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

# Meta publie les poids de Muse Spark Open et des guides de déploiement

> Meta a publié les poids de Muse Spark Open le 15 octobre. Ses checkpoints BF16 et NVFP4, les API hébergées et la Muse Model License offrent aux développeurs plusieurs voies, chacune avec ses limites.

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 a publié les poids de Muse Spark Open le 15 octobre 2026. Une équipe peut désormais [télécharger les checkpoints BF16 ou NVFP4 de Meta](https://dev.meta.ai/docs/muse-spark-open/get-the-model), exécuter un format pris en charge sur son propre matériel ou appeler le modèle par l'intermédiaire d'un partenaire de lancement. Ce choix compte : le checkpoint complet représente environ 1,65 To de poids, le checkpoint NVFP4 environ 537 Go, et chaque point d'accès hébergé a ses propres conditions d'accès et de tarification. BIG CHANGE a consulté les documents de lancement, la fiche du modèle, le guide de déploiement et la licence. Nous n'avons ni téléchargé ni exécuté le modèle.

Meta décrit Muse Spark Open comme un modèle à mélange d'experts parcimonieux, comptant 816 milliards de paramètres au total, dont environ 42 milliards actifs par token. Il accepte du texte, des images, de la vidéo et de l'audio, et produit du texte. La [documentation du modèle](https://dev.meta.ai/docs/muse-spark-open) indique un contexte maximal de 1 048 576 tokens. C'est une limite du modèle, pas la promesse que chaque fournisseur ou configuration locale allouera autant de tokens.

## Le grand changement

- **Ce qui a changé :** Meta a publié les poids téléchargeables de Muse Spark Open sous sa Muse Model License, avec des procédures documentées pour l'auto-hébergement, les API partenaires et le post-entraînement.
- **Pourquoi c'est important :** Les développeurs peuvent choisir où s'exécute l'inférence et quel checkpoint ou fournisseur convient à leur charge de travail. Les configurations publiées rendent ce choix plus concret, mais la mémoire, le contexte, le prix et l'accès dépendent toujours de la voie retenue.
- **À surveiller :** Les tests indépendants du checkpoint publié, le contexte et les tarifs propres à chaque fournisseur, ainsi que le comportement des versions à quantification plus compacte sur des tâches réelles. Les démonstrations et évaluations de Meta ne permettent pas d'établir ces résultats pour un autre déploiement.

## Poids, matériel et contexte

Le [guide de téléchargement](https://dev.meta.ai/docs/muse-spark-open/get-the-model) de Meta désigne deux dépôts officiels sur Hugging Face : `meta-models/Muse-Spark-Open-816B-A42B` pour BF16 et `meta-models/Muse-Spark-Open-816B-A42B-NVFP4` pour le checkpoint plus compact. Les fichiers de poids BF16 occupent environ 1,65 To ; ceux en NVFP4, environ 537 Go. Il s'agit de tailles de stockage, avant le cache clé-valeur, les activations et les surcoûts de l'environnement d'exécution. Les exemples de déploiement de Meta utilisent huit GPU B300 pour BF16 et quatre GPU B300 pour NVFP4. Son [tableau du matériel](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) décrit aussi des configurations AMD Instinct avec vLLM, une voie Intel Xeon 6 INT4 avec SGLang et une configuration Apple MLX utilisant deux Mac Studio M5 Ultra dotés chacun de 512 Go de mémoire unifiée, ou quatre dotés chacun de 256 Go. Ce sont des configurations précises, pas une garantie générale de compatibilité.

Pour une station de travail disposant de beaucoup moins de mémoire, le [guide de déploiement](https://dev.meta.ai/docs/muse-spark-open/deploy) renvoie à des quantifications GGUF tierces. Pour une version dynamique à 2 bits, la fourchette de planification Unsloth est d'environ 300 à 315 Go de RAM et VRAM combinées. Le checkpoint et l'environnement d'exécution diffèrent de ceux des téléchargements BF16 et NVFP4 de Meta. L'exemple de commande Unsloth commence avec un contexte de 32 768 tokens pour maîtriser l'usage de la mémoire. Une équipe doit dimensionner son contexte réel et ses requêtes parallèles selon la mémoire disponible, sans interpréter le plafond d'un million de tokens du modèle comme un réglage de déploiement par défaut.

## Choisir où s'exécutent les requêtes

Le [guide de déploiement](https://dev.meta.ai/docs/muse-spark-open/deploy) documente les voies serveur SGLang, vLLM et TensorRT-LLM, une voie Python avec Transformers, MLX pour la configuration Mac Studio précisée, ainsi que llama.cpp et Unsloth avec leurs variantes GGUF. Il répertorie des points d'accès HTTP compatibles avec OpenAI pour plusieurs environnements serveur ; Transformers utilise une interface Python. Chaque procédure précise son checkpoint, son parallélisme et ses paramètres d'exécution. Une autre quantification ou un autre accélérateur exige la procédure propre à cette voie.

Meta indique aussi un accès hébergé dès le lancement via Baseten, Fireworks AI, Modal, Nebius, OpenRouter et Together AI. La voie Groq est décrite comme un aperçu à accès limité : l'accès dépend donc de l'éligibilité de l'organisation. La [section consacrée aux partenaires](https://dev.meta.ai/resources/blog/build-with-muse-spark-open#hosted-inference) distingue les offres sans serveur des offres dédiées. Elle n'établit ni un tarif unique ni une allocation de contexte commune à tous les fournisseurs. Une API hébergée utilise les identifiants et la facturation du fournisseur ; l'inférence locale exige le checkpoint, un stockage important et des ressources de calcul compatibles. Le guide de téléchargement de Meta précise qu'une exécution locale hors ligne n'a besoin d'aucune clé d'API de modèle une fois les poids obtenus.

Pour une première évaluation, les développeurs peuvent utiliser un point d'accès partenaire afin de tester leurs propres prompts et appels d'outils, ou suivre la procédure locale exacte correspondant à leur checkpoint et à leur matériel. La [fiche du modèle](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) de Meta avertit que le modèle peut produire des réponses inexactes et commettre des erreurs dans les raisonnements à plusieurs étapes. Elle recommande des protections au niveau du système pour les agents dotés d'outils. Ni une démonstration de lancement ni les benchmarks rapportés par l'entreprise ne prouvent qu'un agent accomplira de façon fiable le processus de travail d'une équipe donnée.

## La licence comporte des conditions

La [Muse Model License](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md), datée du 15 octobre, autorise l'utilisation, la modification et la distribution sous réserve de ses conditions et de la politique d'utilisation jointe. Elle exige que la licence et cette politique accompagnent les copies et les dérivés, ainsi qu'une mention bien visible « Built with Muse Spark Open » pour les produits ou services utilisant le logiciel ou ses dérivés. Un fournisseur de modèle en tant que service dont le chiffre d'affaires brut cumulé avec celui de ses sociétés affiliées dépasse 20 millions de dollars sur toute période de 12 mois consécutifs doit avertir Meta et conclure un accord écrit distinct avant de proposer le modèle ou ses dérivés dans cette activité. La licence exclut expressément de cette exigence particulière l'utilisation interne et les produits commerciaux utilisant le modèle comme composant sans proposer un produit de modèle en tant que service. Les équipes préparant un déploiement doivent lire la licence et la politique en vigueur pour leur usage. Des poids téléchargeables ne font pas de cette publication un logiciel open source sans restriction, et l'inférence hébergée comme le matériel ne sont généralement pas gratuits.

Meta a publié ce modèle trois jours après [la présentation de la famille hébergée Muse Wonder](https://bigchange.ai/blog/meta-muse-wonder-agent-model-access). Spark Open offre aux équipes un choix distinct concernant le téléchargement des poids et le déploiement. La question pratique est désormais de savoir quelle voie documentée peut prendre en charge les entrées, le contexte, le budget et le processus de vérification prévus par l'équipe. Cela reste un choix de configuration et d'évaluation, pas un résultat mesuré par BIG CHANGE.

## Sources et lectures complémentaires

- [Annonce de Meta AI Research, 15 octobre 2026](https://research.meta.ai/blog/muse-spark-open/) — date de publication, description du modèle, liste des partenaires et démonstration de l'entreprise. Les déclarations sur les capacités et les évaluations sont celles de Meta.
- [Guide de lancement pour développeurs de Meta, 15 octobre 2026](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — documentation, voie par voie, des environnements d'exécution, checkpoints, fournisseurs hébergés et du post-entraînement. Ses déclarations sur les benchmarks et les premiers utilisateurs restent attribuées à leurs sources.
- [Documentation Meta sur le modèle, le téléchargement, le matériel et le déploiement](https://dev.meta.ai/docs/muse-spark-open) — entrées et sortie exactes, taille, procédures, prérequis et accès aux fournisseurs ; lire les paramètres actuels de chaque voie liée avant le déploiement.
- [Fiche du modèle Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — limites du modèle, évaluations de Meta et limites déclarées. BIG CHANGE ne les a ni exécutées ni reproduites de façon indépendante.
- [Muse Model License et politique d'utilisation, 15 octobre 2026](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — conditions applicables à la redistribution, à l'attribution et au modèle en tant que service. Ce résumé ne remplace pas le texte intégral.

## Sources

- [Meta AI Research : présentation de Muse Spark Open](https://research.meta.ai/blog/muse-spark-open/) — Publication du 15 octobre 2026 ; description du modèle, liste des partenaires d'hébergement et démonstration de l'entreprise. Les affirmations de Meta lui sont attribuées.
- [Meta AI Developers : développer avec Muse Spark Open](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — Guide du 15 octobre 2026 consacré aux voies d'exécution, de quantification, de fournisseurs hébergés et de post-entraînement.
- [Meta Model API : Muse Spark Open](https://dev.meta.ai/docs/muse-spark-open) — Entrées et sortie, contexte du modèle, aperçu du checkpoint et du déploiement. Documentation en ligne consultée le 16 octobre 2026.
- [Meta Model API : obtenir le modèle](https://dev.meta.ai/docs/muse-spark-open/get-the-model) — Dépôts des checkpoints BF16 et NVFP4, tailles des poids et prérequis.
- [Meta Model API : plateformes matérielles](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) — Configurations NVIDIA, AMD, Intel et Apple désignées. Elles sont propres à chaque voie.
- [Meta Model API : exécuter l'inférence](https://dev.meta.ai/docs/muse-spark-open/deploy) — API d'exécution, accès aux partenaires, choix du contexte et planification de la mémoire Unsloth.
- [Fiche du modèle Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — Spécifications du modèle de Meta, évaluation de sécurité et limites explicites. BIG CHANGE ne les a pas reproduites.
- [Muse Model License et politique d'utilisation](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — Publication du 15 octobre 2026 ; conditions relatives à la copie, à la mention du produit et à la disposition sur les revenus des fournisseurs de modèle en tant que service.