AI-translated from English; not yet reviewed by a fluent editor. # Meta publica pesos do Muse Spark Open e guias para servir o modelo > A Meta publicou os pesos do Muse Spark Open a 15 de outubro. Os checkpoints BF16 e NVFP4, as API alojadas e a Muse Model License oferecem aos programadores várias vias com limites distintos. 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. A Meta publicou os pesos do Muse Spark Open a 15 de outubro de 2026. Uma equipa pode agora [descarregar os checkpoints BF16 ou NVFP4 da Meta](https://dev.meta.ai/docs/muse-spark-open/get-the-model), servir um formato suportado no seu próprio hardware ou chamar o modelo através de um parceiro de lançamento. A escolha importa: o checkpoint completo contém cerca de 1,65 TB de pesos, o checkpoint NVFP4 cerca de 537 GB, e um endpoint alojado tem as suas próprias condições de acesso e preço. A BIG CHANGE verificou os documentos de lançamento, a ficha do modelo, o guia de serviço e a licença. Não descarregámos nem executámos o modelo. A Meta descreve o Muse Spark Open como um modelo de mistura de especialistas com ativação esparsa, com 816 mil milhões de parâmetros no total e cerca de 42 mil milhões ativos por token. Aceita texto, imagens, vídeo e áudio, e produz texto. A [documentação do modelo](https://dev.meta.ai/docs/muse-spark-open) especifica um contexto máximo de 1 048 576 tokens. Trata-se de um limite do modelo, não de uma promessa de que todos os fornecedores ou configurações locais irão atribuir essa quantidade de tokens. ## A grande mudança - **O que mudou:** A Meta publicou pesos descarregáveis do Muse Spark Open ao abrigo da sua Muse Model License, juntamente com vias documentadas para alojamento próprio, API de parceiros e pós-treino. - **Porque importa:** Os programadores podem escolher onde a inferência é executada e que checkpoint ou fornecedor se adequa à sua carga de trabalho. As configurações publicadas tornam essa escolha mais concreta, mas a memória, o contexto, o preço e o acesso continuam a depender da via. - **O que acompanhar:** Testes independentes do checkpoint publicado, contexto e preços específicos de cada fornecedor e o comportamento das quantizações mais pequenas em tarefas reais. As demonstrações e avaliações da Meta não comprovam esses resultados noutra implementação. ## Pesos, hardware e contexto O [guia de transferência](https://dev.meta.ai/docs/muse-spark-open/get-the-model) da Meta identifica dois repositórios da própria empresa no Hugging Face: `meta-models/Muse-Spark-Open-816B-A42B` para BF16 e `meta-models/Muse-Spark-Open-816B-A42B-NVFP4` para o checkpoint mais pequeno. Os ficheiros de pesos BF16 ocupam cerca de 1,65 TB; o NVFP4 cerca de 537 GB. São tamanhos de armazenamento antes de contar a cache de chaves e valores, as ativações e os encargos adicionais de execução. Os exemplos de serviço da Meta colocam BF16 em oito GPU B300 e NVFP4 em quatro GPU B300. A sua [tabela de hardware](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) descreve também configurações AMD Instinct com vLLM, uma via Intel Xeon 6 INT4 com SGLang e uma configuração Apple MLX com dois Mac Studio M5 Ultra com 512 GB de memória unificada cada um, ou quatro com 256 GB cada um. São configurações identificadas, não uma garantia geral de compatibilidade. Para uma estação de trabalho com muito menos memória, o [guia de implementação](https://dev.meta.ai/docs/muse-spark-open/deploy) remete para quantizações GGUF de terceiros. O intervalo de planeamento de Unsloth é de aproximadamente 300–315 GB de RAM e VRAM combinadas para uma versão dinâmica de 2 bits. Trata-se de um checkpoint e de um ambiente de execução diferentes das transferências BF16 e NVFP4 da Meta. O comando de exemplo do Unsloth começa com um contexto de 32 768 tokens para controlar o consumo de memória. Uma equipa deve dimensionar o contexto real e os pedidos em paralelo de acordo com a memória disponível, em vez de interpretar o limite de um milhão de tokens do modelo como definição de serviço predefinida. ## Escolha onde os pedidos são executados O [guia de serviço](https://dev.meta.ai/docs/muse-spark-open/deploy) documenta vias de servidor com SGLang, vLLM e TensorRT-LLM, uma via Python com Transformers, MLX para a disposição de Mac Studio especificada e llama.cpp e Unsloth com as respetivas variantes GGUF. Enumera endpoints HTTP compatíveis com OpenAI para vários ambientes de servidor; o Transformers utiliza uma interface Python. Cada configuração indica o checkpoint, o paralelismo e as definições de execução. Selecionar outra quantização ou acelerador exige a configuração própria dessa via. A Meta enumera também acesso alojado desde o dia de lançamento através de Baseten, Fireworks AI, Modal, Nebius, OpenRouter e Together AI. A via da Groq é descrita como uma pré-visualização limitada, pelo que o acesso depende da elegibilidade da organização. A [secção de parceiros](https://dev.meta.ai/resources/blog/build-with-muse-spark-open#hosted-inference) distingue ofertas sem servidor e dedicadas. Não estabelece um preço nem uma atribuição de contexto comuns a todos os fornecedores. Uma API alojada utiliza as credenciais e a faturação do fornecedor; a inferência local requer o checkpoint, armazenamento substancial e computação compatível. O guia de transferência da Meta diz que uma execução local offline não precisa de uma chave de API do modelo depois de obtidos os pesos. Numa primeira avaliação, os programadores podem utilizar o endpoint de um parceiro para testar os seus próprios prompts e chamadas de ferramentas ou seguir a configuração local exata para o seu checkpoint e hardware. A [ficha do modelo](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) da Meta avisa que o modelo pode gerar respostas inexatas e erros em raciocínios de vários passos. Recomenda salvaguardas ao nível do sistema para agentes com ferramentas. Nem uma demonstração de lançamento nem os benchmarks divulgados pela empresa demonstram que um agente irá concluir de forma fiável o fluxo de trabalho de uma determinada equipa. ## A licença tem condições A [Muse Model License](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md), datada de 15 de outubro, permite utilização, modificação e distribuição sujeitas às suas condições e à política de utilização anexa. Exige que a licença e a política acompanhem cópias e obras derivadas, além de um aviso destacado «Built with Muse Spark Open» nos produtos ou serviços que utilizem o software ou derivados. Um fornecedor de modelos como serviço cuja receita bruta agregada com a das entidades afiliadas exceda 20 milhões de dólares em qualquer período de 12 meses consecutivos tem de notificar a Meta e celebrar um acordo escrito separado antes de disponibilizar o modelo ou derivados nesse negócio. A licença exclui expressamente desse requisito específico a utilização interna e os produtos comerciais que utilizem o modelo como componente sem oferecer um produto de modelo como serviço. As equipas que planeiem uma implementação devem ler a licença e a política atuais para a sua utilização. Poder descarregar os pesos não torna o lançamento código aberto sem restrições, e a inferência alojada ou o hardware não são geralmente gratuitos. A Meta publicou este modelo três dias depois de [apresentar a família alojada Muse Wonder](https://bigchange.ai/blog/meta-muse-wonder-agent-model-access). O Spark Open dá às equipas uma decisão separada sobre transferência de pesos e implementação. A questão prática é agora saber que via documentada pode suportar as entradas, o contexto, o orçamento e o processo de revisão pretendidos pela equipa. Continua a ser uma escolha de configuração e avaliação, não um resultado medido pela BIG CHANGE. ## Fontes e leitura adicional - [Lançamento da Meta AI Research, 15 de outubro de 2026](https://research.meta.ai/blog/muse-spark-open/) — data de lançamento, descrição do modelo, lista de parceiros e demonstração da empresa. As afirmações sobre capacidades e avaliações são da Meta. - [Guia de lançamento para programadores da Meta, 15 de outubro de 2026](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — documentação por via sobre execução, checkpoints, fornecedores alojados e pós-treino. As afirmações de benchmarks e primeiros utilizadores continuam atribuídas às respetivas fontes. - [Documentação da Meta sobre o modelo, transferência, hardware e implementação](https://dev.meta.ai/docs/muse-spark-open) — entradas e saída exatas, recursos ocupados, configurações, pré-requisitos e acesso a fornecedores; leia as definições atuais de cada via ligada antes da implementação. - [Ficha do modelo Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — limites do modelo, avaliações da Meta e limitações declaradas. A BIG CHANGE não as executou nem reproduziu de forma independente. - [Muse Model License e política de utilização, 15 de outubro de 2026](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — condições aplicáveis de redistribuição, atribuição e modelos como serviço. Este resumo não substitui o texto completo. ## Sources - [Meta AI Research: apresentação do Muse Spark Open](https://research.meta.ai/blog/muse-spark-open/) — Lançamento de 15 de outubro de 2026; descrição do modelo, lista de parceiros alojados e demonstração da empresa. As afirmações da Meta estão atribuídas. - [Meta AI Developers: criar com Muse Spark Open](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — Guia de 15 de outubro de 2026 sobre vias de execução, quantização, fornecedores alojados e pós-treino. - [Meta Model API: Muse Spark Open](https://dev.meta.ai/docs/muse-spark-open) — Entradas e saída, contexto do modelo, checkpoint e visão geral do serviço. Documentação online verificada a 16 de outubro de 2026. - [Meta Model API: obter o modelo](https://dev.meta.ai/docs/muse-spark-open/get-the-model) — Repositórios de checkpoints BF16 e NVFP4, dimensões dos pesos e pré-requisitos. - [Meta Model API: plataformas de hardware](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) — Configurações NVIDIA, AMD, Intel e Apple identificadas. São específicas de cada via. - [Meta Model API: executar inferência](https://dev.meta.ai/docs/muse-spark-open/deploy) — API dos ambientes de execução, acesso a parceiros, opções de contexto e planeamento de memória do Unsloth. - [Ficha do modelo Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — Especificações do modelo da Meta, avaliação de segurança e limitações explícitas. A BIG CHANGE não as reproduziu. - [Muse Model License e política de utilização](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — Lançamento de 15 de outubro de 2026; condições de cópia, aviso de produto e cláusula de receita de modelos como serviço.