AI-translated from English; not yet reviewed by a fluent editor.

# Meta veröffentlicht Muse-Spark-Open-Gewichte und Anleitungen für den Modellbetrieb

> Meta hat am 15. Oktober die Gewichte von Muse Spark Open veröffentlicht. BF16- und NVFP4-Checkpoints, gehostete APIs und die Muse Model License bieten Entwicklern mehrere Wege mit unterschiedlichen Grenzen.

By BIG CHANGE Editorial

Published: 2026-10-16T06:43:13.531Z
Updated: 2026-10-16T06:43:13.531Z
Canonical: https://bigchange.ai/blog/meta-muse-spark-open-weights-serving-license

![Conceptual charcoal illustration of an open server cabinet on the left and a separate wall-mounted network connection on the right.](https://bigchange.ai/api/media/file/muse-spark-open-serving-choice-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE; no Meta equipment, actual deployment or BIG CHANGE test is depicted.

Meta hat am 15. Oktober 2026 die Gewichte für Muse Spark Open veröffentlicht. Ein Team kann jetzt [Metas BF16- oder NVFP4-Checkpoints herunterladen](https://dev.meta.ai/docs/muse-spark-open/get-the-model), ein unterstütztes Format auf eigener Hardware bereitstellen oder das Modell über einen Startpartner aufrufen. Die Wahl ist wichtig: Der vollständige Checkpoint umfasst rund 1,65 TB Gewichte, der NVFP4-Checkpoint etwa 537 GB. Ein gehosteter Endpunkt hat jeweils eigene Zugangs- und Preisbedingungen. BIG CHANGE hat die Veröffentlichungsunterlagen, die Modellkarte, die Betriebsanleitung und die Lizenz geprüft. Wir haben das Modell weder heruntergeladen noch ausgeführt.

Meta beschreibt Muse Spark Open als spärlich aktiviertes Mixture-of-Experts-Modell mit insgesamt 816 Milliarden Parametern, von denen pro Token rund 42 Milliarden aktiv sind. Es nimmt Text, Bilder, Video und Audio entgegen und gibt Text aus. Die [Modelldokumentation](https://dev.meta.ai/docs/muse-spark-open) nennt einen maximalen Kontext von 1.048.576 Tokens. Das ist eine Modellgrenze und kein Versprechen, dass jeder Anbieter oder jede lokale Konfiguration so viele Tokens bereitstellt.

## Die große Veränderung

- **Was sich geändert hat:** Meta hat herunterladbare Muse-Spark-Open-Gewichte unter seiner Muse Model License veröffentlicht, zusammen mit dokumentierten Wegen für eigenes Hosting, Partner-APIs und Nachtraining.
- **Warum das wichtig ist:** Entwickler können wählen, wo die Inferenz läuft und welcher Checkpoint oder Anbieter zu ihrer Arbeitslast passt. Die veröffentlichten Konfigurationsanleitungen machen diese Wahl konkreter. Speicher, Kontext, Preis und Zugang hängen dennoch vom gewählten Weg ab.
- **Worauf zu achten ist:** Unabhängige Tests des veröffentlichten Checkpoints, anbieterspezifischer Kontext und Preise sowie das Verhalten kleinerer Quantisierungen bei echten Aufgaben. Metas Vorführungen und Bewertungen belegen diese Ergebnisse nicht für eine andere Bereitstellung.

## Gewichte, Hardware und Kontext

Metas [Downloadanleitung](https://dev.meta.ai/docs/muse-spark-open/get-the-model) nennt zwei unternehmenseigene Repositories auf Hugging Face: `meta-models/Muse-Spark-Open-816B-A42B` für BF16 und `meta-models/Muse-Spark-Open-816B-A42B-NVFP4` für den kleineren Checkpoint. Die BF16-Gewichtsdateien belegen etwa 1,65 TB, NVFP4 etwa 537 GB. Das sind Speichergrößen vor Schlüssel-Wert-Cache, Aktivierungen und Laufzeit-Overhead. Metas Betriebsbeispiele setzen BF16 auf acht B300-GPUs und NVFP4 auf vier B300-GPUs ein. Die [Hardwaretabelle](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) beschreibt außerdem AMD-Instinct-Konfigurationen mit vLLM, einen Intel-Xeon-6-INT4-Weg mit SGLang und eine Apple-MLX-Konfiguration mit zwei M5-Ultra-Mac-Studios mit je 512 GB gemeinsamem Speicher oder vier mit je 256 GB. Das sind konkret benannte Konfigurationen und keine allgemeine Kompatibilitätsgarantie.

Für eine Workstation mit deutlich weniger Speicher verweist die [Bereitstellungsanleitung](https://dev.meta.ai/docs/muse-spark-open/deploy) auf GGUF-Quantisierungen Dritter. Ihr Unsloth-Planungsbereich liegt bei etwa 300–315 GB kombiniertem RAM und VRAM für eine dynamische 2-Bit-Version. Das ist ein anderer Checkpoint mit einer anderen Laufzeitumgebung als Metas BF16- und NVFP4-Downloads. Der Unsloth-Beispielbefehl beginnt mit einem Kontext von 32.768 Tokens, um den Speicherverbrauch zu begrenzen. Ein Team sollte seinen tatsächlichen Kontext und parallele Anfragen an den verfügbaren Speicher anpassen, statt die Million-Token-Obergrenze des Modells als Standard für den Betrieb zu verstehen.

## Wählen Sie, wo Anfragen ausgeführt werden

Die [Betriebsanleitung](https://dev.meta.ai/docs/muse-spark-open/deploy) dokumentiert Serverwege über SGLang, vLLM und TensorRT-LLM, einen Transformers-Python-Weg, MLX für die angegebene Mac-Studio-Anordnung sowie llama.cpp und Unsloth mit ihren GGUF-Varianten. Sie nennt OpenAI-kompatible HTTP-Endpunkte für mehrere Serverlaufzeiten; Transformers verwendet eine Python-Schnittstelle. Jede Anleitung nennt Checkpoint, Parallelisierung und Laufzeiteinstellungen. Für eine andere Quantisierung oder einen anderen Beschleuniger ist die Anleitung des jeweiligen Wegs nötig.

Meta nennt außerdem ab dem Starttag gehosteten Zugang über Baseten, Fireworks AI, Modal, Nebius, OpenRouter und Together AI. Der Groq-Weg wird als begrenzte Vorschau beschrieben; der Zugang hängt daher davon ab, ob die Organisation berechtigt ist. Der [Partnerabschnitt](https://dev.meta.ai/resources/blog/build-with-muse-spark-open#hosted-inference) unterscheidet Serverless- und dedizierte Angebote. Er legt weder einen einheitlichen Preis noch dieselbe Kontextzuweisung für alle Anbieter fest. Eine gehostete API verwendet Zugangsdaten und Abrechnung des Anbieters. Lokale Inferenz benötigt den Checkpoint, beträchtlichen Speicherplatz und kompatible Rechenleistung. Laut Metas Downloadanleitung braucht ein lokaler Offline-Lauf nach dem Herunterladen der Gewichte keinen Modell-API-Schlüssel.

Für eine erste Bewertung können Entwickler über einen Partnerendpunkt eigene Prompts und Werkzeugaufrufe testen oder die genaue lokale Anleitung für ihren Checkpoint und ihre Hardware befolgen. Metas [Modellkarte](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) warnt, dass das Modell ungenaue Antworten und Fehler bei mehrstufigem Schlussfolgern erzeugen kann. Sie empfiehlt Schutzmaßnahmen auf Systemebene für Agenten mit Werkzeugen. Weder eine Startvorführung noch die vom Unternehmen gemeldeten Benchmarks zeigen, dass ein Agent den Arbeitsablauf eines bestimmten Teams zuverlässig abschließen wird.

## Die Lizenz enthält Bedingungen

Die [Muse Model License](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) vom 15. Oktober erlaubt Nutzung, Änderung und Verbreitung unter ihren Bedingungen und der beigefügten Nutzungsrichtlinie. Kopien und abgeleiteten Werken müssen Lizenz und Richtlinie beiliegen. Produkte oder Dienste, die die Software oder abgeleitete Werke verwenden, müssen zudem deutlich den Hinweis „Built with Muse Spark Open“ tragen. Ein Model-as-a-Service-Anbieter, dessen zusammengefasster Bruttoumsatz einschließlich verbundener Unternehmen in einem beliebigen Zeitraum von zwölf aufeinanderfolgenden Monaten 20 Millionen US-Dollar übersteigt, muss Meta benachrichtigen und eine separate schriftliche Vereinbarung schließen, bevor er das Modell oder abgeleitete Werke in diesem Geschäft anbietet. Von genau dieser Anforderung nimmt die Lizenz ausdrücklich interne Nutzung sowie kommerzielle Produkte aus, die das Modell als Komponente verwenden, ohne ein Model-as-a-Service-Produkt anzubieten. Teams mit Bereitstellungsplänen sollten die aktuelle Lizenz und Richtlinie für ihren Anwendungsfall lesen. Herunterladbare Gewichte machen die Veröffentlichung nicht zu uneingeschränktem Open Source, und gehostete Inferenz oder Hardware sind nicht generell kostenlos.

Meta hat dieses Modell drei Tage nach der [Vorstellung der gehosteten Muse-Wonder-Familie](https://bigchange.ai/blog/meta-muse-wonder-agent-model-access) veröffentlicht. Mit Spark Open können Teams separat über Gewichtsdownload und Bereitstellung entscheiden. Die praktische Frage lautet nun, welcher dokumentierte Weg die vorgesehenen Eingaben, den Kontext, das Budget und den Prüfprozess des Teams unterstützt. Das bleibt eine Konfigurations- und Bewertungsentscheidung, kein von BIG CHANGE gemessenes Ergebnis.

## Quellen und weiterführende Lektüre

- [Veröffentlichung von Meta AI Research, 15. Oktober 2026](https://research.meta.ai/blog/muse-spark-open/) — Veröffentlichungsdatum, Modellbeschreibung, Partnerliste und Unternehmensvorführung. Aussagen zu Fähigkeiten und Bewertungen stammen von Meta.
- [Metas Startleitfaden für Entwickler, 15. Oktober 2026](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — Dokumentation zu Laufzeitumgebung, Checkpoint, Hostinganbieter und Nachtraining für jeden Weg. Aussagen zu Benchmarks und frühen Nutzern bleiben ihren Quellen zugeschrieben.
- [Metas Modell-, Download-, Hardware- und Bereitstellungsdokumentation](https://dev.meta.ai/docs/muse-spark-open) — genaue Ein- und Ausgabe, Ressourcenbedarf, Anleitungen, Voraussetzungen und Anbieterzugang. Lesen Sie vor der Bereitstellung die aktuellen Einstellungen jedes verlinkten Wegs.
- [Modellkarte für Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — Modellgrenzen, Metas Bewertungen und benannte Einschränkungen. BIG CHANGE hat sie weder ausgeführt noch unabhängig reproduziert.
- [Muse Model License und Nutzungsrichtlinie, 15. Oktober 2026](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — geltende Weiterverbreitungs-, Namensnennungs- und Model-as-a-Service-Bedingungen. Diese Zusammenfassung ersetzt nicht den vollständigen Text.

## Sources

- [Meta AI Research: Vorstellung von Muse Spark Open](https://research.meta.ai/blog/muse-spark-open/) — Veröffentlichung vom 15. Oktober 2026; Modellbeschreibung, Liste der Hostingpartner und Unternehmensvorführung. Metas Aussagen sind als solche gekennzeichnet.
- [Meta AI Developers: mit Muse Spark Open entwickeln](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — Leitfaden vom 15. Oktober 2026 zu Laufzeitumgebung, Quantisierung, Hostinganbietern und Nachtraining.
- [Meta Model API: Muse Spark Open](https://dev.meta.ai/docs/muse-spark-open) — Ein- und Ausgabe, Modellkontext, Checkpoint und Betriebsübersicht. Onlinedokumentation geprüft am 16. Oktober 2026.
- [Meta Model API: das Modell beziehen](https://dev.meta.ai/docs/muse-spark-open/get-the-model) — BF16- und NVFP4-Checkpoint-Repositories, Speicherbedarf der Gewichte und Voraussetzungen.
- [Meta Model API: Hardwareplattformen](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) — Benannte NVIDIA-, AMD-, Intel- und Apple-Konfigurationen. Sie gelten jeweils für einen bestimmten Weg.
- [Meta Model API: Inferenz ausführen](https://dev.meta.ai/docs/muse-spark-open/deploy) — Laufzeit-APIs, Partnerzugang, Kontextwahl und Unsloth-Speicherplanung.
- [Modellkarte für Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — Metas Modellspezifikationen, Sicherheitsbewertung und ausdrückliche Einschränkungen. BIG CHANGE hat sie nicht reproduziert.
- [Muse Model License und Nutzungsrichtlinie](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — Veröffentlichung vom 15. Oktober 2026; Bedingungen für Kopien, Produkthinweis und die Model-as-a-Service-Umsatzregelung.