TL;DR: Meta, 15 Ekim 2026'da Muse Spark Open'ı yayımladı; kodlama, araç kullanımı ve otonom ajan iş akışları için tasarlanmış açık ağırlıklı bir çok modlu model. Yaklaşık 816 milyar toplam parametre, token başına 42 milyar etkin parametre ve 1 milyon tokene kadar bağlamla, bu sürüm indirilebilir model ağırlıklarına ve barındırılan çıkarım hizmetlerine büyük ölçekli MoE yetenekleri getiriyor.
Temel ödünleşim: Dağıtım ve özelleştirme kontrolü kazanırsınız, ancak donanım, lisanslama ve değerlendirme maliyetlerini üstlenirsiniz. Meta, bunun ABD'deki en yetenekli açık ağırlıklı model olduğunu iddia ediyor. Bu iddia, modelin her küresel kıyaslamada birinci olduğu anlamına gelmez.
Önemli Noktalar
- Muse Spark Open, yaklaşık 816B toplam parametre ve token başına 42B etkin parametreyle seyrek bir Uzmanlar Karışımı (MoE) mimarisi kullanır ve 1M tokene kadar bağlamı destekler.
- Muse Spark Open metin, görüntü, ses ve video girdilerini kabul eder ve metin çıktıları üretir.
- Meta, Muse Spark Open’ı kodlama, akıl yürütme, araç kullanımı ve çok modlu ajan iş akışları için tasarladı.
- Meta, Muse Spark Open kontrol noktalarını BF16 ve NVFP4 formatlarında sağlar; topluluk projeleri ek niceleme (quantization) varyantları sunar.
- Muse Spark Open’ın indirilebilir ağırlıkları, onu sınırsız açık kaynak yapmaz veya kendi kendine barındırmanın ucuz olduğu anlamına gelmez.
Muse Spark Open Nedir? Teknik Özellikler ve Genel Bakış
Muse Spark Open, Meta’dan büyük ölçekli, açık ağırlıklı bir çok modlu modeldir. Depo inceleme, kod düzenleme, araç kullanımı ve görsel ya da işitsel gözlemlerin yorumlanması dahil olmak üzere yazılım mühendisliği ve ajan görevleri için seyrek bir MoE mimarisi kullanır.
Muse Spark Open Teknik Özellikleri
| Specification | Muse Spark Open specifications |
|---|---|
| Developer | Meta |
| Release date | October 15, 2026 |
| Architecture | Sparse Mixture of Experts (MoE) |
| Total parameters | Approximately 816B |
| Active parameters | Approximately 42B per token |
| Experts / selected experts | 256 / 8 per MoE layer |
| Transformer layers | 62 |
| Context window | Up to 1,048,576 tokens |
| Inputs | Text, images, audio, video |
| Output | Text |
| Checkpoints | BF16, NVFP4 |
| Inference | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM, and Unsloth (Meta launch announcement) |
| License | Muse Model License |
Paylaşılan mimari diyagram model bileşenlerini gösteriyor.
Muse Spark Open Neler Yapabilir?
Seyrek MoE Mimarisi
Her MoE katmanı 256 uzman sunar ve bir token’ı sekizine yönlendirir. Seyrek etkinleşme, tüm 816B parametreyi yoğun şekilde çalıştırmaya kıyasla hesaplamayı azaltmaya yardımcı olurken büyük toplam kapasiteyi korur. Bu, model ağırlıklarını saklamak için gereken belleği veya uzman-paralel sistemlerin iletişim yükünü ortadan kaldırmaz.
Doğal Çok Modlu Anlama
Tek bir model metin, görüntü, ses ve video girdilerini işler ve metin üretir. Bu, ekran görüntüsüyle yönlendirilen hata ayıklama, arayüz inceleme, yazıya döküm destekli görevler ve görsel tarayıcı ajanları gibi iş akışlarını destekler. Görüntü, ses ve videoyu girdi olarak kabul eder; çıktı olarak görüntü, müzik veya video üretmez.
Uzun Vadeli Kodlama Ajanları
Meta, çok dosyalı yeniden düzenleme, hata ayıklama, araç çağırma ve yinelemeli ajan yürütümünü vurgular. Uzun bir bağlam penceresi, ajanların kaynak kodunu ve görev geçmişini korumasına yardımcı olur, ancak başarı yine de geri getirme, araç izinleri, doğrulama ve ilgili bilgilerin bağlam boyunca dağılımına bağlıdır.
Akıl Yürütme ve Araç Kullanımı
Çıkarım ekosistemi, yapılandırılabilir akıl yürütme çabası ve araç çağrısı ayrıştırıcılarını destekler. Düşük akıl yürütme çabası, ucuz görevler için pratik bir temel düzeydir; daha zorlu iş akışları, görev tamamlama ölçülen iyileşmelerine tabi olarak daha büyük akıl yürütme bütçelerini hak edebilir.
Muse Spark Open Yapay Zeka Kıyaslamalarında Nasıl Performans Gösteriyor?
Aşağıdakiler Meta’nın model kartında bildirilen lansman sonuçlarıdır; bu makale için yapılmış ölçümler değildir. Meta, xhigh akıl yürütme çabası, sıcaklık 1.0, top_p 1.0 ve devre dışı bırakılmış top_k belirtiyor. Kıyaslamaya özgü harness’lar önemlidir; özet, her puanı yeniden üretmek için gereken tam donanım yapılandırmasını sağlamaz.
| Evaluation | Meta-reported result | Scope |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | Third-party composite index reproduced by Meta |
| Terminal-Bench 2.1 | 76.4 | Terminus 2 agent; harness-dependent coding evaluation |
| VideoMMEv2 | 61.5 | Video evaluation; not a throughput measurement |
Muse Spark Open Kıyaslamalarını Yorumlama
Bu değerler farklı ölçekler kullanır ve ortalaması alınmamalıdır. Bütçeler, durdurma kuralları ve model ayarları eşleştirilmiş şekilde, kendi deponuzu ve araç iş akışlarınızı yeniden üretin. Başarılı tamamlama, yeniden denemeler, gecikme ve toplam maliyeti izleyin; bir kıyaslama puanı üretim güvenilirliğini kanıtlamaz.
Nasıl Dağıtılır: Yerel, API ve Bulut
Ağırlıklar ve veriler üzerinde kontrol için yerel dağıtımı, hızlı değerlendirme için barındırılan bir API’yi veya ayrılmış sunum için yönetilen bir bulut uç noktasını seçin. Bir yol seçmeden önce tam kontrol noktasını, desteklenen girdileri ve sunum bağlamını kontrol edin.
Yerel Dağıtım
Yerel dağıtım için ana kısıt bellekten gelir. Ham parametre sayısına göre sadece BF16 ağırlıkları yaklaşık 1.6 TB yer kaplar; Meta’nın dağıtım kılavuzu BF16 için en az 2 TB GPU belleği ve NVFP4 için 700 GB belirtir; çalışma zamanı tamponları ve KV önbelleği de sığmalıdır. Topluluk kuantize yapılandırmalarının ayak izleri farklıdır.
İki farklı Apple Silicon yapılandırması belgelenmiştir. Meta’nın lansman duyurusu, MLX kullanarak iki Apple M5 Ultra Mac Studio makinesi arasında dağıtımı açıklar. Ayrı olarak, Hugging Face’in lansman makalesinin Llama.cpp bölümü, yaklaşık 304 GB kullanan ve saniyede yaklaşık 18 token üreten 512 GB Mac M3 Ultra üzerinde imatrix ile kalibre edilmiş 2 bit kuantizasyon bildirir. Bu raporlar farklı donanım ve çıkarım yapılandırmalarına atıfta bulunur; hiçbiri kuantizasyonlar arasında eşit kaliteyi kanıtlamaz.
| Deployment | Advantage | Consideration |
|---|---|---|
| Apple Silicon / MLX | Birleşik bellek, yerel kontroller | Bellek ve performans sınırları |
| llama.cpp quantization | Erişilebilir GGUF ekosistemi | Doğruluk/kalite ödünleşimleri |
| NVIDIA GPUs / SGLang | NVFP4 optimize paralel çıkarım | Birkaç yüksek bellekli hızlandırıcı |
| vLLM | Ölçeklenebilir sunum entegrasyonları | Eklenti, kontrol noktası, donanım kısıtları |
| Hugging Face Inference Endpoints | Yönetilen altyapı | Süregelen barındırma maliyeti |
| Hosted API provider | Minimum kurulum | Sağlayıcı erişilebilirliği ve gizlilik şartları |
Örnek: Q2 kontrol noktasını llama.cpp ile sunun.
llama çalışma zamanını kurun ve yayınlanan llama.cpp tarifi ile büyük Q2 kontrol noktasını başlatın. Bu, uyumlu yüksek bellekli bir makine gerektirir.
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
Bu örnek, çok büyük bir kuantize model için yeterli bellek gerektirir; sıradan bir dizüstü bilgisayar için tasarlanmış bir komut değildir. Sunucu başlatıldıktan sonra, OpenAI ile uyumlu arayüzü uyumlu bir istemci kullanılarak çağrılabilir.
Barındırılan API Erişimi
Aşağıdaki Groq örneğini barındırılan bir API isteği için kullanın. Ayrılmış bir bulut dağıtımı için Hugging Face, yönetilen Inference Endpoints yönergesi sağlar. Sağlanan örneği, uç nokta bağlam sınırını ve süregelen barındırma ücretlerini ayırmadan önce kontrol edin.
Groq, onaylı kuruluşlar için sınırlı önizleme erişimi belgeliyor. pip install groq ile Python SDK’sını kurun ve bu yalnızca metin isteklerini çalıştırmadan önce GROQ_API_KEY’i ayarlayın.
from groq import Groq
client = Groq() # Ortamdan GROQ_API_KEY değerini okur
response = client.chat.completions.create(
model="meta-models/muse-spark-open",
messages=[{"role": "user", "content": "MoE yönlendirmesini açıklayın."}],
)
print(response.choices[0].message.content)
Bu örnek önizleme erişimi gerektirir ve bu makale için ücretli bir hesapla çalıştırılmamıştır. Groq şu anda 131,072 tokenlık bir bağlam penceresi ve metin/görüntü girişi belgeliyor; barındırılan hizmet her yerel model modalitesini dışa açmaz.
Muse Spark Open Ne Kadar Tutar?
Ağırlıkları indirmek ve çıkarım için ödeme yapmak farklı maliyet sorularıdır. Sağlayıcılar girdi/çıktı token başına, tahsis edilen kapasiteye veya ayrılmış donanıma göre ücretlendirebilir. Kendi kendine barındırılan kullanım; GPU’lar, bellek, depolama, elektrik, operasyonlar ve mühendislik çabasını içerir.
Yalnızca örneklemesi için, aşağıdaki senaryo 1M girdi tokenı başına 1,25 $ ve 1M çıktı tokenı başına 4,25 $ varsayar. Bunlar doğrulanmış evrensel veya CometAPI oranları değildir.
| Illustrative workload | Input tokens | Output tokens | Calculated charge |
|---|---|---|---|
| Short coding task | 10,000 | 2,000 | $0.0210 |
| Repository review | 100,000 | 10,000 | $0.1675 |
| Large agent workflow | 500,000 | 50,000 | $0.8375 |
| Million-token analysis | 1,000,000 | 20,000 | $1.3350 |
Formül: tahmini maliyet = girdi tokenları / 1,000,000 × girdi birim ücreti + çıktı tokenları / 1,000,000 × çıktı birim ücreti. Önbellekleme, yeniden denemeler, altyapı ve sağlayıcıya özgü ücretler toplamı değiştirebilir.
Muse Spark Open Gerçekten Açık Kaynak mı?
Yalnızca kapalı ağırlıklı API hizmetlerinden farklı olarak, Muse Spark Open geliştirici yönetimli çıkarım için kontrol noktaları sunar. Kuruluşlar, mahremiyet, özelleştirme, kalite ve operasyonel maliyetler temelinde yerel barındırılan sistemleri, ayrılmış bulut dağıtımlarını ve yönetilen uç noktaları karşılaştırabilir.
Muse Spark Open, Muse Model License altında açık ağırlıklar olarak dağıtılır. İndirilebilir kontrol noktaları sınırsız açık kaynak hakları anlamına gelmez. Dağıtımdan önce yeniden dağıtım, türevler, atıf ve barındırılan model hizmetleri için lisans koşullarını inceleyin.
Ekipler, ağırlıkları müşteriyle yüzleşen ürünlerde kullanmadan, değiştirilmiş kontrol noktalarını yeniden dağıtmadan veya aşağı akış kullanım hakları vaat etmeden önce mevcut lisans metnini gözden geçirmelidir.
Muse Spark Open vs Muse Spark Barındırılan API
Model ağırlıkları ve dağıtım üzerinde kontrol gerektiğinde Muse Spark Open’ı seçin. Sunum yığını işletmek istemediğinizde barındırılan bir API’yi seçin.
Model kimliği ve dağıtım yöntemi ayrıdır. Muse Spark Open açık ağırlıklı bir sürümken, barındırılan bir uç nokta farklı bir Muse Spark sürümünü sunabilir. Karşılaştırmadan önce tam model kimliğini ve sürümü kontrol edin. Meta’nın Muse Spark 1.1 duyurusu, Meta Model API üzerinden sunulan bir Muse Spark modeline örnektir.
| Aspect | Muse Spark Open | Hosted Muse Spark API (e.g., 1.3 Standard / Contributor) |
|---|---|---|
| Weights | Open (downloadable BF16 & NVFP4 checkpoints from Hugging Face, etc.) | Closed (no weights released) |
| Release | Oct 15, 2026 | 1.3: Sep 2, 2026 (earlier 1.1/1.2 also available) |
| Size / Architecture | 816B total parameters, ~42B active per token (MoE: 256 experts, 8 active) | Not publicly disclosed (same base as Open per Meta statements) |
| Context | 1M tokens | 1M tokens |
| Modalities | Text, image, video, audio in; text out | Text, image, video, PDF (and sometimes audio) in; text out |
| Pricing (per 1M tokens) | 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) |
| Access | Self-host | Meta Model API, Muse Code veya CometAPI / OpenRouter gibi toplayıcılar |
| License / Terms | Muse Model License (commercial use allowed with conditions; large-scale Model-as-a-Service >$20M revenue needs Meta agreement; attribution requirements) | Proprietary Meta terms; Contributor tier permits Meta to train on your data |
| Safety / Post-training | Extra safety post-training for standalone use without Meta guardrails | Integrated with Meta’s system guardrails |
Muse Spark Open ve barındırılan Muse Spark API, kodlama, ajanlar, uzun ufuklu görevler, çok modlu girdiler (metin + görüntü/video/ses/PDF), araç çağırma ve 1M token bağlam penceresine odaklanan Muse Spark ailesini paylaşır, ancak dağıtım, erişim ve kontrol açısından temelden ayrışır.
Pratik Farklar
- Kontrol ve Gizlilik: Açık sürüm, verilerinizin altyapınızda kalması için kendi kendine barındırmanıza olanak tanır (NVFP4 için ~700 GB+ VRAM veya BF16 için ~2 TB gibi önemli donanım gerektirir). Barındırılan sürümde her şey Meta veya sağlayıcı üzerinden yönlendirilir.
- Ölçek Maliyeti: Kendi barındırmanız donanım veya bulut kapasitesi, depolama, operasyonlar ve mühendislik zamanı gerektirir. Barındırılan API’ler bu altyapı maliyetlerini azaltır ancak kullanım ücretleri, kotalar ve olası yeniden deneme maliyetleri ekler. Her seçeneğin her zaman daha ucuz olduğunu varsaymak yerine iş yükünüz için toplam maliyeti karşılaştırın.
- Özellikler ve Performans: Her ikisi de araç çağırmayı, akıl yürütme çabası seviyelerini (düşük/orta/yüksek/xhigh) ve ajansal kodlamayı destekler. Open, bağımsız sağlamlık için ayarlanmıştır; kapalı sürümler Meta ürünleriyle (Muse Code, Meta AI) daha sıkı entegredir. Kıyaslamalar yakındır; Open, yayınlandığı tarihte en güçlü ABD açık ağırlıklı model olarak konumlandırılırken, kapalı 1.3 Open piyasaya çıkmadan önce önerilen üretim uç noktasıydı.
- Esneklik: Open, ince ayar, özel kuantizasyon ve yerel/çevrimdışı kullanımı mümkün kılar. Barındırılan sürüm daha basittir (altyapı yoktur) ve verilerinizi kullanmayı kabul ederseniz daha ucuz Contributor kademesini içerir.
Hangisini Seçmelisiniz?
- Kendi kendine barındırma, ince ayar, çevrimdışı veya hava boşluklu dağıtım, maksimum veri kontrolü veya model sunum üzerinde daha fazla kontrol gerektiğinde Muse Spark Open’ı tercih edin.
- En basit resmi erişim, Muse Code entegrasyonu, Contributor ile potansiyel olarak daha düşük maliyet ve Meta tarafından yönetilen altyapı/güvenlik için barındırılan Muse Spark API’yi (özellikle 1.3 Standard veya Contributor) tercih edin.
- CometAPI gibi bir toplayıcı üzerinden: Kolay geçiş, birleşik faturalama ve birden fazla modeli (ve rakipleri) birden çok hesap olmadan karşılaştırmak için kullanışlıdır. Doğrulayın
Alternatif Erişim Yolu Olarak CometAPI
CometAPI, desteklenen modeller için OpenAI ile uyumlu bir arayüz sağlar. Kataloğunda, ayrı bir Meta modeli olarak değerlendirilebilecek Muse Wonder listelenir. Muse Wonder Muse Spark Open değildir ve bu listeleme Muse Spark Open’ın CometAPI üzerinden erişilebilir olduğunu kanıtlamaz. Entegrasyondan önce model kimliğini, erişimi, desteklenen girdileri, bağlam sınırını ve güncel oranları doğrulayın.
Bir pilot için, kısa listeye aldığınız uç noktalara aynı temsilî görevleri çalıştırın ve başarılı tamamlama, gecikme ve yeniden denemeler dahil toplam maliyeti karşılaştırın. Birden çok desteklenen modele kolay erişim öncelikse CometAPI’yi kullanın; tam olarak bu model gerekli olduğunda doğrulanmış bir Muse Spark Open uç noktası seçin; ağırlık düzeyi kontrol operasyonel çabayı haklı çıkardığında kendi kendinize barındırın.
Muse Spark Open Ne İçin Kullanılır?
- En uygun: Model ağırlıklarına doğrudan erişimden yararlanan kodlama ajanları veya çok modlu arayüz analizi iş akışları oluşturan ekipler.
- Koşullu: Yeterli altyapı, değerlendirme kapasitesi ve uygun lisans düzenlemesi olması koşuluyla özel kurumsal çıkarım ve model uyarlama araştırması.
- Ara sıra prototipler için: İş yükünü doğrulamadan önce ayrılmış altyapıya bağlanmamak amacıyla barındırılan bir API ile başlayın.
Muse Spark Open’ın Başlıca Sınırlamaları Nelerdir?
- Sıradan dizüstü sohbeti uygun değildir: tam boy çıkarım, seyrek etkinleşmeye rağmen önemli bellek gerektirir. Hafif kullanım için daha küçük bir modeli veya barındırılan erişimi düşünün.
- Yerel medya üretimi desteklenmez: model metin üretir, bu nedenle görüntü, müzik ve video üretimi ayrı modeller veya araçlar gerektirir.
- Çıkarım kalitesi ve verimi, kuantizasyona ve paralel dağıtıma duyarlıdır.
- Özel model lisansı, amaçlanan ticari kullanım için kontrol edilmelidir.
- Ajan demoları, gözetimsiz üretim güvenliği veya tutarlı araç yürütümü kanıtı değildir.
SSS
Neden bir Muse Spark Open uç noktası uzun bir istemi reddedebilir?
Uç noktanın yapılandırılmış bağlam sınırını, ayrılmış çıktı bütçesini ve çok modlu token muhasebesini kontrol edin. Modelin maksimum penceresi, her dağıtımın bu uzunluğu sunacağına dair bir vaat değildir. İsteği küçültün veya gerekli bağlam için açıkça yapılandırılmış bir dağıtımı seçin.
Kuantizasyondan sonra Muse Spark Open nasıl doğrulanmalı?
Aynı istemler, araçlar ve bütçelerle orijinal ve kuantize kontrol noktalarına karşı temsilî sabit bir görev setini yeniden oynatın. Görev başarısını, hatalı biçimlendirilmiş araç çağrılarını ve zor girdilerdeki gerilemeleri karşılaştırın. Yalnızca daha hızlı üretim, kuantize bir dağıtımı onaylamak için yeterli kanıt değildir.
Bir Muse Spark Open ajanı başarısız olduğunda neyi günlüğe almalısınız?
Kontrol noktasını, çalışma zamanı sürümünü, akıl yürütme ayarlarını, girdi boyutunu, araç şemalarını, araç yanıtlarını ve durdurma koşulunu kaydedin. Sırlar ve kişisel verileri redakte edin. Bir sonraki testin ilgili bileşeni değiştirmesi için model hatalarını araç hatalarından ve bağlam kesintisinden ayırın.
Bir Muse Spark Open pilotu için bütçe nasıl planlanmalı?
Değerlendirmeyi çalıştırmadan önce görev düzeyinde harcama üst sınırı ve maksimum yeniden deneme sayısı belirleyin. Yeniden denemeler dahil tüm pilot boyunca faturalanan toplam kullanımı ve başarılı tamamlamaları kaydedin. Bu gözlemlenen başarı başına maliyeti kullanarak üretim harcamasını tahmin edin.
Sonuç
Muse Spark Open, model ağırlıkları üzerinde doğrudan kontrol ile sınır ölçeğinde çok modlu akıl yürütme arayan işletmeler ve geliştiriciler için ikna edici bir seçenek sunuyor. 816B toplam parametre, token başına 42B etkin parametre, 1M’e kadar bağlam ve ajan odaklı eğitim kombinasyonu, onu daha basit sohbet odaklı sürümlerden ayırır.
Pratik değeri, manşet parametre sayısından ziyade ölçülen kalite, dağıtım uygulanabilirliği, yasal uyum ve başarılı görev başına maliyete daha çok bağlıdır. Üretime ölçeklemeden önce yeniden üretilebilir bir iş yükü değerlendirmesiyle başlayın.