TL;DR： Meta 於 2026 年 10 月 15 日發佈了 Muse Spark Open，推出一個面向程式碼、工具調用與自主代理工作流程的開放權重多模態模型。其總參數約為 8160 億、每個 token 啟用參數約為 420 億，並支援最高 100 萬 token 的上下文。此次發佈將大規模 MoE 能力帶到可下載的模型權重與託管推理服務。
核心取捨：你獲得部署與客製化的控制權，但需承擔硬體、授權與評估成本。Meta 稱其為美國最強的開放權重模型。此宣稱並不表示它在所有全球基準上都名列第一。
關鍵要點
- Muse Spark Open 採用稀疏專家混合（MoE）架構，總參數約 8160 億、每個 token 啟用約 420 億，支援最高 100 萬 token 的上下文。
- Muse Spark Open 接受文字、圖片、音訊與影片輸入，並輸出文字。
- Meta 設計 Muse Spark Open 用於程式碼、推理、工具調用與多模態代理工作流程。
- Meta 提供 BF16 與 NVFP4 格式的 Muse Spark Open 檢查點，社群專案提供更多量化變體。
- Muse Spark Open 的可下載權重並不意味著其為不受限制的開源，也不代表自建成本低廉。
什麼是 Muse Spark Open？規格與概覽
Muse Spark Open 是 Meta 推出的超大規模開放權重多模態模型。它使用稀疏 MoE 架構，面向軟體工程與代理任務，包括倉庫檢視、程式碼編輯、工具調用，以及對視覺或音訊觀測的解讀。
Muse Spark Open 規格
| 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 |
發布的架構圖展示了模型組件。
Muse Spark Open 能做什麼？
稀疏 MoE 架構
每一個 MoE 層提供 256 位專家，並為一個 token 路由至 8 位專家。稀疏啟用有助於相對於密集地運行全部 8160 億參數時減少計算，同時保留巨大的總容量。這並不會消除存放模型權重所需的記憶體或專家並行系統的通訊開銷。
原生多模態理解
單一模型可處理文字、圖片、音訊與影片輸入並輸出文字。這支持如螢幕截圖輔助除錯、介面檢視、轉錄輔助任務，以及視覺化瀏覽器代理等工作流程。它接受圖片、音訊與影片作為輸入；不會輸出圖片、音樂或影片。
長時程編碼代理
Meta 強調多檔重構、除錯、工具調用與迭代式代理執行。大型上下文窗口有助於代理保留原始碼與任務歷史，但成功仍取決於檢索、工具權限、驗證，以及相關資訊在上下文中的分佈。
推理與工具調用
推理生態系支援可配置的推理力度與工具調用解析器。低推理力度是低成本任務的實用基線；更高要求的工作流程可配置更大的推理預算，但需以任務完成度的實測改善為前提。
Muse Spark Open 在 AI 基準上的表現如何？
以下為 Meta 在模型卡上報告的發佈結果，並非本文自行測量。Meta 指定 xhigh 推理力度、temperature 1.0、top_p 1.0，且停用 top_k。特定基準的測試框架很重要；摘要未提供重現全部分數所需的完整硬體配置。
| Evaluation | Meta-reported result | Scope |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | 第三方綜合指數，由 Meta 重現 |
| Terminal-Bench 2.1 | 76.4 | Terminus 2 代理；依賴測試框架的編碼評測 |
| VideoMMEv2 | 61.5 | 影片評測；非吞吐量測量 |
解讀 Muse Spark Open 的基準
這些分數使用不同刻度，不應相互平均。請在匹配的預算、停止規則與模型設定下，重現你自己的倉庫與工具工作流程。追蹤成功完成、重試、延遲與總成本；基準分數無法建立生產可靠性。
如何部署：本地、API 與雲端
若需要控制權重與資料，選擇本地部署；若要快速評估，選擇託管 API；若需專用服務，選擇受管雲端端點。選擇路徑前請確認具體檢查點、支援的輸入與服務上下文。
本地部署
記憶體是本地部署的主要限制。就原始參數數量而言，僅 BF16 權重就約佔 1.6 TB；Meta 的部署指南指定 BF16 至少需 2 TB GPU 記憶體、NVFP4 至少需 700 GB；執行時緩衝與 KV 快取也須納入。社群量化配置的佔用不同。
有兩種不同的 Apple Silicon 配置被記載。Meta 的發佈公告描述了在兩台 Apple M5 Ultra Mac Studio 上使用 MLX 的部署。另有 Hugging Face 發佈文章的 llama.cpp 章節報告在 512 GB 的 Mac M3 Ultra 上，以 imatrix 校準的 2-bit 量化，模型約佔 304 GB，生成速率約 18 token/s。這些報告涉及不同硬體與推理配置；兩者皆不能證明在各種量化下品質相同。
| Deployment | Advantage | Consideration |
|---|---|---|
| Apple Silicon / MLX | 統一記憶體、本地控制 | 記憶體與效能限制 |
| llama.cpp quantization | 便於存取的 GGUF 生態 | 準確度/品質取捨 |
| NVIDIA GPUs / SGLang | 針對 NVFP4 優化的並行推理 | 需要多張高記憶體加速器 |
| vLLM | 可擴展的服務整合 | 外掛、檢查點與硬體限制 |
| Hugging Face Inference Endpoints | 受管基礎設施 | 持續的託管成本 |
| Hosted API provider | 最少設定 | 供應可用性與隱私條款 |
範例：使用 llama.cpp 服務 Q2 檢查點。
安裝 llama 執行環境，並依照已發佈的 llama.cpp 配方啟動大型 Q2 檢查點。這需要相容且高記憶體的機器。
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
此範例需要足以容納超大型量化模型的記憶體；並非為一般筆電設計的指令。伺服器啟動後，可透過其與 OpenAI 相容的介面由相容用戶端呼叫。
託管 API 存取
使用下列 Groq 範例進行託管 API 請求。若需專用雲端部署，Hugging Face 提供受管 Inference Endpoints 配方。佈建前請確認所選實例、端點上下文限制與持續託管費用。
Groq 為核准的組織提供有限預覽存取。以 pip install groq 安裝其 Python SDK，並在執行下列文字請求前設定 GROQ_API_KEY。
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)
此範例需要預覽存取，本文未以付費帳戶執行。Groq 目前記載 131,072-token 的上下文窗口及文字/圖片輸入；該託管服務不會暴露模型的所有原生模態。
Muse Spark Open 需要多少成本？
下載權重與支付推理費用是不同的問題。供應商可能按輸入/輸出 token、預配置容量或專用硬體收費。自建使用包含 GPU、記憶體、儲存、電力、營運與工程投入。
以下情境僅為舉例，假設每 100 萬輸入 token $1.25、每 100 萬輸出 token $4.25。這些不是經過驗證的通用或 CometAPI 費率。
| Illustrative workload | Input tokens | Output tokens | Calculated charge |
|---|---|---|---|
| 短程程式任務 | 10,000 | 2,000 | $0.0210 |
| 倉庫審查 | 100,000 | 10,000 | $0.1675 |
| 大型代理工作流程 | 500,000 | 50,000 | $0.8375 |
| 百萬 token 分析 | 1,000,000 | 20,000 | $1.3350 |
公式：estimated cost = input tokens / 1,000,000 × input unit rate + output tokens / 1,000,000 × output unit rate。快取、重試、基礎設施與供應商特定收費會改變總成本。
Muse Spark Open 真的是開源嗎？
與僅提供 API 的閉源權重服務不同，Muse Spark Open 提供檢查點供開發者自行管理推理。組織可依隱私、客製化、品質與營運成本，對比本地自建系統、專用雲端部署與受管端點。
Muse Spark Open 以開放權重形式在 Muse Model License 下發佈。可下載檢查點不代表不受限制的開源權利。部署前請審閱該授權對再散佈、衍生、署名與託管模型服務的條件。
團隊在將權重用於面向客戶的產品、再散佈修改後的檢查點，或承諾下游使用權前，應審閱當前的授權文本。
Muse Spark Open vs Muse Spark 託管 API
當你需要控制模型權重與部署時，選擇 Muse Spark Open。當你希望無需運維即可使用受管推理時，選擇託管 API。
模型身份與部署方式是分離的。Muse Spark Open 是開放權重發佈，而託管端點可能提供不同版本的 Muse Spark。比較前請確認確切的模型 ID 與版本。Meta 的 Muse Spark 1.1 公告是透過 Meta Model API 提供的 Muse Spark 模型之一。
| 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, or aggregators like CometAPI / OpenRouter |
| 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 | 為在無 Meta 防護下的獨立使用進行了額外安全後訓練 | 與 Meta 的系統防護整合 |
Muse Spark Open 與託管的 Muse Spark API 同屬 Muse Spark 家族，專注於程式碼、代理、長時程任務、多模態輸入（文字 + 圖片/影片/音訊/PDF）、工具調用與 100 萬 token 上下文，但在發佈方式、存取與控制等方面有根本差異。
實務差異
- 控制與隱私：Open 允許自建（需要大量硬體：NVFP4 約 700 GB+ VRAM，BF16 約 2 TB），資料留在你的基礎設施。Hosted 將資料經由 Meta 或供應商路由。
- 規模化成本：自建需要硬體或雲端容量、儲存、營運與工程時間。託管 API 降低基礎設施成本，但增加使用費、配額與可能的重試成本。請比較你的工作負載的總成本，而非假設任一選項永遠更便宜。
- 功能與效能：兩者皆支援工具調用、推理力度級別（low/medium/high/xhigh）與代理式編碼。Open 調校以便在無 Meta 防護下更穩健；閉源版本更緊密整合 Meta 產品（Muse Code、Meta AI）。基準接近；Open 在發佈時定位為最強的美國開放權重模型，而閉源 1.3 在 Open 上市前是建議的生產端點。
- 彈性：Open 可進行微調、自定量化與本地/離線使用。Hosted 更簡單（無基礎設施），若接受資料使用則包含更便宜的 Contributor 方案。
如何選擇？
- 當你需要自建、微調、離線或隔離部署、最大化資料控制，或更大程度控制模型服務時，偏好 Muse Spark Open。
- 尤其是 1.3 Standard 或 Contributor 的託管 Muse Spark API，適合最簡便的官方存取、Muse Code 整合、透過 Contributor 潛在更低成本，以及由 Meta 管理的基礎設施/安全性。
- 透過像 CometAPI 的聚合器：便於快速切換、統一計費，並同時比較兩者（與競品），無需多個帳戶。請核實
CometAPI 作為替代存取路徑
CometAPI 為支援模型提供與 OpenAI 相容的介面。其型錄列有 Muse Wonder，可作為另一個 Meta 模型進行評估。Muse Wonder 並非 Muse Spark Open，其列表不代表 Muse Spark Open 可透過 CometAPI 取得。整合前請確認模型 ID、存取、支援的輸入、上下文限制與當前費率。
在試點中，對候選端點運行同樣的具代表性任務，並比較成功完成、延遲與包含重試在內的總成本。當優先需要便捷存取多個支援模型時，使用 CometAPI；當需要確切的 Muse Spark Open 模型時，選擇已驗證的該模型端點；當需要權重層級控制且值得投入運維時，選擇自建。
Muse Spark Open 用於哪些場景？
- 最佳適配：建置編碼代理或多模態介面分析工作流程、且受益於直接存取模型權重的團隊。
- 視情況而定：私有企業推理與模型調適研究，前提是團隊擁有足夠的基礎設施、評估能力與合適的授權安排。
- 偶發原型：先從託管 API 開始，避免在驗證工作負載前承諾專用基礎設施。
Muse Spark Open 的主要限制是什麼？
- 一般筆電聊天並不合適：即使稀疏啟用，全尺寸推理仍需大量記憶體。輕量用途可考慮更小的模型或託管存取。
- 不支援原生媒體生成：模型輸出為文字，因此圖片、音樂與影片生成需要另外的模型或工具。
- 推理品質與吞吐對量化與並行部署敏感。
- 必須檢視自訂模型授權以符合預期商用用途。
- 代理展示不代表無人值守生產安全或一致的工具執行。
常見問題
為何 Muse Spark Open 端點會拒絕長提示？
檢查端點的上下文限制、預留輸出預算與多模態 token 計數。模型的最大窗口不保證每個部署都提供該長度。縮短請求或選擇明確配置所需上下文的部署。
量化後如何驗證 Muse Spark Open？
使用相同的提示、工具與預算，對原始與量化檢查點重放固定集合的代表性任務。比較任務成功、畸形工具調用與在困難輸入上的回退。僅更快的生成不足以批准量化部署。
當 Muse Spark Open 代理失敗時應記錄什麼？
記錄檢查點、執行時版本、推理設定、輸入大小、工具結構、工具回應與停止條件。編輯機密與個資。區分模型錯誤、工具失敗與上下文截斷，讓下一次測試改變相關組件。
如何為 Muse Spark Open 試點編列預算？
在執行評估前設定每個任務級的支出上限與最大重試次數。記錄整個試點的總計費用與成功完成數，包括失敗嘗試。以觀察到的每次成功成本估算生產支出。
結論
Muse Spark Open 為尋求具前沿規模的多模態推理且希望直接控制模型權重的企業與開發者提供了有力選擇。8160 億總參數、每 token 420 億啟用、最高 100 萬上下文與面向代理的訓練，讓它有別於更偏聊天的發佈。
其實際價值不在於標題裡的參數數量，而在於量測的品質、部署可行性、法務契合度與每次成功任務的成本。從可重現的工作負載評估開始，再擴展到生產。