AIREITERYayımlanan demolar, Muse Spark Open için en az iki yüksek bellekli Mac Studio gerektiğini gösteriyor. Bu nedenle geliştiricilerin büyük bölümü ilk denemelerini barındırılan bir API üzerinden yapmalı.
Muse Spark Open kullanmaya değer mi?
Muse Spark Open; indirilebilir ağırlıklara ve geniş çalışma zamanı desteğine ihtiyaç duyan ekipler için, özellikle özel ve uzun soluklu ajan iş akışlarında değerlendirmeye değer. Ancak altyapı yükü son derece yüksek olduğu ve Meta’nın açıkladığı kodlama skorları bazı açık ağırlıklı rakiplerinin gerisinde kaldığı için, standart kod üretiminde ilk tercih sayılmaz.
| Senaryo | Öneri | Neden |
|---|---|---|
| Ajan veya araç kullanım kalitesini denemek | Barındırılan bir sağlayıcı kullanın | Küme yatırımı ya da dağıtık MLX kurulumu gerekmez |
| Özel, şirket içi iş akışları | Kendi altyapınızda çalıştırmayı değerlendirin | Ağırlıklar kurumun denetiminde kalır |
| Günlük kod üretimi | Önce daha küçük modelleri karşılaştırın | Muse Spark Open, belirtilen kodlama testlerinde lider değil |
| Tek tüketici GPU’su veya tek Mac | Kendi altyapınızda çalıştırmayın | 4 bitlik checkpoint, çıkarım çalışma alanına yer bırakmıyor |
| Ticari model API işi | Önce lisansı inceleyin | Gelir eşiği ve ayrı sözleşme maddesi devreye girebilir |
| Tam 1M token iş yükü | Temsili verilerle doğrulayın | Apple’ın yayımladığı testler 65.536 token’da bitiyor |
Lansman, ön izleme değil doğrudan resmî sürüm niteliğinde. Meta, Muse Spark Open'ı 15 Ekim 2026'da yayımladı; modelin ağırlıkları indirilebiliyor ve yedi adı açıklanan çıkarım sağlayıcısı üzerinden erişilebiliyor.
Meta tam olarak ne yayımladı?
Muse Spark Open; kodlama, yazılım mühendisliği, araç kullanımı ve uzun ufuklu ajanlar için tasarlanmış, doğal olarak çok modlu bir mixture-of-experts modeli. Metin, görsel, ses ve video girdilerini kabul ediyor; çıktı olarak metin üretiyor.
| Teknik özellik | Açıklanan değer |
|---|---|
| Toplam parametre | 816B |
| Token başına etkin parametre | 42B |
| Bağlam penceresi | 1M token |
| Ağırlık formatları | BF16 ve NVFP4 |
| Eğitim dili kapsamı | 100'den fazla dil |
| Meta'nın adını verdiği barındırılan API sağlayıcıları | 7 |
| Meta'nın adını verdiği desteklenen çalışma zamanları | 7 |
42B etkin parametreli tasarım, modelin her token için 816B parametrenin tamamında hesaplama yapmadığı anlamına geliyor. Buna karşılık depolama hâlâ asıl kısıt: Apple, yerel BF16 parametrelerin 1,6TB'tan fazla bellek gerektirdiğini; 4 bitlik NVFP4 checkpoint'in ise çıkarım çalışma alanı ve bağlam belleği hesaba katılmadan yaklaşık 493GB yer kapladığını belirtiyor.
Doğru tanım “açık ağırlıklı” model. Geliştiriciler modeli Muse Model License kapsamında indirebilir, değiştirebilir, ince ayar yapabilir, distill edebilir ve dağıtabilir. Ancak lisans; atıf zorunluluğu, kullanım kısıtlamaları ve bazı model-hizmet-olarak-sunma işletmeleri için özel koşullar içeriyor. Bu koşullar, klasik izin verici açık kaynak lisanslarıyla örtüşmüyor.
Yerelde çalıştırmanın pratikteki karşılığı
Muse Spark Open'ı yerelde çalıştırmak teknik olarak mümkün, fakat maliyet ve operasyon tarafı oldukça ağır. Meta, her biri 512GB'a kadar birleşik belleğe sahip iki M5 Ultra Mac Studio ile demo yapıyor; Apple'ın dağıtık MLX raporu ise iki ve dört makineli yapılandırmaları ölçüyor.
Tek bir 512GB Mac neden yetmiyor?
512GB belleğe sahip tek bir Mac Studio, yaklaşık 493GB'lık NVFP4 checkpoint'i ile ara çıkarım işlemleri için gereken belleği birlikte barındıramıyor. Bu yüzden Apple, modeli MLX ve Thunderbolt 5 üzerinden RDMA kullanarak birden fazla makineye dağıtıyor.
Apple'ın testi macOS 26.2, MLX 0.30.1 veya sonrası, jaccl iletişim arka ucu ve eşler arasında iki Thunderbolt kablosu kullandı. Testte 8.192 ve 65.536 token'lık bağlamlar ölçüldü; batch boyutu bir iken 128 token üretildi.
| Apple yapılandırması, 8.192 token'lık istem | İlk token'a kadar süre | Çözümleme hızı |
|---|---|---|
| 2 M5 Ultra, pipeline parallel | 8,4 sn | 15,74 tok/sn |
| 2 M5 Ultra, tensor parallel | 8,2 sn | 24,99 tok/sn |
| 4 M5 Ultra, tensor parallel | 4,8 sn | 36,73 tok/sn |
Dört makineli sonuç, minimum kurulumdan çok performans başlığı niteliğinde. Meta'nın iki makineli yapısı modelin sığdığını ve çalıştığını gösterirken, Apple'ın ölçümleri topolojinin deneyimi ne kadar değiştirdiğini ortaya koyuyor.
Pipeline parallel ile tensor parallel arasındaki fark
Pipeline parallel, modeli katman derinliğine göre böler ve ağırlıkları iki makineye sığdırmanın daha basit yoludur. Görece az iletişim ekler; ancak katmanların sıralı çalışması çözümleme hızlanmasını sınırlar.
Tensor parallel ise her katmanı makineler arasında paylaştırır. Apple, 8.192 token'lık testte iki M5 Ultra sistemle saniyede 24,99 token ölçtü; bu, pipeline yöntemindeki 15,74 token sonucundan %59 daha hızlı. Bedeli ise daha yoğun iletişim gereksinimi: Apple, 65.536 token'da iki makineli tensor prefill işleminin pipeline prefill'den daha yavaş olabildiğini tespit etti.
Performans: İki ajan testinde güçlü, kodlamada daha zayıf
Muse Spark Open, yayımlanmış iki ajan ve araç kullanımı karşılaştırmasında lider; ancak tüm ajan benchmark'larında değil. Aşağıdaki değerler bağımsız olarak yeniden üretilmiş sonuçlar değil, Meta'nın açıkladığı skorlar. Bu nedenle üretim kararı vermekten ziyade kısa liste oluşturmak için kullanılmalı.
| Benchmark | Muse Spark Open | Belirtilen en güçlü karşılaştırma |
|---|---|---|
| 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 ve Qwen3.8: 93.5 |
Muse Spark Open, gösterilen bir sonraki değerlerin önünde JobBench'te 0,4 puan, MCP-Atlas'ta ise 4,7 puan fark yaratıyor. Terminal-Bench 2.1'de Kimi K3'ün 8,6, GLM 5.3'ün ise 7,5 puan gerisinde.
Meta ayrıca iki yerel demo anlatıyor: açık kaynaklı Ice Cubes iOS uygulamasını değiştirme ve derleme ile DaVinci Resolve'u kullanarak görüntüleri inceleme ve dikey kırpmalar üretme. Demoların hiçbirinde tamamlama oranı, geçen süre, müdahale sayısı veya yeniden üretilebilir görev dosyaları paylaşılmıyor. Dolayısıyla bunlar güvenilirlikten çok yetenek göstergesi.
Yayımlanan Open checkpoint için bağımsız üretim kanıtı şimdilik sınırlı.
Dağıtımı engelleyebilecek lisans koşulları
Muse Model License geniş kullanım izni veriyor, ancak ürün ve hukuk ekiplerinin dağıtımdan önce incelemesi gereken koşullar içeriyor. Pratikte en önemli engeller; atıf, model-hizmet-olarak-sunma eşiği ve yasaklı kullanım kuralları.
| Lisans konusu | Pratik etkisi |
|---|---|
| Atıf | Ürün ve hizmetlerde “Built with Muse Spark Open” ifadesi görünür biçimde yer almalı |
| Model-hizmet-olarak-sunma eşiği | Arka arkaya 12 aylık dönemde toplam brüt geliri $20M'ı aşan işletmelerin, kapsanan model erişimini sunmadan önce Meta'ya bildirimde bulunması ve ayrı bir sözleşme yapması gerekir |
| Kurum içi veya gömülü ürün kullanımı | Belirtilen model-hizmet-olarak-sunma maddesi, kurum içi kullanımda veya model hizmeti olmayan bir ürüne güç veren modelde aynı biçimde uygulanmaz |
| Kullanım kısıtlamaları | Politika; kötü amaçlı yazılım, silahlar, kritik altyapı, dolandırıcılık ve izinsiz kimliğe bürünme dahil alanları kısıtlar |
| Yaş beyanı | Model, 18 yaş altındaki kişiler için tasarlanmamıştır |
$20 milyon maddesi bir API ücreti değil. Bu, uygun nitelikteki model-hizmet-olarak-sunma faaliyetlerine bağlı bir lisans eşiği. Muse Spark Open'ı bir uygulamanın içine gömmek, onu bir çıkarım uç noktası üzerinden yeniden satmaktan farklı bir değerlendirme gerektirebilir.
Muse Spark Open'a şimdi nasıl erişilir?
Muse Spark Open, barındırılan API'ler ve indirilebilir model katalogları üzerinden erişime açık. Meta, barındırılan erişim için Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter ve Together AI'ı; ağırlıklar için ise Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden ve Microsoft Foundry Models'i listeliyor.
Desteklenen çalışma zamanları arasında SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, MLX, llama.cpp ve Unsloth bulunuyor. Meta, AMD MI350 donanımında referans verdiği Helion-kernel testinden uçtan uca %3 iyileştirme elde edildiğini bildiriyor.
Sağlayıcılar kendi yönlendirme ve koşullarını belirlediği için tek bir resmî barındırılan fiyat yok. Token fiyatlarını, hassasiyet düzeyini, bağlam sınırlarını, muhakeme ayarlarını, bölgesel yönlendirmeyi, veri saklama ve model eğitimi politikalarını; ayrıca sağlayıcının yayımlanan Open checkpoint'i sunup sunmadığını karşılaştırın.
Muse Spark Open hakkında sık sorulanlar
Muse Spark Open gerçekten açık kaynak mı?
Hayır. Ağırlıklar indirilebilir ve değiştirilebilir olsa da lisans atıf, ticari kullanım ve kullanım kısıtlamaları içeriyor. “Açık ağırlıklı” tanımı daha güvenli.
Muse Spark Open tek bir Mac Studio veya GPU'da çalışır mı?
Apple'ın yayımladığı kurulumda hayır. NVFP4 checkpoint, çalışma alanından önce yaklaşık 493GB yer kaplıyor; BF16 parametreler ise 1,6TB'tan fazla bellek istiyor. Bu nedenle pratik kullanım için birden fazla makine veya hızlandırıcı gerekiyor.
Muse Spark Open API'si ne kadar?
Fiyatlandırma, barındırılan sağlayıcıya bağlı. Meta yedi API iş ortağının adını veriyor, ancak tek ve evrensel bir token fiyatı açıklamıyor.
Muse Spark Open, Kimi K3 veya GLM 5.3'ten daha mı iyi?
Muse Spark Open, belirtilen sonuçlarda JobBench ve MCP-Atlas'ta lider. Buna karşılık Kimi K3 ve GLM 5.3, kodlama odaklı çeşitli testlerde önde. Genel bir etikete güvenmek yerine aynı iş yükünü değerlendirin.
Kendi altyapınızda çalıştırmadan önce neyi test etmelisiniz?
Donanım satın almadan önce aynı temsili ajan görevlerini iki barındırılan sağlayıcıda çalıştırın. Görev tamamlama oranını, insan müdahalelerini, ilk token'a kadar geçen süreyi, toplam gecikmeyi, çıktı maliyetini, veri saklama koşullarını ve checkpoint kimliğini kaydedin. Yalnızca gizlilik veya denetim avantajı, ölçülen operasyonel maliyeti aşıyorsa kendi altyapınıza geçin.