Muse Spark Open: відкрита модель Meta на 816 млрд параметрів вміщується на двох Mac Studio, з умовами
Meta випустила Muse Spark Open, розріджену MoE-модель на 816 млрд параметрів із контекстом 1 млн токенів, під власною ліцензією Muse Model License. Картка Meta показує лідерство в частині агентних тестів і відставання від Kimi K3 та GLM 5.3 в інших. Цифри й умови належать Meta.
Факти перевірено 16 жовтня 2026
15 жовтня Meta виклала ваги Muse Spark Open: 816 млрд параметрів загалом, 42 млрд активних на токен, контекст 1 млн токенів, мультимодальний вхід. Meta стверджує, що модель працює на двох Apple M5 Ultra Mac Studio через MLX. Ліцензія називається Muse Model License: вона вільна, але не OSI open source. Я прочитав блог Meta, картку моделі на Hugging Face і допис vLLM до дня релізу. блог релізу Meta
Що випустила Meta
Muse Spark Open це розріджена модель суміші експертів: 816 млрд параметрів загалом, 42 млрд активних на токен, 62 шари, 256 експертів у шарі, 8 обираються на токен, контекст 1 млн токенів під час інференсу. Вхід: текст, зображення, відео та аудіо; вихід: текст. Ваги лежать на Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden і Microsoft Foundry у BF16 і NVFP4, а ваги MXFP4 випустила AMD. Доступ через API іде через Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter і Together AI. картка моделі
Теза про два Mac
Заголовок для ентузіастів це локальний інференс: Meta каже, що Muse Spark Open перша модель свого класу, яка працює на настільній машині, а саме на двох Apple M5 Ultra Mac Studio з останнім MLX. Кожен M5 Ultra дає вбудованому GPU до 512 ГБ спільної пам'яті, отже дві машини вміщають модель, а пропускна здатність 1,2 ТБ/с її живить. У демо Meta на пристрої Muse Code на цій моделі вніс справжні зміни для iOS в Ice Cubes, відкритий клієнт Mastodon, і вів DaVinci Resolve від початку до кінця, обираючи кадри й обрізаючи їх вертикально.
Це демо самої Meta. У прочитаному мною Meta не опублікувала швидкість у токенах за секунду для зв'язки з двох Mac, і ніхто поза Meta її поки не повторив. Ціну двох M5 Ultra Mac Studio теж лишили читачеві.
Як 1 млн токенів став доступним
Команда vLLM у дописі до дня релізу, написаному разом із Meta Superintelligence Labs, пояснює архітектуру. Усі 62 шари це шари суміші експертів. Навчена матриця pooler удвічі звужує подання токена з 8192 до 4096 перед експертами, а unpooler повертає ширину, що удвічі зменшує число параметрів у проєкціях експертів. Увага чергується циклом із чотирьох: три шари дивляться в ковзне вікно на 2048 токенів, четвертий бачить увесь контекст, і цикл прив'язаний так, що останній шар завжди повний. Із 62 шарів виходить 46 вузьких і 16 широких, і на 1 млн токенів KV-кеш займає трохи більше чверті того, що потребувала б повна увага всюди. Саме це робить таку довжину контексту достатньо дешевою для обслуговування.
vLLM також навчила чернеткову модель спекулятивного декодування DSpark, що пропонує до семи токенів за прохід, на CUDA і ROCm. Підтримка в день релізу йде як готові образи vLLM для NVIDIA і AMD; кодовий PR ще був на рев'ю, а нічну збірку PyPI чекали приблизно за тиждень. допис vLLM до дня релізу
Таблиця бенчмарків, читаємо тверезо
Картка Meta порівнює Muse Spark Open на зусиллі міркування xhigh з Inkling, Nemotron 3 Ultra, Beam, Mistral Large 4, Qwen3.8-2.4T-A95B, GLM 5.3 і Kimi K3. Muse Spark Open дає найкраще число на MCP-Atlas (89,2 проти 84,5 у наступного) і найменший, тобто найкращий, результат StrongREJECT v2 (0,5 проти 62,9-86,4). На HLE з інструментами модель близька до лідера (61,0 проти 62,5 у GLM 5.3).
В інших рядках власна таблиця Meta ставить її позаду. Terminal-Bench 2.1 з агентом Terminus 2: 76,4 проти 85,0 у Kimi K3 і 83,9 у GLM 5.3. DeepSWE 1.1: 60 проти 68 і 67. GPQA Diamond: 89,0 проти 93,5. GDPVal-AA v2: 1401 проти 1653. Формулювання «найздібніша відкрита модель США на сьогодні» належить Meta, і рядки її ж картки показують, чому географічне уточнення робить усю роботу: кілька відкритих моделей не з США набирають більше в кодових і агентних тестах. Усі числа належать Meta й отримані на обраних нею стендах.
Ліцензія, читаємо тверезо
Ваги йдуть під Muse Model License, а не під схваленою OSI відкритою ліцензією. Права широкі: використовувати, копіювати, змінювати, донавчати, дистилювати, об'єднувати, публікувати, поширювати, субліцензувати й продавати. Дві умови важливі. Продукти з моделлю або її похідними мають показувати напис «Built with Muse Spark Open». І якщо ви надаєте моделі як послугу й дохід вашої групи перевищує 20 млн доларів США за будь-які дванадцять місяців, спершу треба повідомити Meta й підписати окрему угоду. Політика використання обмежує частину застосувань. Точне слово тут «відкриті ваги», а для більшості окремих розробників і невеликих компаній умови фактично безкоштовні.
Безпека за оцінками самої Meta
Картка повідомляє сильні показники відмов: 99,2% джейлбрейків відхилено на внутрішньому кібербенчмарку Meta, 94,8% у сукупності за кіберпідмножиною PolyGuard, RedCode і CyberBench 2024, водночас у Kimi K3 у тій самій постановці, за даними Meta, 75,5% і 70,2%. Заявлені відмови понад 98% на BioTIER від SecureBio, 98,1% чесності на MASK і 0% порушень на Agentic Misalignment. Meta каже, що модель отримала додаткове навчання безпеки саме через відкриті ваги й що вона пройшла пороги її Superintelligence Scaling Framework. Повний звіт про оцінки ще не вийшов на момент перевірки, тож кожне число тут належить Meta й ніким не перевірене.
Аналіз: моє прочитання
Справжня новина це поріг настільної машини. Модель такого класу, що працює на двох комп'ютерах під столом, змінює розрахунок приватності й вартості агентної розробки: код лишається в кімнаті. Тверезе читання картки менш тріумфальне. Модель конкурентна, але не домінує, а її найявніші переваги лежать у рядках про відмови, які Meta й вигадала, й виміряла. Ліцензія тримає гачок рівно в одній групі: великих постачальниках моделей як послуги. Усі інші отримують умови, близькі до свободи в стилі Apache, з рядком атрибуції.
Чого я не зміг підтвердити
Я не завантажував і не запускав модель. Демо на Mac Studio це відео й заяви Meta, без опублікованих чисел продуктивності в прочитаних мною джерелах. Стенди бенчмарків названі за рядками, але повний звіт про методологію ще не вийшов. Я не читав увесь перелік обмежень політики використання, лише текст ліцензії в картці моделі.
Перевірка, яку можна виконати
Твердження про гібридну увагу це арифметика, яку можна перерахувати. Візьміть 16 KV-голів з розмірністю 64 у BF16, 62 шари, з них 16 з повною увагою і 46 з ковзним вікном на 2048 токенів. Код нижче рахує KV-кеш на 1 млн токенів обома способами. Виходить близько чверті, як і сказано в дописі vLLM. Якщо плануєте обслуговувати модель, порахуйте те саме зі своєю довжиною контексту до купівлі заліза.
Ілюстративна оцінка, а не код Meta
# Illustrative estimator, not Meta's code. Hybrid-attention KV cache at 1M tokens.
layers_total = 62
full_layers = 16 # vLLM day-0 post: 46 sliding-window + 16 full
window = 2048
tokens = 1_000_000
kv_per_token_layer = 16 * 64 * 2 * 2 # 16 KV heads, head dim 64, K+V, BF16
all_full = layers_total * tokens * kv_per_token_layer
hybrid = (full_layers * tokens + (layers_total - full_layers) * window) * kv_per_token_layer
print(f"all-full: {all_full/2**30:.0f} GiB hybrid: {hybrid/2**30:.0f} GiB ratio: {hybrid/all_full:.2f}")
# -> all-full: 236 GiB hybrid: 61 GiB ratio: 0.26 (vLLM says "just over a quarter")