AIREITER공개된 시연 기준으로 Muse Spark Open을 로컬에서 돌리려면 최고 메모리 구성의 Mac Studio가 최소 두 대 필요하다. 대부분의 개발팀이라면 장비를 들이기 전에 호스팅 API로 모델을 먼저 검증하는 편이 현실적이다.
Muse Spark Open, 써볼 만한 모델일까?
Muse Spark Open은 프라이빗 환경에서 장시간 실행되는 에이전트 워크플로를 검토할 때 특히 눈여겨볼 만하다. 가중치를 직접 내려받아야 하거나 여러 런타임을 폭넓게 지원해야 하는 팀에도 선택지가 될 수 있다. 다만 일반적인 코드 생성 작업의 기본 선택지로 보기는 어렵다. 인프라 부담이 매우 크고, Meta가 공개한 코딩 점수도 여러 오픈 웨이트 경쟁 모델보다 낮기 때문이다.
| 상황 | 권장 방식 | 이유 |
|---|---|---|
| 에이전트·도구 사용 성능 테스트 | 호스팅 제공업체 이용 | 클러스터 구매나 분산 MLX 구성 없이 검증 가능 |
| 프라이빗 온프레미스 워크플로 | 자체 호스팅 검토 | 가중치를 조직의 통제 범위 안에 둘 수 있음 |
| 일상적인 코드 생성 | 더 작은 모델부터 비교 | Muse Spark Open은 인용된 코딩 테스트에서 선두가 아님 |
| 소비자용 GPU 한 장 또는 Mac 한 대 | 자체 호스팅 비추천 | 4비트 체크포인트만으로도 추론 작업 공간을 남기기 어려움 |
| 상업적 모델 API 사업 | 라이선스부터 검토 | 매출 기준과 별도 계약 조항이 적용될 수 있음 |
| 전체 100만 토큰 워크로드 | 대표 데이터로 검증 | Apple의 공개 테스트는 65,536토큰까지만 다룸 |
이번 출시는 프리뷰가 아닌 정식 릴리스다. Meta는 2026년 10월 15일 Muse Spark Open을 공개했으며, 가중치 다운로드와 함께 명시된 7개 추론 제공업체를 통한 접근도 지원한다.
Meta가 공개한 Muse Spark Open의 구성
Muse Spark Open은 코딩, 소프트웨어 엔지니어링, 도구 사용, 장기 실행 에이전트를 겨냥한 네이티브 멀티모달 Mixture-of-Experts 모델이다. 텍스트·이미지·오디오·비디오를 입력으로 받고, 출력은 텍스트로 생성한다.
| 항목 | 공개 사양 |
|---|---|
| 총 파라미터 수 | 816B |
| 토큰당 활성 파라미터 | 42B |
| 컨텍스트 윈도우 | 1M tokens |
| 가중치 형식 | BF16 및 NVFP4 |
| 학습 언어 지원 범위 | 100개 이상 언어 |
| Meta가 명시한 호스팅 API 제공업체 | 7곳 |
| Meta가 명시한 지원 런타임 | 7개 |
토큰마다 전체 816B 파라미터를 모두 연산하는 구조는 아니다. 실제 활성화되는 규모는 42B다. 다만 저장 공간은 여전히 더 큰 장벽이다. Apple에 따르면 네이티브 BF16 파라미터는 1.6TB를 넘는 메모리가 필요하며, 4비트 NVFP4 체크포인트도 추론 작업 공간과 컨텍스트 메모리를 제외하고 약 493GB를 차지한다.
정확한 표현은 ‘오픈 소스’가 아니라 ‘오픈 웨이트’다. 개발자는 Muse Model License에 따라 모델을 내려받고, 수정·파인튜닝·증류·배포할 수 있다. 하지만 이 라이선스에는 출처 표기, 사용 제한, 일부 model-as-a-service 사업자를 위한 특별 조항이 포함된다. 일반적인 퍼미시브 오픈소스 라이선스와는 성격이 다르다.
로컬 배포, 가능하지만 비용과 운영 부담이 크다
Muse Spark Open의 로컬 배포는 기술적으로 가능하다. 다만 비용과 운영 난도가 만만치 않다. Meta는 통합 메모리를 각각 최대 512GB까지 구성할 수 있는 M5 Ultra Mac Studio 두 대를 시연에 사용했고, Apple의 분산 MLX 보고서는 2대 및 4대 구성 성능을 측정했다.
512GB Mac 한 대로는 부족한 이유
512GB Mac Studio 한 대에는 약 493GB인 NVFP4 체크포인트와 중간 추론 작업에 필요한 메모리를 함께 올릴 수 없다. 그래서 Apple은 MLX와 Thunderbolt 5 기반 RDMA를 이용해 여러 장비에 모델을 분산했다.
Apple의 테스트 환경은 macOS 26.2, MLX 0.30.1 이상, jaccl 통신 백엔드로 구성됐다. 피어 장비 간에는 Thunderbolt 케이블 두 개를 연결했으며, 8,192토큰과 65,536토큰 컨텍스트에서 배치 크기 1로 128토큰을 생성했다.
| Apple 구성, 8,192토큰 프롬프트 | 첫 토큰까지 걸린 시간 | 디코드 속도 |
|---|---|---|
| M5 Ultra 2대, 파이프라인 병렬화 | 8.4초 | 15.74 tok/s |
| M5 Ultra 2대, 텐서 병렬화 | 8.2초 | 24.99 tok/s |
| M5 Ultra 4대, 텐서 병렬화 | 4.8초 | 36.73 tok/s |
4대 구성의 수치는 성능 측면에서 가장 눈에 띄지만, 최소 배포 요건은 아니다. Meta의 2대 구성은 모델이 실제로 올라가고 실행된다는 점을 보여준다. Apple의 측정치는 장비 토폴로지가 체감 성능을 얼마나 크게 바꾸는지를 보여준다.
파이프라인 병렬화와 텐서 병렬화의 차이
파이프라인 병렬화는 모델을 레이어 깊이 기준으로 나눠 두 장비에 배치한다. 2대에 가중치를 올리는 방식으로는 비교적 단순하며 통신량도 상대적으로 적다. 대신 레이어를 순차 실행하므로 디코드 속도 향상에는 한계가 있다.
텐서 병렬화는 각 레이어를 여러 장비에 나눠 처리한다. Apple은 8,192토큰 테스트에서 M5 Ultra 2대 구성으로 초당 24.99토큰을 측정했는데, 이는 파이프라인 방식의 15.74토큰보다 59% 빠른 수치다. 반면 통신 부담은 더 커진다. Apple은 65,536토큰 환경에서 2대 텐서 병렬화의 프리필이 파이프라인 병렬화보다 느려질 수 있다고 밝혔다.
성능: 에이전트 테스트에서는 강점, 코딩에서는 열세
Muse Spark Open은 공개된 에이전트·도구 사용 비교 가운데 두 항목에서 선두를 기록했지만, 모든 에이전트 벤치마크에서 앞서는 것은 아니다. 아래 수치는 독립적으로 재현된 결과가 아니라 Meta가 보고한 결과다. 따라서 제품 도입을 결정하기보다는 후보군을 추리는 근거로 보는 편이 적절하다.
| 벤치마크 | Muse Spark Open | 인용된 비교 대상 중 최고 점수 |
|---|---|---|
| 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 및 Qwen3.8: 93.5 |
Muse Spark Open은 JobBench에서 다음 점수보다 0.4점, MCP-Atlas에서는 4.7점 높다. 반대로 Terminal-Bench 2.1에서는 Kimi K3보다 8.6점, GLM 5.3보다 7.5점 낮다.
Meta는 로컬 데모 두 가지도 소개했다. 하나는 오픈소스 Ice Cubes iOS 앱을 수정하고 빌드하는 작업이고, 다른 하나는 DaVinci Resolve를 조작해 영상을 검사하고 세로형 크롭을 만드는 작업이다. 그러나 완료율, 소요 시간, 사람 개입 횟수, 재현 가능한 작업 파일은 공개하지 않았다. 이 데모는 기능 가능성을 보여주지만 신뢰성을 입증하지는 못한다.
출시된 Open 체크포인트의 실제 프로덕션 환경에 대한 독립적 검증 자료는 아직 제한적이다.
도입을 막을 수 있는 라이선스 조건
Muse Model License는 폭넓은 활용을 허용하지만, 제품팀과 법무팀은 배포 전 조건을 면밀히 확인해야 한다. 실무적으로 가장 중요한 쟁점은 출처 표기, model-as-a-service 매출 기준, 금지된 사용 사례다.
| 라이선스 쟁점 | 실무상 영향 |
|---|---|
| 출처 표기 | 제품과 서비스에 “Built with Muse Spark Open”을 눈에 띄게 표시해야 함 |
| Model-as-a-service 기준 | 연속된 12개월 동안 총매출이 $20M을 넘는 사업자는 해당 모델 접근을 제공하기 전에 Meta에 통지하고 별도 계약을 체결해야 함 |
| 내부 사용 또는 제품 내 탑재 | 인용된 model-as-a-service 조항은 내부 사용이나 비모델 서비스 제품을 구동하는 모델에 동일한 방식으로 적용되지 않음 |
| 사용 제한 | 정책은 악성코드, 무기, 핵심 인프라, 사기, 무단 사칭 등을 포함한 영역을 제한함 |
| 연령 관련 고지 | 이 모델은 18세 미만을 대상으로 하지 않음 |
$20 million 조항은 API 요금이 아니다. 요건을 충족하는 model-as-a-service 활동에 연동된 라이선스 기준이다. Muse Spark Open을 추론 엔드포인트로 재판매하는 경우와 애플리케이션 내부에 탑재하는 경우는 서로 다른 판단이 필요할 수 있다.
Muse Spark Open에 지금 접근하는 방법
Muse Spark Open은 호스팅 API와 다운로드형 모델 카탈로그를 통해 이용할 수 있다. Meta는 호스팅 접근처로 Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter, Together AI를 명시했다. 가중치는 Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden, Microsoft Foundry Models에서 제공된다.
지원 런타임에는 SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, MLX, llama.cpp, Unsloth가 포함된다. Meta는 AMD MI350 하드웨어에서 인용한 Helion 커널 테스트를 통해 엔드투엔드 성능이 3% 개선됐다고 보고했다.
공식 단일 호스팅 가격은 없다. 제공업체마다 라우팅과 이용 조건이 다르기 때문이다. 토큰 가격, 정밀도, 컨텍스트 제한, 추론 설정, 리전 라우팅, 데이터 보존 및 모델 학습 정책, 그리고 출시된 Open 체크포인트를 실제로 제공하는지를 비교해야 한다.
Muse Spark Open FAQ
Muse Spark Open은 정말 오픈 소스인가?
아니다. 가중치는 내려받아 수정할 수 있지만, 라이선스에는 출처 표기·상업적 활용·사용 방식 관련 제한이 있다. ‘오픈 웨이트’라고 부르는 편이 안전하다.
Muse Spark Open을 Mac Studio 한 대나 GPU 한 장에서 실행할 수 있나?
Apple이 공개한 구성에서는 불가능하다. NVFP4 체크포인트만 약 493GB이며 여기에는 작업 공간이 포함되지 않는다. BF16 파라미터에는 1.6TB를 넘는 메모리가 필요하다. 따라서 실질적인 배포에는 여러 대의 장비 또는 가속기가 필요하다.
Muse Spark Open API 비용은 얼마인가?
가격은 호스팅 제공업체에 따라 달라진다. Meta는 7개 API 파트너를 언급했지만 공통 토큰 가격을 공개하지는 않았다.
Muse Spark Open은 Kimi K3나 GLM 5.3보다 나은가?
인용된 결과에서 Muse Spark Open은 JobBench와 MCP-Atlas를 앞선다. 반면 Kimi K3와 GLM 5.3은 여러 코딩 중심 테스트에서 우세하다. 종합 순위에 의존하기보다 동일한 워크로드로 직접 평가하는 것이 좋다.
자체 호스팅 전 반드시 확인할 항목
하드웨어를 구매하기 전에 대표적인 에이전트 작업을 동일하게 두 곳의 호스팅 제공업체에서 실행해 보자. 작업 완료율, 사람 개입 횟수, 첫 토큰까지 걸린 시간, 전체 지연 시간, 출력 비용, 데이터 보존 조건, 체크포인트 ID를 기록한다. 프라이버시나 통제권의 가치가 측정된 운영 비용보다 클 때만 자체 호스팅을 선택하는 편이 낫다.