AIREITER從公開展示來看，Muse Spark Open 至少需要兩台配備最高記憶體容量的 Mac Studio 才能運行。對絕大多數開發者而言，第一步應該是先透過託管 API 測試，而不是急著規劃自架硬體。
Muse Spark Open 值不值得用？
若團隊需要可下載的權重、廣泛的執行環境支援，以及私有且可長時間運作的代理工作流程，Muse Spark Open 值得列入評估名單。不過，面對一般程式碼生成需求，它並非理所當然的首選：基礎設施負擔極高，Meta 公布的程式能力成績也落後於幾個其他開放權重模型。
| 使用情境 | 建議 | 原因 |
|---|---|---|
| 測試代理或工具使用能力 | 使用託管服務商 | 不必採購叢集，也無須設定分散式 MLX |
| 私有的內部部署工作流程 | 可考慮自行託管 | 權重能持續由組織自行掌控 |
| 日常程式碼生成 | 先比較更小型的模型 | Muse Spark Open 並未在引用的程式測試中領先 |
| 一張消費級 GPU 或一台 Mac | 不要自行託管 | 4-bit checkpoint 幾乎沒有留下推論工作空間 |
| 商業模型 API 業務 | 先審閱授權條款 | 可能適用營收門檻與另行簽約條款 |
| 完整 1M-token 工作負載 | 以代表性資料驗證 | Apple 公開測試只到 65,536 tokens |
這次是正式發布，不是預覽版。Meta 於 2026 年 10 月 15 日發布 Muse Spark Open，同時提供可下載權重，並透過 7 家點名的推論服務商開放存取。
Meta 這次實際推出了什麼？
Muse Spark Open 是一款原生多模態、採 mixture-of-experts 架構的開放權重模型，主打程式設計、軟體工程、工具使用與長鏈路代理任務。它能接收文字、圖片、音訊與影片，輸出則為文字。
| 規格 | 公開數值 |
|---|---|
| 總參數量 | 816B |
| 每 token 活躍參數量 | 42B |
| Context window | 1M tokens |
| 權重格式 | BF16 和 NVFP4 |
| 訓練語言涵蓋範圍 | 超過 100 種語言 |
| Meta 點名的託管 API 服務商 | 7 |
| Meta 點名支援的執行環境 | 7 |
42B 活躍參數的設計，代表模型不會在處理每個 token 時都計算全部 816B 參數。但真正棘手的仍是儲存需求：Apple 指出，原生 BF16 參數需要超過 1.6TB 記憶體；4-bit 的 NVFP4 checkpoint 則約占 493GB，這還沒把推論工作空間與 context 記憶體算進去。
以「開放權重」形容最準確。開發者可依 Muse Model License 下載、修改、微調、蒸餾與散布模型，但授權中含有署名、使用限制，以及針對部分 model-as-a-service 業務的特殊條款；這些條件並不等同於傳統寬鬆型開源授權。
本機部署的現實條件
在本機部署 Muse Spark Open 技術上可行，但資金與維運成本都很高。Meta 展示的是兩台 M5 Ultra Mac Studio，每台最高可配備 512GB 統一記憶體；Apple 的分散式 MLX 報告則測試了雙機與四機組態。
為什麼一台 512GB Mac 還是不夠
單台 512GB Mac Studio 無法同時容納約 493GB 的 NVFP4 checkpoint，以及中間推論運算所需的記憶體。因此 Apple 以 MLX 搭配 Thunderbolt 5 上的 RDMA，將模型分散至多台機器。
Apple 的測試環境為 macOS 26.2、MLX 0.30.1 或更新版本、jaccl 通訊後端，並在節點之間使用兩條 Thunderbolt 線材。測試涵蓋 8,192 與 65,536-token context，batch size 為一，生成 128 tokens。
| Apple 組態，8,192-token prompt | 首 token 時間 | 解碼速度 |
|---|---|---|
| 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 |
四機數據是效能亮點，並不是最低部署規格。Meta 的雙機展示證明模型能裝得下也跑得動；Apple 的測試則說明，拓撲架構會如何大幅改變實際使用體驗。
Pipeline parallel 與 tensor parallel 怎麼選
Pipeline parallel 依模型層的深度切分，是讓權重跨兩台機器裝得下的較簡單方法。它需要的通訊相對少，但各層仍需依序執行，因此解碼加速有限。
Tensor parallel 則把每一層分散到多台機器上。Apple 在 8,192-token 測試中測得兩台 M5 Ultra 可達每秒 24.99 tokens，比 pipeline 的 15.74 tok/s 快 59%。代價是更重的通訊負擔；在 65,536 tokens 時，Apple 發現雙機 tensor 的 prefill 可能比 pipeline prefill 更慢。
效能表現：代理任務突出，程式能力較弱
Muse Spark Open 在兩項公開的代理與工具使用比較中居首，但並非每個 agentic benchmark 都領先。以下數據皆由 Meta 提供，尚非獨立重現結果，適合用來篩選候選模型，而不是直接據此做出生產環境決策。
| Benchmark | Muse Spark Open | 引用比較中最強者 |
|---|---|---|
| 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 and Qwen3.8: 93.5 |
在 JobBench，Muse Spark Open 比下一個列出的成績高 0.4 分；MCP-Atlas 則高出 4.7 分。至於 Terminal-Bench 2.1，它落後 Kimi K3 8.6 分，也落後 GLM 5.3 7.5 分。
Meta 另外展示兩個本機操作案例：修改並建置開源 Ice Cubes iOS app，以及操作 DaVinci Resolve 檢視影片並產出直式裁切版本。不過，兩項展示都未提供完成率、耗時、人工介入次數或可重現的任務檔案，因此能證明的是能力上限，而非可靠性。
目前針對已發布 Open checkpoint 的獨立生產環境證據仍然有限。
可能讓部署卡關的授權條款
Muse Model License 雖允許廣泛使用，但產品與法務團隊在部署前仍應仔細檢視其條件。實務上最可能造成阻礙的是署名要求、model-as-a-service 門檻，以及禁止使用規則。
| 授權議題 | 實務影響 |
|---|---|
| 署名 | 產品與服務必須明顯標示「Built with Muse Spark Open」 |
| Model-as-a-service 門檻 | 連續 12 個月期間累計總營收超過 $20M 的企業，若要提供受涵蓋的模型存取服務，必須先通知 Meta 並取得另一份協議 |
| 內部使用或嵌入式產品 | 引用的 model-as-a-service 條款，不會以相同方式適用於內部使用，或用模型驅動的非模型服務產品 |
| 使用限制 | 政策限制的領域包含惡意軟體、武器、關鍵基礎設施、詐欺與未經授權的冒充 |
| 年齡聲明 | 模型不適用於未滿 18 歲者 |
$20 million 條款不是 API 費用，而是與符合資格的 model-as-a-service 業務活動綁定的授權門檻。把 Muse Spark Open 嵌入應用程式，與透過推論端點轉售模型，可能需要採取不同的分析方式。
現在如何使用 Muse Spark Open
Muse Spark Open 可透過託管 API 與可下載模型目錄取得。Meta 點名 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 提供託管存取；權重則列於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models。
支援的執行環境包括 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、MLX、llama.cpp 與 Unsloth。Meta 表示，在引用的 AMD MI350 硬體 Helion-kernel 測試中，端到端效能提升了 3%。
沒有單一的官方託管定價，因為各服務商自行制定路由與條款。比較時應檢視 token 價格、精度、context 限制、推理設定、區域路由、資料保留與模型訓練政策，以及服務商是否供應已發布的 Open checkpoint。
Muse Spark Open 常見問題
Muse Spark Open 真的是開源嗎？
不是。權重可下載與修改，但授權包含署名、商業與使用限制；以「開放權重」描述更為妥當。
Muse Spark Open 能在一台 Mac Studio 或一張 GPU 上運行嗎？
依 Apple 公開的設定，不行。NVFP4 checkpoint 約為 493GB，尚未計入工作空間；BF16 參數則需超過 1.6TB，因此實際部署需要多台機器或多個加速器。
Muse Spark Open API 要多少錢？
價格取決於託管服務商。Meta 點名 7 家 API 合作夥伴，但未公布統一的 token 定價。
Muse Spark Open 比 Kimi K3 或 GLM 5.3 更好嗎？
在引用的結果中，Muse Spark Open 領先 JobBench 與 MCP-Atlas；Kimi K3 和 GLM 5.3 則在多項偏程式能力的測試中領先。與其套用整體標籤，更應以相同工作負載實測評估。
自架之前該測什麼？
購買硬體前，先透過兩家託管服務商執行相同且具代表性的代理任務。記錄任務完成率、人工介入次數、首 token 時間、總延遲、輸出成本、資料保留條款與 checkpoint 身分；只有當隱私或控制需求高於量測到的營運成本時，才值得自行託管。