Meta 釋出 Muse Spark Open 權重：816B MoE，收費門檻改看營收
Meta Research · 2026-10-15 · meta-models/Muse-Spark-Open-816B-A42B
Meta 把原本只能透過 API 使用的 Muse Spark 系列，以 可下載權重 的形式放出：總參數 816B、每 token 啟用 42B 的多模態 MoE，上下文 1M tokens。授權是自訂的 Muse Model License，而不是 Llama 時代的 MAU 上限，改以營收劃線。
權重在 Hugging Face 模型卡，2026-10-15 發布，提供 BF16 與 NVFP4 兩種版本。
模型規格
依模型卡，它是 MoE Transformer 加 Perception Encoder，輸入支援文字、圖片、影片、音訊，輸出只有文字。
- 主幹：62 層、hidden 8192；128 個 query heads 配 16 個 KV heads（GQA），啟用 gated attention 與 QK-norm
- 專家：共 256 個，每 token 走 top-k 路由啟用 8 個
- 詞表 202,048，輸入與輸出 embedding 不共用
- 視覺編碼器：1.8B 參數、50 層
小細節：模型卡內文寫 816B，但 Hub 的 model-size 欄位顯示 822B。官方未說明差異，自己估顯存時請以實際檔案為準。
自架門檻
模型卡列出的需求是 NVFP4 至少 700GB VRAM、BF16 需 2TB。這代表單機 8 卡也不一定夠，NVFP4 版至少要多節點或大顯存配置。桌面端，Meta 提到兩台 Apple M5 Ultra Mac Studio（各最高 512 GB 統一記憶體）搭配 MLX 可以跑。
推論引擎支援 SGLang、vLLM、TensorRT-LLM、Transformers、MLX、llama.cpp、Unsloth。最短路徑：
pip install vllm
vllm serve "meta-models/Muse-Spark-Open-816B-A42B"推理強度有 low、medium、high、xhigh 四檔，預設是 xhigh，temperature 與 top_p 建議都用 1.0，top_k 關閉。預設最高檔意味著延遲與 token 用量會偏高，做低延遲服務的人要自己降檔並重測。
授權：營收門檻而非 MAU
依模型卡摘錄的授權條文，要點有三個：
- 必須標示「Built with Muse Spark Open」
- 授權方與關係企業在任意連續 12 個月營收超過 20 million 美元時，若要把模型或衍生品當 Model as a Service 對外提供，必須先通知 Meta 並另簽書面協議
- 內部使用、研究、非 MaaS 的商業活動，以及把模型當成自家產品功能的元件，都不在此限
影響最直接的是 推論代管商與 API 轉售業者：年營收過線就要談合約。一般企業內部部署、或把它嵌進自家 App，條文上不受這條約束。另外禁止未滿 18 歲者使用，並附有 Usage Policy。
評測：長在 agent 與多模態，短在 coding 與數學
以下為 xhigh 設定下，模型卡對照表中的數字（比較對象含 GLM 5.3、Kimi K3、Qwen3.8 等，皆為 Meta 自行公布）：
| 基準 | Muse Spark Open | 表中最佳他牌 |
|---|---|---|
| MCP-Atlas | 89.2 | 84.5（Qwen3.8） |
| ZeroBench（含工具） | 50.0 | 41.0（Kimi K3） |
| Terminal-Bench 2.1 | 76.4 | 85.0（Kimi K3） |
| DeepSWE 1.1 | 60 | 68（Kimi K3） |
| GPQA Diamond | 89.0 | 93.5（Qwen3.8、Kimi K3） |
| AA Intelligence Index | 39 | 45（GLM 5.3） |
可以讀出：工具呼叫（MCP-Atlas）與視覺推理領先，終端機與 SWE 類任務落後。若你的場景是 coding agent，Terminal-Bench 與 DeepSWE 的差距比較貼近日常；若是多模態或 MCP 工具編排，才是它的強項。
完整評測報告尚未公布，方法論文件以圖片呈現，設定細節無法從文字核對，部落格也說完整報告「soon」。上表數字都是廠商自報，採用前請在自己的任務上重跑。
影響範圍
想評估自架的團隊，先確認顯存預算是否達到 700GB 的 NVFP4 底線；做 MaaS 的團隊先看自己的營收是否跨過 20 million 美元；做 agent 的團隊用自己的 MCP 工具集測 xhigh 與 high 的成本差。Meta 另列了 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI 作為託管 API 夥伴，不想養 GPU 可直接走這些。
原始來源：Meta 公告、Hugging Face 模型卡、評測方法論