AIREITERSchon die veröffentlichten Demonstrationen verlangen mindestens zwei Mac Studios mit maximalem Arbeitsspeicher. Für die meisten Entwickler ist es deshalb sinnvoller, Muse Spark Open zunächst über eine gehostete API auszuprobieren.
Lohnt sich Muse Spark Open?
Für private, lang laufende Agenten-Workflows ist Muse Spark Open eine ernsthafte Option – vor allem dann, wenn herunterladbare Gewichte und breite Runtime-Unterstützung gefragt sind. Als Standardwahl für gewöhnliche Coding-Aufgaben drängt es sich allerdings nicht auf: Der Infrastrukturaufwand ist enorm, und bei den von Meta veröffentlichten Coding-Werten liegen mehrere Open-Weight-Alternativen vorn.
| Situation | Empfehlung | Warum |
|---|---|---|
| Agenten- oder Tool-Use-Qualität testen | Gehosteten Anbieter nutzen | Kein Cluster-Kauf und kein verteiltes MLX-Setup nötig |
| Private On-Premises-Workflows | Self-Hosting erwägen | Die Gewichte bleiben unter der Kontrolle der Organisation |
| Routine-Codegenerierung | Zuerst kleinere Modelle vergleichen | Muse Spark Open führt die angeführten Coding-Tests nicht an |
| Eine Consumer-GPU oder ein Mac | Nicht selbst hosten | Der 4-Bit-Checkpoint lässt keinen Spielraum für den Inferenz-Workspace |
| Kommerzielles Modell-API-Geschäft | Lizenz zuerst prüfen | Eine Umsatzschwelle und eine Klausel für separate Vereinbarungen können greifen |
| Volle 1M-Token-Last | Mit repräsentativen Daten validieren | Die veröffentlichten Apple-Tests enden bei 65.536 Token |
Der Start ist offiziell, kein Preview. Meta veröffentlichte Muse Spark Open am 15. Oktober 2026, einschließlich herunterladbarer Gewichte und Zugang über sieben namentlich genannte Inferenzanbieter.
Was Meta genau veröffentlicht hat
Muse Spark Open ist ein Open-Weight-Mixture-of-Experts-Modell mit nativer Multimodalität, ausgelegt für Coding, Software Engineering, Tool Use und Agenten mit langen Ausführungshorizonten. Es verarbeitet Text-, Bild-, Audio- und Videoeingaben und erzeugt Text als Ausgabe.
| Spezifikation | Veröffentlichter Wert |
|---|---|
| Parameter insgesamt | 816B |
| Aktive Parameter pro Token | 42B |
| Kontextfenster | 1M Token |
| Gewichtsformate | BF16 und NVFP4 |
| Abdeckung der Trainingssprachen | Mehr als 100 Sprachen |
| Von Meta genannte Hosted-API-Anbieter | 7 |
| Von Meta genannte unterstützte Runtimes | 7 |
Das Design mit 42B aktiven Parametern bedeutet, dass nicht für jedes Token über alle 816B Parameter gerechnet wird. Die Speicherung bleibt dennoch die größere Hürde: Laut Apple benötigen die nativen BF16-Parameter mehr als 1,6 TB Speicher; der 4-Bit-NVFP4-Checkpoint belegt rund 493 GB – noch bevor Workspace für die Inferenz und Kontextspeicher hinzukommen.
„Open-weight“ ist die treffende Bezeichnung. Entwickler dürfen das Modell unter der Muse Model License herunterladen, verändern, feinabstimmen, destillieren und verbreiten. Die Lizenz enthält jedoch Vorgaben zu Attribution und Nutzung sowie Sonderbedingungen für einige Model-as-a-Service-Geschäfte. Das entspricht keiner herkömmlichen permissiven Open-Source-Lizenz.
Die Realität beim lokalen Betrieb
Muse Spark Open lokal zu betreiben ist technisch glaubwürdig, aber teuer und aufwendig. Meta zeigt zwei M5 Ultra Mac Studios mit jeweils bis zu 512 GB Unified Memory; Apples Bericht zu verteilter MLX-Inferenz misst Konfigurationen mit zwei und vier Maschinen.
Warum ein Mac mit 512 GB nicht genügt
Ein einzelnes Mac Studio mit 512 GB kann den rund 493 GB großen NVFP4-Checkpoint nicht zusätzlich zum benötigten Speicher für die Inferenz-Zwischenschritte aufnehmen. Apple verteilt das Modell deshalb per MLX und RDMA über Thunderbolt 5 auf mehrere Maschinen.
Apples Test lief mit macOS 26.2, MLX 0.30.1 oder neuer, dem Kommunikations-Backend jaccl und zwei Thunderbolt-Kabeln zwischen den Peers. Gemessen wurden Kontexte mit 8.192 und 65.536 Token sowie die Generierung von 128 Token bei Batch-Größe eins.
| Apple-Konfiguration, Prompt mit 8.192 Token | Zeit bis zum ersten Token | Dekodiergeschwindigkeit |
|---|---|---|
| 2 M5 Ultra, Pipeline Parallel | 8,4 s | 15,74 Tok./s |
| 2 M5 Ultra, Tensor Parallel | 8,2 s | 24,99 Tok./s |
| 4 M5 Ultra, Tensor Parallel | 4,8 s | 36,73 Tok./s |
Der Wert mit vier Maschinen ist die Performance-Schlagzeile, nicht die Mindestkonfiguration. Metas Zwei-Maschinen-Setup belegt, dass das Modell hineinpasst und läuft; Apples Messungen zeigen, wie stark die Topologie das Nutzungserlebnis verändert.
Pipeline Parallelism oder Tensor Parallelism?
Bei Pipeline Parallelism wird das Modell entlang seiner Layer-Tiefe aufgeteilt. Das ist der einfachere Weg, die Gewichte auf zwei Maschinen unterzubringen. Die Kommunikation bleibt vergleichsweise gering, doch die sequenzielle Ausführung der Layer begrenzt die Beschleunigung beim Dekodieren.
Tensor Parallelism teilt dagegen jeden Layer auf mehrere Maschinen auf. Apple maß mit zwei M5-Ultra-Systemen 24,99 Token pro Sekunde – 59 % mehr als die 15,74 Token im Pipeline-Ergebnis beim Test mit 8.192 Token. Der Preis ist mehr Kommunikation: Bei 65.536 Token stellte Apple fest, dass das Prefill mit Tensor Parallelism auf zwei Maschinen langsamer sein kann als mit Pipeline Parallelism.
Performance: stark bei zwei Agenten-Tests, schwächer beim Coding
Muse Spark Open führt zwei veröffentlichte Vergleiche zu Agenten und Tool Use an, nicht aber jeden agentischen Benchmark. Die folgenden Werte stammen von Meta und wurden nicht unabhängig reproduziert. Sie reichen für eine Vorauswahl, nicht für eine Produktionsentscheidung.
| Benchmark | Muse Spark Open | Stärkster angeführter Vergleich |
|---|---|---|
| JobBench | 61,8 | GLM 5.3: 61,4 |
| MCP-Atlas | 89,2 | Qwen3.8: 84,5 |
| Terminal-Bench 2.1 | 76,4 | Kimi K3: 85,0 |
| DeepSWE 1.1 | 60 | Kimi K3: 68 |
| SWE-Atlas-QnA | 58 | Kimi K3: 66 |
| GPQA Diamond | 89,0 | Kimi K3 und Qwen3.8: 93,5 |
Bei JobBench liegt Muse Spark Open 0,4 Punkte und bei MCP-Atlas 4,7 Punkte über dem jeweils nächstbesten angezeigten Wert. Bei Terminal-Bench 2.1 liegt es 8,6 Punkte hinter Kimi K3 und 7,5 Punkte hinter GLM 5.3.
Meta beschreibt außerdem zwei lokale Demonstrationen: die Anpassung und den Build der Open-Source-iOS-App Ice Cubes sowie die Bedienung von DaVinci Resolve, um Material zu prüfen und vertikale Zuschnitte zu erstellen. Für keine der beiden Demonstrationen werden Abschlussquote, benötigte Zeit, Zahl der Eingriffe oder reproduzierbare Task-Dateien angegeben. Sie zeigen damit Fähigkeiten, nicht Verlässlichkeit.
Unabhängige Evidenz aus dem Produktionseinsatz des veröffentlichten Open-Checkpoints ist bislang begrenzt.
Lizenzbedingungen, die ein Deployment verhindern können
Die Muse Model License erlaubt eine breite Nutzung, enthält aber Bedingungen, die Produkt- und Rechtsteams vor einem Deployment prüfen sollten. Praktisch relevant sind insbesondere Attribution, die Schwelle für Model-as-a-Service und die Regeln zu verbotenen Nutzungen.
| Lizenzthema | Praktische Auswirkung |
|---|---|
| Attribution | Produkte und Dienste müssen gut sichtbar „Built with Muse Spark Open“ anzeigen |
| Model-as-a-Service-Schwelle | Unternehmen mit mehr als $20M aggregiertem Bruttoumsatz in einem zusammenhängenden Zeitraum von 12 Monaten müssen Meta benachrichtigen und vor dem Angebot eines abgedeckten Modellzugangs eine separate Vereinbarung abschließen |
| Interne Nutzung oder eingebettetes Produkt | Die angeführte Model-as-a-Service-Regel gilt nicht in gleicher Weise für die interne Nutzung oder ein Modell, das ein Produkt ohne Model-Service antreibt |
| Nutzungsbeschränkungen | Die Richtlinie beschränkt unter anderem Malware, Waffen, kritische Infrastruktur, Betrug und unbefugte Identitätsnachahmung |
| Altersangabe | Das Modell ist nicht für Personen unter 18 Jahren vorgesehen |
Die $20-Millionen-Klausel ist keine API-Gebühr. Sie ist eine Lizenzschwelle für qualifizierende Model-as-a-Service-Aktivitäten. Muse Spark Open in eine Anwendung einzubetten, kann daher anders zu bewerten sein als der Weiterverkauf über einen Inferenzendpunkt.
So erhalten Sie jetzt Zugang zu Muse Spark Open
Muse Spark Open ist über gehostete APIs und herunterladbare Modellkataloge verfügbar. Meta nennt Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI für den gehosteten Zugang; die Gewichte sind über Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden und Microsoft Foundry Models gelistet.
Zu den unterstützten Runtimes zählen SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, MLX, llama.cpp und Unsloth. Meta berichtet bei seinem angeführten Helion-Kernel-Test auf AMD-MI350-Hardware über eine End-to-End-Verbesserung von 3 %.
Einen einheitlichen offiziellen Hosted-Preis gibt es nicht, weil die Anbieter ihre Routen und Konditionen selbst festlegen. Vergleichen Sie Tokenpreise, Präzision, Kontextlimits, Reasoning-Einstellungen, regionales Routing, Richtlinien zu Datenaufbewahrung und Modelltraining sowie die Frage, ob der Anbieter tatsächlich den veröffentlichten Open-Checkpoint bereitstellt.
Muse Spark Open: Häufige Fragen
Ist Muse Spark Open tatsächlich Open Source?
Nein. Die Gewichte lassen sich herunterladen und verändern, doch die Lizenz enthält Vorgaben zu Attribution, kommerzieller Nutzung und erlaubten Einsatzzwecken. „Open-weight“ ist die sicherere Beschreibung.
Läuft Muse Spark Open auf einem Mac Studio oder einer GPU?
Nicht im von Apple veröffentlichten Setup. Der NVFP4-Checkpoint benötigt rund 493 GB vor dem Workspace, während die BF16-Parameter mehr als 1,6 TB beanspruchen. Für einen praxisnahen Betrieb sind daher mehrere Maschinen oder Beschleuniger nötig.
Was kostet die Muse Spark Open API?
Der Preis hängt vom gehosteten Anbieter ab. Meta nennt sieben API-Partner, veröffentlicht aber keinen universellen Tokenpreis.
Ist Muse Spark Open besser als Kimi K3 oder GLM 5.3?
In den angeführten Ergebnissen führt Muse Spark Open bei JobBench und MCP-Atlas, während Kimi K3 und GLM 5.3 mehrere Coding-orientierte Tests anführen. Entscheidend ist der Vergleich mit demselben Workload statt eines pauschalen Gesamturteils.
Was vor dem Self-Hosting zu testen ist
Bevor Hardware angeschafft wird, sollten dieselben repräsentativen Agenten-Aufgaben über zwei gehostete Anbieter laufen. Erfassen Sie Task-Abschluss, menschliche Eingriffe, Zeit bis zum ersten Token, Gesamtlatenz, Ausgabekosten, Bedingungen zur Datenaufbewahrung und die Checkpoint-Identität. Selbst hosten lohnt sich erst, wenn Privatsphäre oder Kontrolle die gemessenen Betriebskosten überwiegen.