Meta 開源 Muse Spark
Meta 在 2026 年 10 月 15 日 於研究部落格釋出 Muse Spark Open 的模型權重，並稱它是迄今為止最有能力的美國開源權重模型。這款模型原生多模態，總參數約 816B、每個 token 約 42B 活躍參數，推論上下文可達 100 萬 token；官方定位給程式開發與代理式工作——長程任務、複雜軟體工程、多步驟推理。
請先分清楚：網站已有一篇講的是 Muse Wonder（API／訂閱向的代理模型）。Muse Spark Open 是另一條線——可下載權重、可自架或本機跑。本文只整理 Spark Open 的官方說法與取用管道，不重述 Wonder 的定價。
816B 參數的開源 MoE 架構
依 Hugging Face 對架構的說明，Muse Spark Open 是 Mixture-of-Experts（MoE）：每個 MoE 層有 256 個專家，每個 token 只啟用其中 8 個；專家約佔總參數的 97%。因此：
- 計算：每個 token 大致只動到約 42B 參數的計算量；
- 記憶體：部署時仍需容納完整 816B 的權重足跡。
輸入可為文字、圖像、音訊、影片，輸出為文字。官方檢查點包括 Muse-Spark-Open-816B-A42B 與量化版 Muse-Spark-Open-816B-A42B-NVFP4；BF16 safetensors 約 1.5 TB。模型約 62 層、隱藏維度 8192，同屬 Muse 系列（較小的稠密模型 Muse Glimmer 已於 8 月釋出）。
Meta 也寫道：開源權重版在 SGLang 附帶可自動調校的 Helion GPU kernel，在 NVIDIA 與 AMD 上有 1.03–3.95× 的 kernel 級加速，並在 AMD MI350 上量到約 3% 的端到端加速。細節與安全評估結果見模型卡；官方另依 Meta Superintelligence Scaling Framework 評估後認為達到釋出門檻，並做了額外的安全後訓練。
兩台 Mac Studio 本機執行
官方強調：Muse Spark Open 是其同級中第一個能用兩台 Apple M5 Ultra Mac Studio、搭配最新 MLX，在桌上型環境跑起來的模型。Apple 統一記憶體架構讓每台 Studio 的整合 GPU 可用到最高 512 GB；晶片記憶體頻寬約 1.2 TB/s，足以讀取每個 token 真正需要的那一小段權重。結果是：兩台 Studio 表現得像一台擁有約 1 TB 統一記憶體的超級電腦。
TechCrunch 引述 Engadget 的整理寫道：本機路線至少需要約 1 TB 等級的記憶體，目前最佳體驗落在 M5 Ultra Mac Studio。這對多數一人公司不是「今晚就能買兩台回家」的門檻，但說明開源前線模型已有一條不經雲端 API、完全在自家硬體上跑的官方示範路徑。
本機示範方面，官方以 Muse Code 驅動 Muse Spark Open，完成例如：為開源 Mastodon 客戶端 Ice Cubes 做 iOS 除錯、加功能、完整建置；以及端到端操作 DaVinci Resolve（逐格檢視素材、裁成直式）。
API 與權重取得管道
若你還沒有雙 Mac Studio 或大型 GPU 叢集，官方今天已把託管推論與權重下載分開寫清楚：
| 用途 | 官方點名的管道 |
|---|---|
| API／託管推論 | Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI |
| 權重下載 | Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face、Microsoft Foundry Models |
| 推論引擎／框架 | SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、Apple MLX、llama.cpp、Unsloth（並寫有 AMD／Apple／Intel／NVIDIA 優化） |
開始微調可用 PyTorch TorchTitan；在 Apple silicon 上則用 MLX 直接從 Hugging Face 拉權重。模型集合頁：Hugging Face — muse-spark-open。
一人公司怎麼選本機或雲端
對香港／台灣的一人公司與中小企，這次比較務實的讀法不是「立刻自建 816B」，而是：
- 先分清產品線：要「訂閱／API 代理體驗」請看已上線的 Muse Wonder 文；要「可下載、可自架、可本機」才是 Spark Open。
- 多數人先走 API：官方已列七家託管夥伴，適合驗證長程編碼、多模態輸入（截圖／錄音／螢幕錄影）是否真的幫得上你的業務流程，再決定要不要砸硬體。
- 本機／自架是隱私與可控性選項：雙 Mac Studio 或大型 GPU 記憶體成本高；若你處理客戶原始碼、內部文件且不能出機，才值得認真估 TCO（機器、電費、維運、量化精度）。
- 用自己的任務試，不要只抄評測標題：官方強調代理式編碼與長程任務，但本文刻意不抄未經核對的單一排行榜分數——請以 Meta／Hugging Face 原文與模型卡為準，並用你自己的 repo、剪輯流程或客服腳本做小規模 PoC。
授權條款與硬體門檻
權重以 Muse Model License 釋出，官方寫道帶有有限商業條款，並稱許多開發者可免費使用——實際能否商用、有無營收門檻，請直接讀授權全文與模型卡，不要只靠轉述。
硬體門檻同樣要寫進決策：BF16 約 1.5 TB 權重足跡、本機示範走雙 M5 Ultra Mac Studio、Engadget／TechCrunch 提到約 1 TB RAM 等級。對多數工作室，API 試用 → 確認價值 → 再評估自架或本機，會比第一天就採購兩台高階 Studio 更合理。
若你已在跑本機或私有化代理，下一步可以很具體：到 Hugging Face 集合頁確認檢查點與 MLX／llama.cpp 說明，選一家 API 夥伴用同一組「真實業務任務」對打，再決定要不要為隱私與延遲投資硬體。