Meta 於當地時間 10 月 15 日宣佈開放 Muse Spark Open 模型權重，並將其定位為迄今能力最強的美國開放權重模型。該模型採用稀疏混合專家架構，總引數量 8160 億，每個 token 啟用約 420 億引數，支援 1,048,576 token 上下文，可接收文本、圖片、音訊和影片，輸出為文本。Meta 將軟體工程、長程任務執行和多步推理列為主要應用方向。

與權重一同受到關注的是本地執行方案。通過 MLX 框架，開發者可在兩台搭載 M5 Ultra 的 Mac Studio 上部署該模型。官方文件顯示，BF16 版本權重約 1.65 TB，NVFP4 版本約 537 GB，另需為 KV Cache、啟用值和執行時開銷預留空間。GPU 部署示例中，BF16 版本使用 8 張 B300，NVFP4 版本使用 4 張 B300。蘋果公佈的研究還展示了四台 Mac Studio 的分散式推理結果，生成速度超過每秒 36 個 token。

效能方面，Meta 公佈的結果顯示，Muse Spark Open 在 JobBench 上得分 61.8，MCP-Atlas 為 89.2，OSWorld Verified 為 80.4；程式設計相關測試中，Terminal-Bench 2.1 為 76.4，DeepSWE 1.1 為 60。值得注意的是，在 Terminal-Bench 2.1 和 DeepSWE 1.1 兩項測試中，其得分低於國產開源模型 GLM 5.3 max 和 Kimi K3 max，並未呈現全面領先。

官方演示中，Meta 使用由 Muse Spark Open 驅動的 Muse Code 在本地完成開源 Mastodon 客戶端 Ice Cubes 的 iOS 開發，涉及修復問題、新增功能和完整構建；另一項演示讓模型操作 DaVinci Resolve，逐幀檢查素材、挑選片段並進行豎屏裁剪。這些案例展示了模型連線真實軟體的方向，但仍屬官方展示，不能直接推導為所有同類任務均可無人值守完成。

本地部署是此次釋出的重要看點，但“可以本地執行”不等於普通筆記本能夠承擔。稀疏架構減少了每個 token 參與計算的引數量，完整權重仍需載入。技術分析指出，MoE 減少活躍計算、量化降低權重儲存開銷、多台機器提供總記憶體容量、推理框架協調分散式執行，四者共同作用才使桌面部署成為可能。蘋果方案使用 Thunderbolt 上的 RDMA，由 MLX 提供集合通訊支援；M5 Ultra 統一記憶體頻寬為 1.2TB/s，但這是單機指標，不能視為兩台 Mac 之間的通訊頻寬。

對於不準備自建硬體的團隊，Muse Spark Open 也提供託管訪問路徑。官方列出的生態夥伴包括 Baseten、Fireworks AI、Groq、Modal、Nebius、Together AI 和 OpenRouter；部署工具覆蓋 SGLang、vLLM、TensorRT-LLM、llama.cpp 和 MLX 等。開發者可先通過 API 驗證任務效果，再評估是否自行部署。

許可證方面，Muse Spark Open 採用 Muse Model License，開放權重不等於沒有商業使用條件。許可證允許在滿足條款的前提下使用、修改、微調、蒸餾和分發模型，並要求相關產品或文件展示指定歸屬標識。對通過 API 等方式提供模型即服務的企業，若被許可方及其關聯方在任意連續 12 個月內合計總收入超過 2000 萬美元，條款要求其在將模型或衍生模型用於該業務前通知 Meta 並簽訂單獨書面協議。該規定同時列有例外，包括內部使用、研究、非模型即服務商業活動，以及用模型支援自有非模型即服務產品的功能。

Meta 還介紹了集成於 SGLang 的定製 Helion GPU 運算元，稱其在 NVIDIA 和 AMD GPU 上實現 1.03—3.95 倍的運算元級加速，在 AMD MI350 上實現約 3% 的端到端加速。這裡需區分“運算元級”與“端到端”：區域性運算元加速對整體效能的影響取決於其原本佔用的執行時間，不能理解為模型在所有硬體上都能獲得接近四倍的推理速度。

模型釋出後在國外社群引發熱議，評價不一。有網友對基準成績持保留態度，認為模型總是針對榜單做極致最佳化；也有人認可 Meta 再次開放權重，但對使用條款不滿。另有使用者分享實際對比稱，在相同提示詞和各自最高可用推理設定下，Muse 耗時約 40 分鐘、花費約 30 美元，而 Gemini 4 Argon 耗時約 30 分鐘、花費約 10 美元，並評價 Argon 稍好一些。

從這次釋出可以看到，大型開放權重模型的競爭正在延伸到實際部署環節：模型能否完成持續的軟體操作、能否接入現有工具、開發者需要付出多少硬體與運維成本，正變得與引數和榜單成績同樣重要。Muse Spark Open 增加了本地執行大型智慧體模型的可能性，但從“下載得到”走向“穩定用得起”，仍需真實工作負載下的驗證。