model Muse Spark yang ditawarkan melalui Meta Model API.
| Aspek | Muse Spark Open | API Muse Spark Dihoskan (cth., 1.3 Standard / Contributor) |
|---|---|---|
| Weights | Terbuka (checkpoint BF16 & NVFP4 boleh dimuat turun dari Hugging Face, dsb.) | Tertutup (tiada berat dikeluarkan) |
| Keluaran | 15 Oktober 2026 | 1.3: 2 September 2026 (1.1/1.2 terdahulu juga tersedia) |
| Saiz / Seni bina | 816B jumlah parameter, ~42B aktif per token (MoE: 256 pakar, 8 aktif) | Tidak didedahkan secara umum (asas sama seperti Open menurut kenyataan Meta) |
| Konteks | 1M token | 1M token |
| Modaliti | Teks, imej, video, audio masuk; teks keluar | Teks, imej, video, PDF (dan kadangkala audio) masuk; teks keluar |
| Harga (per 1M token) | Hos sendiri: kos perkakasan sahaja | Meta Standard: $1.25 input / $0.15 cached / $4.25 output Contributor: $0.10 / $0.002 / $0.20 (data digunakan oleh Meta) |
| Akses | Hos sendiri | Meta Model API ， Muse Code, atau pengagregat seperti CometAPI / OpenRouter |
| Lesen / Terma | Muse Model License (penggunaan komersial dibenarkan dengan syarat; perkhidmatan Model-as-a-Service berskala besar >$20M hasil memerlukan perjanjian Meta; keperluan atribusi) | Terma proprietari Meta; tier Contributor membenarkan Meta melatih pada data anda |
| Keselamatan / Pasca latihan | Latihan pasca keselamatan tambahan untuk penggunaan berdiri sendiri tanpa pengawal rel Meta | Disepadukan dengan pengawal rel sistem Meta |
Muse Spark Open dan API Muse Spark dihoskan berkongsi fokus keluarga Muse Spark pada pengkodan, ejen, tugas jangka panjang, input multimodal (teks + imej/video/audio/PDF), pemanggilan alat, dan tetingkap konteks 1M token, tetapi berbeza secara asas dalam pengedaran, akses, dan kawalan.
Perbezaan Praktikal
- Kawalan & Privasi: Open membolehkan anda hos sendiri (memerlukan perkakasan besar: ~700 GB+ VRAM untuk NVFP4 atau ~2 TB untuk BF16) supaya data kekal pada infrastruktur anda. Hosted menghala segala-galanya melalui Meta atau penyedia.
- Kos pada skala: Hos sendiri memerlukan perkakasan atau kapasiti awan, storan, operasi, dan masa kejuruteraan. API dihoskan mengurangkan kos infrastruktur tersebut tetapi menambah yuran penggunaan, kuota, dan kemungkinan kos cuba semula. Bandingkan kos jumlah untuk beban kerja anda dan jangan anggap mana-mana pilihan sentiasa lebih murah.
- Ciri & Prestasi: Kedua-duanya menyokong pemanggilan alat, tahap usaha penaakulan (rendah/sederhana/tinggi/xhigh), dan pengkodan ejen. Open ditala untuk keteguhan berdiri sendiri; versi tertutup disepadukan lebih rapat dengan produk Meta (Muse Code, Meta AI). Penanda aras adalah hampir; Open diposisikan sebagai model open-weight AS terkuat pada pelancaran, manakala 1.3 tertutup disyorkan sebagai titik akhir produksi sebelum Open dilancarkan.
- Fleksibiliti: Open membolehkan penalaan halus, kuantisasi tersuai, dan penggunaan lokal/luar talian. Hosted lebih mudah (tiada infra) dan termasuk tier Contributor yang lebih murah jika anda menerima penggunaan data.
Mana Satu Perlu Dipilih?
- Pilih Muse Spark Open apabila anda memerlukan hos sendiri, penalaan halus, penggunaan luar talian atau air-gapped, kawalan data maksimum, atau kawalan lebih besar ke atas penyajian model.
- Pilih API Muse Spark dihoskan (terutamanya 1.3 Standard atau Contributor) untuk akses rasmi paling mudah, integrasi Muse Code, kos berpotensi lebih rendah melalui Contributor, dan infrastruktur/keselamatan yang diurus Meta.
- Melalui pengagregat seperti CometAPI: Berguna untuk pertukaran mudah, pengebilan bersatu, dan membandingkan kedua-duanya (serta pesaing) tanpa berbilang akaun. Sahkan
CometAPI sebagai Laluan Akses Alternatif
CometAPI menyediakan antara muka serasi OpenAI untuk model yang disokong. Katalognya menyenaraikan Muse Wonder, yang boleh dinilai sebagai model Meta berasingan. Muse Wonder bukan Muse Spark Open, dan penyenaraiannya tidak menetapkan bahawa Muse Spark Open tersedia melalui CometAPI. Sahkan ID model, akses, input yang disokong, had konteks, dan kadar semasa sebelum mengintegrasikannya.
Untuk perintis, jalankan tugas representatif yang sama terhadap titik akhir senarai pendek anda dan bandingkan penyempurnaan berjaya, kependaman, dan jumlah kos termasuk cuba semula. Gunakan CometAPI apabila akses mudah kepada beberapa model yang disokong adalah keutamaan; pilih titik akhir Muse Spark Open yang disahkan apabila model itu yang tepat diperlukan; hos sendiri apabila kawalan peringkat berat membenarkan usaha operasi.
Untuk Apa Muse Spark Open Digunakan?
- Sesuai terbaik: Pasukan membina ejen pengkodan atau aliran kerja analisis antara muka multimodal yang mendapat manfaat daripada akses terus kepada berat model.
- Bersyarat: Inferens perusahaan peribadi dan penyelidikan adaptasi model, dengan syarat pasukan mempunyai infrastruktur mencukupi, kapasiti penilaian, dan pengaturan lesen yang sesuai.
- Untuk prototaip sesekali: Mulakan dengan API dihoskan untuk mengelak komitmen kepada infrastruktur khusus sebelum mengesahkan beban kerja.
Apakah Had Utama Muse Spark Open?
- Sembang komputer riba biasa kurang sesuai: inferens saiz penuh memerlukan memori besar walaupun dengan pengaktifan jarang. Pertimbangkan model lebih kecil atau akses dihoskan untuk penggunaan ringan.
- Penjanaan media asli tidak disokong: model menghasilkan teks, jadi penjanaan imej, muzik, dan video memerlukan model atau alat berasingan.
- Kualiti dan throughput inferens sensitif terhadap kuantisasi dan penggelaran selari.
- Lesen model tersuai mesti disemak untuk penggunaan komersial yang dimaksudkan.
- Demo ejen bukan bukti keselamatan produksi tanpa pengawasan atau pelaksanaan alat yang konsisten.
Soalan Lazim
Mengapa titik akhir Muse Spark Open boleh menolak prompt panjang?
Semak had konteks yang dikonfigurasi titik akhir, bajet output yang diperuntukkan, dan perakaunan token multimodal. Tetingkap maksimum model bukan janji bahawa setiap penggelaran menyajikan panjang tersebut. Kurangkan permintaan atau pilih penggunaan yang dikonfigurasi dengan jelas untuk konteks diperlukan.
Bagaimana anda harus mengesahkan Muse Spark Open selepas pengkuantuman?
Main semula set tugas representatif tetap terhadap checkpoint asal dan kuantisasi menggunakan prompt, alat, dan bajet yang sama. Bandingkan kejayaan tugas, pemanggilan alat yang cacat, dan regresi pada input sukar. Penjanaan lebih pantas sahaja tidak mencukupi untuk meluluskan penggunaan kuantisasi.
Apakah yang perlu anda log apabila ejen Muse Spark Open gagal?
Rekod checkpoint, versi runtime, tetapan penaakulan, saiz input, skema alat, respons alat, dan keadaan berhenti. Nyahkenali rahsia dan data peribadi. Bezakan ralat model daripada kegagalan alat dan pemotongan konteks supaya ujian seterusnya mengubah komponen berkaitan.
Bagaimana anda harus membajetkan perintis Muse Spark Open?
Tetapkan had perbelanjaan per tugas dan bilangan maksimum cuba semula sebelum menjalankan penilaian. Rekod jumlah penggunaan yang dibilkan dan penyempurnaan berjaya sepanjang perintis, termasuk percubaan gagal. Gunakan kos diperhatikan per kejayaan untuk menganggarkan perbelanjaan produksi.
Kesimpulan
Muse Spark Open memberikan hujah kukuh untuk perusahaan dan pembangun yang mencari penaakulan multimodal berskala hadapan dengan kawalan berat model terus. Gabungan 816B jumlah parameter, 42B aktif per token, sehingga 1M konteks, dan latihan berorientasikan ejen membezakannya daripada keluaran berorientasikan sembang yang lebih ringkas.
Nilai praktikalnya kurang bergantung pada kiraan parameter utama berbanding kualiti yang diukur, kebolehlaksanaan penggelaran, kesesuaian undang-undang, dan kos per tugas berjaya. Mulakan dengan penilaian beban kerja yang boleh dihasilkan semula sebelum meningkat ke produksi.