TL;DR: Meta opublikowała 15 października 2026 r. model Muse Spark Open — multimodalny model o otwartych wagach zaprojektowany do kodowania, użycia narzędzi i autonomicznych przepływów pracy agentów. Z około 816 miliardami łącznych parametrów, 42 miliardami aktywnych parametrów na token i kontekstem do 1 miliona tokenów, wydanie przynosi możliwości wielkoskalowego MoE do pobieralnych wag i hostowanych usług inferencji.
Kluczowy kompromis: zyskujesz kontrolę nad wdrożeniem i dostosowaniem, ale przejmujesz koszty sprzętu, licencjonowania i ewaluacji. Meta określa go jako najbardziej zdolny amerykański model o otwartych wagach. To stwierdzenie nie oznacza, że zajmuje pierwsze miejsce w każdym globalnym benchmarku.
Najważniejsze informacje
- Muse Spark Open korzysta z rzadkiej architektury Mixture-of-Experts (MoE) z ok. 816B łącznych parametrów i 42B aktywnych parametrów na token oraz obsługuje do 1M tokenów kontekstu.
- Muse Spark Open przyjmuje jako wejście tekst, obrazy, audio i wideo, a generuje tekst.
- Meta zaprojektowała Muse Spark Open do zadań związanych z kodowaniem, rozumowaniem, użyciem narzędzi i multimodalnymi przepływami agentów.
- Meta dostarcza checkpointy Muse Spark Open w formatach BF16 i NVFP4, a projekty społecznościowe oferują dodatkowe skwantyzowane warianty.
- Pobieralne wagi Muse Spark Open nie oznaczają nieograniczonego open source ani niskich kosztów samodzielnego hostowania.
Czym jest Muse Spark Open? Specyfikacja i przegląd
Muse Spark Open to wielkoskalowy, multimodalny model o otwartych wagach od Meta. Wykorzystuje rzadką architekturę MoE do zadań inżynierii oprogramowania i pracy agentów, w tym inspekcji repozytoriów, edycji kodu, użycia narzędzi oraz interpretacji obserwacji wizualnych lub dźwiękowych.
Specyfikacja Muse Spark Open
| Specyfikacja | Specyfikacja Muse Spark Open |
|---|---|
| Deweloper | Meta |
| Data wydania | 15 października 2026 |
| Architektura | Rzadkie Mixture of Experts (MoE) |
| Łączna liczba parametrów | Około 816B |
| Aktywne parametry | Około 42B na token |
| Eksperci / wybrani eksperci | 256 / 8 na warstwę MoE |
| Warstwy Transformera | 62 |
| Okno kontekstu | Do 1 048 576 tokenów |
| Wejścia | Tekst, obrazy, audio, wideo |
| Wyjście | Tekst |
| Checkpointy | BF16, NVFP4 |
| Inferencja | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM i Unsloth (ogłoszenie Meta) |
| Licencja | Muse Model License |
Opublikowany diagram architektury przedstawia komponenty modelu.
Co potrafi Muse Spark Open?
Rzadka architektura MoE
Każda warstwa MoE oferuje 256 ekspertów i kieruje token do ośmiu. Rzadkie uaktywnianie pomaga ograniczyć obliczenia w porównaniu z gęstym uruchamianiem wszystkich 816B parametrów, jednocześnie zachowując dużą łączną pojemność. Nie usuwa to jednak potrzeby pamięci do przechowywania wag modelu ani narzutu komunikacyjnego systemów z równoległością ekspertów.
Natywne rozumienie multimodalne
Jeden model przetwarza wejścia tekstowe, obrazowe, audio i wideo oraz wytwarza tekst. Wspiera to przepływy pracy takie jak debugowanie na podstawie zrzutów ekranu, inspekcja interfejsu, zadania wspomagane transkrypcją i wizualni agenci przeglądarkowi. Akceptuje obrazy, audio i wideo jako wejścia; nie generuje obrazów, muzyki ani wideo jako wyjść.
Agenty programistyczne długiego horyzontu
Meta podkreśla refaktoryzację wielu plików, debugowanie, wywoływanie narzędzi i iteracyjne działanie agentów. Długie okno kontekstu pomaga agentom utrzymywać kod źródłowy i historię zadań, lecz sukces zależy nadal od wyszukiwania, uprawnień narzędzi, walidacji i rozmieszczenia istotnych informacji w kontekście.
Rozumowanie i użycie narzędzi
Ekosystem inferencji wspiera konfigurowalny nakład rozumowania i parsery wywołań narzędzi. Niski nakład rozumowania to praktyczna baza dla niedrogich zadań; bardziej wymagające przepływy mogą wymagać większych budżetów rozumowania, pod warunkiem mierzalnej poprawy skuteczności.
Jak Muse Spark Open wypada w benchmarkach AI?
Poniższe to wyniki na start opublikowane w karcie modelu Meta, a nie pomiary wykonane na potrzeby tego artykułu. Meta określa xhigh reasoning effort, temperatura 1.0, top_p 1.0 i wyłączone top_k. Harnessy specyficzne dla benchmarków mają znaczenie; podsumowanie nie zapewnia pełnej konfiguracji sprzętowej do odtworzenia każdego wyniku.
| Ewaluacja | Wynik raportowany przez Meta | Zakres |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | Zewnętrzny indeks złożony odtworzony przez Meta |
| Terminal-Bench 2.1 | 76.4 | Terminus 2 agent; ocena kodowania zależna od harnessu |
| VideoMMEv2 | 61.5 | Ocena wideo; nie jest to pomiar przepustowości |
Interpretacja benchmarków Muse Spark Open
Te wartości mają różne skale i nie powinny być uśredniane. Odtwórz własne repozytoria i przepływy narzędzi z dopasowanymi budżetami, regułami zatrzymania i ustawieniami modelu. Śledź skuteczne zakończenia, ponowienia, opóźnienia i łączny koszt; wynik benchmarku nie ustanawia niezawodności produkcyjnej.
Jak wdrożyć: lokalnie, przez API i w chmurze
Wybierz wdrożenie lokalne, jeśli chcesz kontrolować wagi i dane, hostowane API do szybkiej ewaluacji lub zarządzany punkt końcowy w chmurze dla dedykowanej obsługi. Sprawdź dokładny checkpoint, obsługiwane wejścia i kontekst serwowania przed wyborem ścieżki.
Wdrożenie lokalne
Pamięć to główne ograniczenie przy wdrożeniu lokalnym. Według liczby parametrów same wagi BF16 zajmują około 1,6 TB; wytyczne wdrożeniowe Meta określają co najmniej 2 TB pamięci GPU dla BF16 i 700 GB dla NVFP4; bufory runtime i pamięć podręczna KV również muszą się zmieścić. Skonfigurowane przez społeczność warianty kwantyzacji mają inne rozmiary pamięci.
Udokumentowano dwie różne konfiguracje Apple Silicon. Ogłoszenie wydania Meta opisuje wdrożenie na dwóch Mac Studio z Apple M5 Ultra, używając MLX. Z kolei sekcja llama.cpp w artykule Hugging Face raportuje kwantyzację 2-bitową skalibrowaną imatrix na Macu M3 Ultra z 512 GB, wykorzystując około 304 GB na model i generując około 18 tokenów na sekundę. Te raporty dotyczą różnych konfiguracji sprzętu i inferencji; żaden nie potwierdza równoważnej jakości między kwantyzacjami.
| Wdrożenie | Zaleta | Uwagi |
|---|---|---|
| Apple Silicon / MLX | Pamięć zunifikowana, lokalna kontrola | Ograniczenia pamięci i wydajności |
| Kwantyzacja w llama.cpp | Dostępny ekosystem GGUF | Kompromisy w dokładności/jakości |
| NVIDIA GPUs / SGLang | Równoległa inferencja zoptymalizowana pod NVFP4 | Wymaga kilku akceleratorów o dużej pamięci |
| vLLM | Integracje skalowalnego serwowania | Ograniczenia wtyczek, checkpointów i sprzętu |
| Hugging Face Inference Endpoints | Zarządzana infrastruktura | Stały koszt hostingu |
| Dostawca hostowanego API | Minimalna konfiguracja | Dostępność dostawcy i warunki prywatności |
Przykład: serwowanie checkpointu Q2 z llama.cpp.
Zainstaluj runtime llama i uruchom duży checkpoint Q2 korzystając z opublikowanej receptury llama.cpp. Wymaga to kompatybilnej maszyny o dużej pamięci.
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
Ten przykład wymaga wystarczającej pamięci dla bardzo dużego skwantyzowanego modelu; nie jest to komenda przeznaczona na zwykłego laptopa. Po uruchomieniu serwera jego interfejs kompatybilny z OpenAI można wywołać przy użyciu zgodnego klienta.
Dostęp przez hostowane API
Skorzystaj z poniższego przykładu Groq dla żądania przez hostowane API. W przypadku dedykowanego wdrożenia w chmurze Hugging Face oferuje przepis na Inference Endpoints. Sprawdź wybraną instancję, limit kontekstu punktu końcowego i bieżące koszty hostingu przed uruchomieniem.
Groq dokumentuje dostęp w ograniczonym podglądzie dla zatwierdzonych organizacji. Zainstaluj jego SDK w Pythonie poleceniem pip install groq i ustaw GROQ_API_KEY przed uruchomieniem tego żądania tekstowego.
from groq import Groq
client = Groq() # Odczytuje GROQ_API_KEY ze środowiska
response = client.chat.completions.create(
model="meta-models/muse-spark-open",
messages=[{"role": "user", "content": "Wyjaśnij trasowanie MoE."}],
)
print(response.choices[0].message.content)
Ten przykład wymaga dostępu w podglądzie i nie został wykonany na płatnym koncie na potrzeby tego artykułu. Groq obecnie dokumentuje okno kontekstu 131 072 tokenów oraz wejście tekst/obraz; hostowana usługa nie udostępnia wszystkich natywnych modalności modelu.
Ile kosztuje Muse Spark Open?
Pobieranie wag i opłaty za inferencję to różne kwestie kosztów. Dostawcy mogą naliczać opłaty za tokeny wejściowe/wyjściowe, za zarezerwowaną moc lub za dedykowany sprzęt. Samodzielne hostowanie wiąże się z kosztami GPU, pamięci, magazynu, energii, operacji i nakładu inżynieryjnego.
Jedynie poglądowo, poniższy scenariusz zakłada 1,25 USD za 1M tokenów wejściowych i 4,25 USD za 1M tokenów wyjściowych. Nie są to zweryfikowane stawki uniwersalne ani stawki CometAPI.
| Przykładowe obciążenie | Tokeny wejściowe | Tokeny wyjściowe | Wyliczona opłata |
|---|---|---|---|
| Krótkie zadanie kodowe | 10 000 | 2 000 | 0,0210 USD |
| Przegląd repozytorium | 100 000 | 10 000 | 0,1675 USD |
| Duży przepływ agenta | 500 000 | 50 000 | 0,8375 USD |
| Analiza na 1 milion tokenów | 1 000 000 | 20 000 | 1,3350 USD |
Wzór: szacowany koszt = tokeny wejściowe / 1 000 000 × stawka za wejście + tokeny wyjściowe / 1 000 000 × stawka za wyjście. Buforowanie, ponowienia, infrastruktura i opłaty specyficzne dla dostawcy mogą zmienić łączny koszt.
Czy Muse Spark Open jest naprawdę open source?
W przeciwieństwie do usług wyłącznie API z zamkniętymi wagami, Muse Spark Open oferuje checkpointy do inferencji zarządzanej przez dewelopera. Organizacje mogą porównywać lokalnie hostowane systemy, dedykowane wdrożenia chmurowe i zarządzane punkty końcowe pod kątem prywatności, dostosowania, jakości i kosztu operacyjnego.
Muse Spark Open jest dystrybuowany jako otwarte wagi na warunkach Muse Model License. Pobieralne checkpointy nie implikują nieograniczonych praw open source. Przed wdrożeniem przejrzyj warunki licencji dotyczące redystrybucji, utworów zależnych, atrybucji i hostowanych usług modelowych.
Zespoły powinny przejrzeć aktualny tekst licencji przed użyciem wag w produktach skierowanych do klientów, redystrybucją zmodyfikowanych checkpointów lub deklarowaniem praw do korzystania downstream.
Muse Spark Open vs Muse Spark Hosted API
Wybierz Muse Spark Open, gdy potrzebujesz kontroli nad wagami i wdrożeniem. Wybierz hostowane API, gdy chcesz zarządzoną inferencję bez operowania stosem serwowania.
Tożsamość modelu i metoda wdrożenia to kwestie rozdzielne. Muse Spark Open to wydanie o otwartych wagach, podczas gdy hostowany punkt końcowy może serwować inną wersję Muse Spark. Sprawdź dokładny identyfikator modelu i wersję przed porównaniem. Ogłoszenie Muse Spark 1.1 Meta to jeden z przykładów modelu Muse Spark oferowanego przez Meta Model API.
| Aspekt | Muse Spark Open | Hostowane Muse Spark API (np. 1.3 Standard / Contributor) |
|---|---|---|
| Wagi | Otwarte (pobieralne checkpointy BF16 i NVFP4 z Hugging Face itp.) | Zamknięte (brak opublikowanych wag) |
| Wydanie | 15 października 2026 | 1.3: 2 września 2026 (wcześniejsze 1.1/1.2 również dostępne) |
| Rozmiar / Architektura | 816B łącznych parametrów, ~42B aktywnych na token (MoE: 256 ekspertów, 8 aktywnych) | Nieujawnione publicznie (ten sam rdzeń co Open wg oświadczeń Meta) |
| Kontekst | 1M tokenów | 1M tokenów |
| Modalności | Wejście: tekst, obraz, wideo, audio; wyjście: tekst | Wejście: tekst, obraz, wideo, PDF (czasem audio); wyjście: tekst |
| Pricing (per 1M tokens) | Self-host: hardware cost only | Meta Standard: 1,25 USD wejście / 0,15 USD cache / 4,25 USD wyjście Contributor: 0,10 USD / 0,002 USD / 0,20 USD (dane używane przez Meta) |
| Dostęp | Samodzielne hostowanie | Meta Model API, Muse Code lub agregatory jak CometAPI / OpenRouter |
| Licencja / Warunki | Muse Model License (komercyjne użycie dozwolone z warunkami; Model-as-a-Service na dużą skalę >20 mln USD przychodu wymaga umowy z Meta; wymagania dot. atrybucji) | Proprietarne warunki Meta; tier Contributor pozwala Meta trenować na Twoich danych |
| Bezpieczeństwo / Post-training | Dodatkowy post-training bezpieczeństwa dla użycia standalone bez strażników Meta | Integracja ze strażnikami systemowymi Meta |
Muse Spark Open i hostowane Muse Spark API łączy rodzina Muse Spark skupiona na kodowaniu, agentach, zadaniach długiego horyzontu, multimodalnych wejściach (tekst + obraz/wideo/audio/PDF), wywołaniach narzędzi i oknie kontekstu 1M tokenów, ale zasadniczo różnią się dystrybucją, dostępem i kontrolą.
Różnice w praktyce
- Kontrola i prywatność: Open pozwala na samodzielne hostowanie (wymaga znacznego sprzętu: ~700 GB+ VRAM dla NVFP4 lub ~2 TB dla BF16), więc dane pozostają w Twojej infrastrukturze. Hosted kieruje wszystko przez Meta lub dostawcę.
- Koszt w skali: Samohostowanie wymaga sprzętu lub mocy w chmurze, magazynu, operacji i czasu inżynierskiego. Hostowane API redukują te koszty infrastruktury, ale dodają opłaty za użycie, limity i potencjalne koszty ponowień. Porównuj łączny koszt dla Twojego obciążenia zamiast zakładać, że któraś opcja zawsze jest tańsza.
- Funkcje i wydajność: Obie opcje wspierają wywołania narzędzi, poziomy nakładu rozumowania (low/medium/high/xhigh) i agentowe kodowanie. Open jest dostrojony pod samodzielną solidność; wersje zamknięte ściślej integrują się z produktami Meta (Muse Code, Meta AI). Benchmarki są zbliżone; Open pozycjonowany jest jako najsilniejszy amerykański model o otwartych wagach w momencie wydania, podczas gdy zamknięty 1.3 był rekomendowanym produkcyjnym endpointem przed premierą Open.
- Elastyczność: Open umożliwia fine-tuning, własną kwantyzację i użycie lokalne/offline. Hosted jest prostszy (bez infrastruktury) i obejmuje tańszy tier Contributor, jeśli akceptujesz wykorzystanie danych.
Co wybrać?
- Preferuj Muse Spark Open, gdy potrzebujesz samohostowania, fine-tuningu, wdrożenia offline/air-gapped, maksymalnej kontroli nad danymi lub większej kontroli nad serwowaniem modelu.
- Preferuj hostowane Muse Spark API (zwłaszcza 1.3 Standard lub Contributor) dla najprostszego oficjalnego dostępu, integracji z Muse Code, potencjalnie niższego kosztu przez Contributor i infrastruktury/bezpieczeństwa zarządzanego przez Meta.
- Przez agregator taki jak CometAPI: przydatny do łatwego przełączania, ujednoliconego rozliczania i porównywania obu (oraz konkurentów) bez wielu kont. Zweryfikuj
CometAPI jako alternatywna ścieżka dostępu
CometAPI dostarcza interfejs kompatybilny z OpenAI dla wspieranych modeli. Jego katalog wymienia Muse Wonder, który można ocenić jako oddzielny model Meta. Muse Wonder nie jest Muse Spark Open i ta pozycja nie dowodzi, że Muse Spark Open jest dostępny przez CometAPI. Potwierdź identyfikator modelu, dostęp, obsługiwane wejścia, limit kontekstu i aktualne stawki przed integracją.
Na pilota uruchom te same reprezentatywne zadania na wybranych punktach końcowych i porównuj skuteczne zakończenia, opóźnienia i łączny koszt, w tym ponowienia. Używaj CometAPI, gdy priorytetem jest wygodny dostęp do kilku wspieranych modeli; wybierz zweryfikowany endpoint Muse Spark Open, gdy wymagana jest dokładnie ta wersja modelu; samohostuj, gdy kontrola na poziomie wag uzasadnia nakład operacyjny.
Do czego używa się Muse Spark Open?
- Najlepsze dopasowanie: Zespoły budujące agentów do kodowania lub multimodalne przepływy analizy interfejsów, które korzystają z bezpośredniego dostępu do wag modelu.
- Warunkowo: Prywatna inferencja w przedsiębiorstwie i badania adaptacji modelu, pod warunkiem posiadania odpowiedniej infrastruktury, zdolności ewaluacyjnych oraz odpowiednich ustaleń licencyjnych.
- Dla okazjonalnych prototypów: Zacznij od hostowanego API, aby uniknąć zobowiązań do dedykowanej infrastruktury przed walidacją obciążenia.
Główne ograniczenia Muse Spark Open
- Zwykły czat na laptopie to złe dopasowanie: pełnowymiarowa inferencja wymaga znacznej pamięci nawet przy rzadkiej aktywacji. Rozważ mniejszy model lub dostęp hostowany dla lekkiego użycia.
- Brak natywnej generacji mediów: model produkuje tekst, więc generacja obrazów, muzyki i wideo wymaga oddzielnych modeli lub narzędzi.
- Jakość i przepustowość inferencji są wrażliwe na kwantyzację i równoległe wdrożenie.
- Należy sprawdzić niestandardową licencję modelu pod kątem planowanego użycia komercyjnego.
- Demówki agentów nie są dowodem na bezpieczne, bez nadzoru użycie produkcyjne ani na spójne wykonywanie narzędzi.
FAQ
Dlaczego punkt końcowy Muse Spark Open może odrzucić długi prompt?
Sprawdź skonfigurowany limit kontekstu punktu końcowego, zarezerwowany budżet wyjściowy i rozliczanie tokenów multimodalnych. Maksymalne okno modelu nie jest obietnicą, że każde wdrożenie obsłuży taką długość. Zmniejsz żądanie lub wybierz wdrożenie explicite skonfigurowane pod wymagany kontekst.
Jak walidować Muse Spark Open po kwantyzacji?
Odtwórz stały zestaw reprezentatywnych zadań na oryginalnych i skwantyzowanych checkpointach używając tych samych promptów, narzędzi i budżetów. Porównuj sukcesy zadań, błędne wywołania narzędzi i regresje na trudnych wejściach. Szybsza generacja sama w sobie nie jest wystarczającym dowodem do zatwierdzenia skwantyzowanego wdrożenia.
Co logować, gdy agent Muse Spark Open zawiedzie?
Zapisz checkpoint, wersję runtime, ustawienia rozumowania, rozmiar wejścia, schematy narzędzi, odpowiedzi narzędzi i warunek zatrzymania. Zredaguj sekrety i dane osobowe. Rozróżnij błędy modelu od awarii narzędzi i obcięcia kontekstu, aby następny test zmienił właściwy komponent.
Jak budżetować pilota Muse Spark Open?
Ustal limit wydatków na poziomie zadania i maksymalną liczbę ponowień przed uruchomieniem ewaluacji. Rejestruj łączne rozliczone użycie i udane zakończenia w całym pilocie, w tym nieudane próby. Użyj zaobserwowanego kosztu na sukces do oszacowania wydatków produkcyjnych.
Wnioski
Muse Spark Open to przekonująca propozycja dla przedsiębiorstw i deweloperów, którzy szukają multimodalnego rozumowania na poziomie frontier przy bezpośredniej kontroli nad wagami modelu. Połączenie 816B łącznych parametrów, 42B aktywnych na token, do 1M kontekstu i treningu ukierunkowanego na agentów odróżnia go od prostszych wydań zorientowanych na czat.
Jego praktyczna wartość zależy mniej od liczby nagłówkowych parametrów, a bardziej od mierzonej jakości, wykonalności wdrożenia, dopasowania prawnego i kosztu na skutecznie wykonane zadanie. Zacznij od reprodukowalnej ewaluacji obciążenia przed skalowaniem do produkcji.