Inilabas ng Meta ang mga weight para sa Muse Spark Open noong Oktubre 15, 2026. Maaari nang i-download ng isang team ang BF16 o NVFP4 checkpoint ng Meta, magserbisyo ng suportadong format sa sarili nitong hardware, o tumawag sa modelo sa pamamagitan ng isang launch partner. Mahalaga ang pagpili: mga 1.65 TB ng weight ang buong checkpoint, mga 537 GB ang NVFP4 checkpoint, at may sariling tuntunin sa access at presyo ang isang hosted endpoint. Sinuri ng BIG CHANGE ang mga dokumento ng paglulunsad, model card, gabay sa pagseserbisyo at lisensiya. Hindi namin isinagawa ang pag-download o pagpapatakbo ng modelo.

Inilalarawan ng Meta ang Muse Spark Open bilang isang sparse mixture-of-experts model na may kabuuang 816 bilyong parameter at mga 42 bilyong aktibo sa bawat token. Tumatanggap ito ng text, larawan, video at audio, at text ang inilalabas. Itinatakda ng dokumentasyon ng modelo ang maximum na context na 1,048,576 token. Limitasyon iyon ng modelo, hindi pangakong maglalaan ng ganoon karaming token ang bawat provider o lokal na configuration.

Ang malaking pagbabago

  • Ano ang nagbago: Naglabas ang Meta ng nada-download na mga weight ng Muse Spark Open sa ilalim ng Muse Model License nito, kasama ang dokumentadong mga paraan para sa sariling hosting, mga API ng partner at post-training.
  • Bakit ito mahalaga: Maaaring piliin ng mga developer kung saan tatakbo ang inference at aling checkpoint o provider ang angkop sa kanilang workload. Mas nagiging tiyak ang pagpiling iyon dahil sa inilabas na mga recipe ng configuration, ngunit nakasalalay pa rin sa paraan ang memory, context, presyo at access.
  • Ano ang dapat abangan: Mga independiyenteng pagsubok sa inilabas na checkpoint, context at presyong partikular sa provider, at pagganap ng mas maliliit na quantization sa tunay na gawain. Hindi pinatutunayan ng mga demonstrasyon at evaluation ng Meta ang gayong resulta sa ibang deployment.

Mga weight, hardware at context

Sa gabay sa pag-download ng Meta, may dalawang sariling repository ng kumpanya sa Hugging Face: meta-models/Muse-Spark-Open-816B-A42B para sa BF16 at meta-models/Muse-Spark-Open-816B-A42B-NVFP4 para sa mas maliit na checkpoint. Mga 1.65 TB ang mga BF16 weight file; mga 537 GB ang NVFP4. Mga laki iyon sa storage, bago idagdag ang key-value cache, mga activation at runtime overhead. Sa mga halimbawa ng pagseserbisyo ng Meta, nasa walong B300 GPU ang BF16 at nasa apat na B300 GPU ang NVFP4. Inilalarawan din ng talahanayan nito ng hardware ang mga AMD Instinct configuration na may vLLM, isang Intel Xeon 6 INT4 na paraan na may SGLang, at Apple MLX configuration na gumagamit ng dalawang M5 Ultra Mac Studio na may tig-512 GB na unified memory, o apat na may tig-256 GB. Tiyak na mga recipe ang mga ito, hindi pangkalahatang garantiya ng compatibility.

Para sa workstation na mas kaunti ang memory, itinuturo ng gabay sa deployment ang mga third-party na GGUF quantization. Ang planning range nito para sa Unsloth ay mga 300–315 GB na pinagsamang RAM at VRAM para sa dynamic na 2-bit na bersiyon. Iba ang checkpoint at runtime na iyon sa mga BF16 at NVFP4 download ng Meta. Nagsisimula ang halimbawang Unsloth command sa context na 32,768 token upang kontrolin ang paggamit ng memory. Dapat ibagay ng team ang aktuwal na context at mga parallel request sa memory na mayroon, sa halip na ituring ang isang milyong token na hangganan ng modelo bilang default na setting sa pagseserbisyo.

Piliin kung saan tatakbo ang mga request

Idinodokumento ng gabay sa pagseserbisyo ang mga server na paraan sa SGLang, vLLM at TensorRT-LLM, isang Transformers Python na paraan, MLX para sa tinukoy na ayos ng Mac Studio, at llama.cpp at Unsloth kasama ang kani-kanilang GGUF variant. Inililista nito ang mga OpenAI-compatible na HTTP endpoint para sa ilang server runtime; Python interface ang gamit ng Transformers. Tinutukoy ng bawat recipe ang checkpoint, parallelism at runtime setting nito. Kapag ibang quantization o accelerator ang pinili, kailangan ang sariling recipe ng paraang iyon.

Inililista rin ng Meta ang hosted access sa araw ng paglulunsad sa pamamagitan ng Baseten, Fireworks AI, Modal, Nebius, OpenRouter at Together AI. Inilalarawan ang paraan ng Groq bilang limitadong preview, kaya nakasalalay ang access doon sa pagiging kwalipikado ng organisasyon. Ibinubukod ng seksiyon ng mga partner ang mga serverless at dedicated na alok. Hindi nito itinatakda ang iisang presyo o context allocation para sa lahat ng provider. Credentials at pagsingil ng provider ang gamit ng isang hosted API; kailangan ng lokal na inference ang checkpoint, malaking storage at compatible na compute. Ayon sa download guide ng Meta, hindi kailangan ng model API key para sa offline na lokal na pagpapatakbo matapos makuha ang mga weight.

Para sa unang evaluation, maaaring gumamit ang mga developer ng endpoint ng partner upang subukan ang sarili nilang mga prompt at tool call, o sundin ang eksaktong lokal na recipe para sa kanilang checkpoint at hardware. Nagbabala ang model card ng Meta na maaaring maglabas ang modelo ng hindi tumpak na sagot at magkamali sa pangangatwirang maraming hakbang. Inirerekomenda nito ang mga pananggalang sa antas ng system para sa mga agent na may tool. Hindi ipinapakita ng demonstrasyon sa paglulunsad o ng mga benchmark na iniulat ng kumpanya na mapagkakatiwalaang matatapos ng agent ang workflow ng isang partikular na team.

May mga kondisyon ang lisensiya

Ang Muse Model License, na may petsang Oktubre 15, ay nagpapahintulot sa paggamit, pagbabago at pamamahagi alinsunod sa mga kondisyon nito at kalakip na usage policy. Kailangang kasama ng mga kopya at derivative ang lisensiya at policy, at kailangang may kapansin-pansing abisong “Built with Muse Spark Open” ang mga produkto o serbisyong gumagamit sa software o derivative nito. Ang provider ng model-as-a-service na ang pinagsamang gross revenue nito at ng mga kaanib na kumpanya ay lumampas sa US$20 milyon sa anumang yugto ng 12 magkakasunod na buwan ay kailangang mag-abiso sa Meta at pumasok sa hiwalay na nakasulat na kasunduan bago ialok ang modelo o mga derivative sa negosyong iyon. Tahasang ibinubukod ng lisensiya sa partikular na rekisitong iyon ang panloob na paggamit at mga komersiyal na produktong gumagamit sa modelo bilang bahagi nang hindi nag-aalok ng model-as-a-service na produkto. Dapat basahin ng mga team na nagpaplanong mag-deploy ang kasalukuyang lisensiya at policy para sa kanilang paggamit. Hindi nagiging unrestricted open source ang inilabas na modelo dahil nada-download ang mga weight, at hindi karaniwang libre ang hosted inference o hardware.

Inilabas ng Meta ang modelong ito tatlong araw matapos ipakilala ang hosted na pamilyang Muse Wonder. Nagbibigay ang Spark Open sa mga team ng hiwalay na pasya sa pag-download ng weight at deployment. Ang praktikal na tanong ngayon ay kung aling dokumentadong paraan ang makasuporta sa nilalayong input, context, budget at proseso ng review ng team. Pagpili pa rin iyon ng configuration at evaluation, hindi resultang sinukat ng BIG CHANGE.

Mga sanggunian at karagdagang babasahin