Muse Spark Open：Meta 的 816B 开源权重模型——规格、基准测试、许可证和硬件要求

Meta 于 2026 年 10 月 15 日发布了 Muse Spark Open 的权重，称其为“迄今为止美国最强大的开源权重模型”。该模型是一个 816B 参数的原生多模态系统，具有 42B 活跃参数和 1M token 的上下文窗口，定位用于编码、智能体工作和长周期推理任务。此次发布在 Hacker News 上获得了 827 分和 415 条评论，主要讨论主题是与中国开源权重模型的基准测试竞争力、许可证条款以及 Meta 用于演示设备端推理的硬件成本。

Muse Spark Open 到底是什么

Muse Spark Open 是一个原生多模态、开源权重的语言模型，总参数为 8160 亿，活跃参数为 420 亿，根据 Muse 模型许可证发布。Meta 表示，该模型专为编码和智能体工作而构建，并擅长长周期任务、复杂软件工程和多步骤推理。

属性	值
总参数	816B
活跃参数	42B
上下文窗口	1M tokens
模态	原生多模态
发布日期	2026 年 10 月 15 日
许可证	Muse 模型许可证（有限商业条款）
主要定位	编码、智能体工作、长周期任务

Meta 表示，该模型是其同类中首个可以在桌面上运行的模型，使用两台配备 MLX 框架的 Apple M5 Ultra Mac Studio。

桌面推理声明依赖于两台 M5 Ultra Mac Studio

Meta 的头条桌面声明需要两台 Apple M5 Ultra Mac Studio，而不是一台。Meta 给出的理由是，Apple 的统一内存架构让 M5 Ultra 的集成 GPU 每台 Mac Studio 最多可使用 512 GB，因此两台机器可以容纳整个模型，而芯片的 1.2 TB/s 内存带宽足以读取每个 token 所需的小切片。Meta 将这一结果描述为“两台 Mac Studio 就像一台拥有 1 TB 统一内存的超级计算机”。

Hacker News 评论者对这一可访问性框架提出了质疑。一位评论者计算了成本：

“按照目前 Apple Mac Studio Ultra 的市场价格，30 核 CPU + 64 核 GPU 搭配 256GB 内存的配置已经接近 1 万美元。请记住，最近电脑是增值资产。512GB 内存选项甚至还没有上市（他们说 10 月底才有货）。根据 Apple 的典型定价，每台可能大约 1.4 万美元。所以我们看到 Muse 团队宣传的这套配置至少需要 2.8 万到 3 万美元。” — @devy

同一位评论者将这套配置与 NVIDIA H100（96 GB HBM3，内存带宽高达 3.94 TB/s）进行了比较，后者是 Mac Studio 统一内存速度的三倍多，并质疑 Meta 如何获得未发布的、配备 512 GB 内存的 M5 Ultra 硬件。

几位评论者将 Meta 的“未来属于每个人”的信息与硬件要求之间的差距视为此次发布的核心讽刺：

“‘我们相信 AI 属于每个人’*那些能买得起两台总内存 1 TB 的 M5 Studio 的人。” — @markstos

“终于将 AI 访问民主化了，查一下笔记，面向桌面上至少有两台 Apple M5 Ultra Studio 的人。” — @octomind

帖子中的一个反驳观点认为，Mac 优化才是此次发布真正重要的部分：“令人兴奋的是他们针对 Mac 上的推理进行了优化。这以及其他消费级硬件的优化，才是本地 AI 需要发展的方向”（@TomGarden）。

第三方基准测试显示其落后于中国开源权重模型

Meta 自己的基准测试表将 Muse Spark Open 与 Inkling、Nemotron 3 Ultra、Beam、Mistral 4 Large、Qwen3.8-2.4T-A95B、GLM 5.3 和 Kimi K3 在智能体、知识和推理、编码以及工具辅助多模态评估方面进行了比较。Meta 指向一份单独的评估方法报告以获取详细信息。

评论者引用了 Artificial Analysis 的分数，显示该模型低于几个竞争对手。一位评论者报告称，在 Artificial Analysis 上得分为 39，“与 Deepseek v4.1 flash 和 Mimo 2.5 Flash 差不多。落后于 Glm 5.3 flash 和 Qwen3.8-Flash-Next”（@GodelNumbering）。另一位写道，该模型“表现不如 Qwen3.8 Flash Next 和 GLM 5.3 Flash，这两者都可以在单个 B300 上运行”（@a11r）。

帖子中反复出现的抱怨是，Artificial Analysis 只发布最高推理级别的比较，评论者认为这不能代表生产使用情况。“我真的很希望他们开始提供这些模型在低和中等推理级别下的比较，因为这些往往是实际用于生产的级别，”@a11r 写道。

评论者还将 Muse Spark Open 与 Meta 自己之前的模型进行了不利比较。“在性能方面，这似乎比 Muse Spark 1.3 的基准测试结果差一些，更接近 1.2 但不完全相同。当然比 Muse Wonder Full 差得多，”@modeless 写道。另一位评论者声称该模型“具有过时的注意力机制，在 1M tokens 下，仅 KV 缓存就需要超过 200GB”（@redox99）。

一位评论者质疑了基准测试集本身的框架：“有趣的是，muse 的基准测试仅限于开源权重模型。而 glm 推出 5.3 及其 flash 变体时，他们与 kimi、Anthropic 和 Open ai 进行了比较”（@Regex777）。

许可证是开放权重，而非开源

Muse 模型许可证允许许多开发者免费使用，但包含一项“模型即服务”条款。一位评论者阅读了许可证并总结了关键限制：

“如果被许可方或其任何关联公司通过 API 或类似接口向第三方提供人工智能模型作为产品或服务，其中第三方接收此类模型的输出（‘模型即服务’），并且被许可方及其关联公司在任何连续十二 (12) 个月期间的总收入超过两千 (20) 万美元……则被许可方必须在将该软件或任何衍生品作为该模型即服务业务的一部分提供之前，通知 Meta 并与 Meta 签订单独的书面协议。” — @seizethecheese，引用许可证

同一位评论者指出，该条款不适用于内部使用、研究或非模型即服务的商业活动，也不适用于将模型作为非模型服务产品内部的组件使用。“他们允许在商业产品中使用这个模型，只是不能直接出售模型，”评论者总结道。

其他评论者反对这种框架。“它不是开源的！！！”@I_am_tiberius 写道。一个更温和的观点：“这对‘开源权重’模型来说是巨大的进步。引号是因为限制，但仍然是进步”（@itsmeduncan）。

一位评论者认为，单独许可要求具有市场效应：“单独许可的通常效果是减少来自公共提供商的竞争性定价（就像我们在 Kimi K3 上看到的那样）。我想如果价格固定，对提供商来说更好：任何效率提升都直接改善利润率，而不是随着时间的推移压低价格”（@popinman322）。

推理支持几乎涵盖所有主要运行时

Meta 表示，Muse Spark Open 可在 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、Apple MLX、llama.cpp 和 Unsloth 上运行，并针对 AMD、Apple、Intel 和 NVIDIA 芯片进行了优化。开发者还可以使用 PyTorch 进一步定制模型，Meta 推荐使用 TorchTitan 进行调优。

评论者指出，这种支持的广度是一个真正的优势：“他们做了大量工作，确保这个模型可以在几乎所有模型运行器上运行，从 Unsloth 到 MLX”（@armcat）。

开源权重版本附带 SGLang 中的自定义、可自动调优的 Helion GPU 内核。Meta 报告称，在 NVIDIA 和 AMD GPU 上实现了 1.03–3.95 倍的内核级加速，在 AMD MI350 上实现了 3% 的端到端加速。

可用性：API、权重托管和智能体演示

Muse Spark Open 可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 的 API 平台获得。模型权重可从 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face 和 Microsoft Foundry Models 下载。Meta 发布了一个 MLX 适配器，用于在 Mac Studio 上运行该模型。

Meta 报告称，测试了完全在设备端运行的智能体工作流，使用由 Muse Spark Open 驱动的 Muse Code，包括向 Ice Cubes（一个开源 Mastodon 客户端）推送真实的 iOS 更改——错误修复、新功能和完整构建——以及端到端驱动 DaVinci Resolve，模型逐帧审查素材以找到最强时刻并将其垂直裁剪。

一位评论者报告称，运行了图像到 HTML 转换测试，发现该模型在该任务上表现强劲：“总的来说，它确实做得相当不错。它没有完全遵循设计，但抓住了要点。这是我见过的用于转换的最佳开放模型之一，令人印象深刻”（@jjcm）。

安全评估和许可框架

Meta 表示，Muse Spark Open 接受了额外的安全后训练，因为开放权重本身带有其自身的考量。该公司表示，已根据其 Meta 超级智能扩展框架对模型进行了评估，涵盖了最严重的风险，并且模型达到了该框架要求发布的门槛。详细结果在 Hugging Face 上的 Muse Spark Open 模型卡中，完整评估报告承诺将发布。

发布权重的战略论点

帖子中关于 Meta 为何会发布一个接近前沿的模型进行了大量辩论。获得最多点赞的战略观点认为，Meta 最初的开放模型论点正在得到验证：

“智能的租金市场从未实现，如果你拥有前沿模型，你可以收取租金（几周，也许一个月）。但在一定能力水平之后，价格才是决策的驱动力。扎克伯格正在做他擅长的事情，围绕网络建立护城河（Muse 非常粘性），现在我们都将标准化在 Meta 的模型上，我们将大力优化基础设施来运行该模型，使其扩展成本更低，从而吸引更多参与者进入他的网络，进而使他的网络更有价值。Meta 将赢得消费者 AI。” — @swalsh

一个相关的论点侧重于分发而非模型质量：“世界上没有多少团队能够像 Meta 那样大规模地部署类似 muse 的产品来 A/B 测试大量假设……我的父母和他们的家人从未听说过 Claude，也不使用 chat gpt，除了偶尔作为搜索引擎。但 Meta 会想办法将其插入模态和信息流中”（@itissid）。

其他人对“美国开源权重”这一框架本身持怀疑态度。“发布‘美国最强大的开源权重模型’有什么意义？我能理解为什么我可能关心模型服务提供商的位置，但作为模型用户，我为什么要关心开源权重模型的训练地点？”@lern_too_spel 问道。另一位评论者观察到各实验室的一种模式：“做开源权重模型的公司正在从宣传‘最好的’转向‘美国/欧盟最好的’……这听起来也像是对中国公司在开源权重模型领域变得多么优秀的含蓄承认”（@sergdigon）。

API 用户的成本和定价问题

评论者指出定价是一个实际障碍。“OpenRouter 上的价格需要降下来，因为目前这是一个不如 deepseek v4.1 flash 的模型，但成本却高出约 10 倍”（@keyle）。另一位评论者指出，让他们保持付费订阅的主要原因是更强大模型的 token 成本（@popinman322）。

发布引发的未解决问题

帖子中的几个点在源材料中仍未解决：

Meta 是否获得了未发布的、配备 512 GB 统一内存的 M5 Ultra 硬件，或者桌面演示是根据规格编写的。一位评论者指出，512 GB 配置列于 10 月底可用（@devy）。
鉴于评论者声称新版本在相同评估中低于 Muse Spark 1.3 和 Muse Spark 1.2，Muse Spark Open 与它们相比如何。
考虑到一位评论者估计 KV 缓存内存需求超过 200 GB，1M token 的上下文窗口是否实际可用。
Meta 是否会发布 Muse Spark 1.2 的权重，一位评论者称扎克伯格个人已承诺（@sharktheone）。

Meta 的完整评估报告在发布时被描述为“即将可用”。