Muse Spark Open 评测：实力强，但自托管门槛极高

从公开演示来看，Muse Spark Open 至少需要两台顶配内存的 Mac Studio 才能运行。对绝大多数开发者来说，先通过托管 API 测试，显然比一开始就自托管更实际。

Muse Spark Open 值得用吗？

如果团队需要可下载的权重、广泛的运行时支持，并且要构建私有化的长程智能体工作流，Muse Spark Open 值得纳入评估范围。但对于常规代码生成任务，它并不是最顺理成章的默认选择：基础设施负担极重，而且 Meta 公布的编程测试成绩落后于几款开放权重竞品。

这并非预览发布，而是正式上线。Meta 于 2026 年 10 月 15 日发布了 Muse Spark Open，同时提供可下载权重，并通过 7 家点名的推理服务商开放访问。

Meta 这次到底发布了什么

Muse Spark Open 是一款原生多模态、混合专家（MoE）开放权重模型，面向编程、软件工程、工具调用和长程智能体任务打造。它支持文本、图像、音频和视频输入，输出则为文本。

42B 激活参数的设计，意味着模型每处理一个 token 时，并不会对全部 816B 参数进行计算。不过，存储仍然是更棘手的限制：Apple 表示，原生 BF16 参数需要超过 1.6TB 内存；而 4 位 NVFP4 检查点在尚未计入推理工作区和上下文内存前，就已占用约 493GB。

“开放权重”才是准确说法。开发者可以在 Muse Model License 下下载、修改、微调、蒸馏和分发模型，但许可证附带署名要求、使用限制，以及针对部分模型即服务业务的特别条款。这些条件与传统的宽松开源许可证并不相同。

本地部署：能跑，但代价不低

Muse Spark Open 的本地部署在技术上可行，但资金和运维要求都很高。Meta 演示使用的是两台 M5 Ultra Mac Studio，每台最高配备 512GB 统一内存；Apple 的分布式 MLX 报告则测试了双机和四机配置。

为什么一台 512GB Mac 还不够

单台 512GB Mac Studio 无法同时容纳约 493GB 的 NVFP4 检查点，以及推理中间计算所需的内存。因此，Apple 通过 MLX 和 Thunderbolt 5 上的 RDMA，将模型分布到多台机器运行。

Apple 的测试环境为 macOS 26.2、MLX 0.30.1 或更高版本、jaccl 通信后端，并在节点之间连接两根 Thunderbolt 线缆。测试覆盖 8,192 和 65,536 token 上下文，在 batch size 为 1 时生成 128 个 token。

四机数据代表的是性能上限，而非最低部署门槛。Meta 的双机方案证明模型能够装下并正常运行；Apple 的实测则说明，部署拓扑会显著改变实际使用体验。

流水线并行和张量并行，差别在哪

流水线并行按模型层的深度切分，是把权重拆到两台机器上的较简单方案。它的通信负担相对较轻，但由于各层仍需顺序执行，解码加速空间有限。

张量并行则会把每一层拆分到多台机器上。Apple 在 8,192-token 测试中测得，两台 M5 Ultra 的张量并行达到每秒 24.99 个 token，比流水线并行的 15.74 tok/s 快 59%。代价是通信需求更高；在 65,536 token 时，Apple 发现双机张量并行的预填充速度可能反而慢于流水线并行。

性能表现：两项智能体测试出色，编程测试较弱

Muse Spark Open 在两项已公布的智能体与工具调用对比中领先，但并非所有智能体基准都如此。以下数值均为 Meta 报告，尚未得到独立复现，因此适合用于筛选候选模型，而不应直接作为生产部署决策依据。

在 JobBench 上，Muse Spark Open 比表中下一名高 0.4 分；在 MCP-Atlas 上领先 4.7 分。但在 Terminal-Bench 2.1 中，它比 Kimi K3 低 8.6 分，也比 GLM 5.3 低 7.5 分。

Meta 还展示了两个本地演示：修改并构建开源的 Ice Cubes iOS 应用，以及操作 DaVinci Resolve 检查素材并生成竖版裁切内容。不过，两项演示均未给出完成率、耗时、人工干预次数或可复现的任务文件，因此它们展示的是能力，而非可靠性。

针对已发布 Open 检查点的独立生产环境证据，目前仍较为有限。

可能拦住部署的许可证条款

Muse Model License 允许广泛使用，但在部署前，产品和法务团队仍应仔细审查其中的条件。实际最值得关注的限制包括署名、模型即服务营收门槛，以及禁止使用规则。

$20 million 条款并不是 API 收费标准，而是与符合条件的模型即服务活动挂钩的许可门槛。将 Muse Spark Open 嵌入应用，与通过推理端点转售它，可能需要分别进行不同的合规分析。

现在如何获取 Muse Spark Open

Muse Spark Open 可通过托管 API 和可下载模型目录获取。Meta 点名的托管访问服务商包括 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI；权重则可通过 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 获取。

支持的运行时包括 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、MLX、llama.cpp 和 Unsloth。Meta 称，其引用的 AMD MI350 硬件 Helion-kernel 测试带来了 3% 的端到端性能提升。

官方并没有统一的托管价格，因为各服务商自行决定路由和服务条款。比较时应关注 token 价格、精度、上下文限制、推理设置、区域路由、数据保留与模型训练政策，以及服务商是否提供已发布的 Open 检查点。

Muse Spark Open 常见问题

Muse Spark Open 真的是开源模型吗？

不是。它的权重可以下载和修改，但许可证包含署名、商业和使用限制。“开放权重”是更稳妥的描述。

Muse Spark Open 能在一台 Mac Studio 或一张 GPU 上运行吗？

按 Apple 公布的部署方案不行。NVFP4 检查点在不含工作区的情况下约为 493GB，BF16 参数则需要超过 1.6TB；因此，实际部署需要多台机器或多个加速器。

Muse Spark Open API 要多少钱？

价格取决于托管服务商。Meta 点名了 7 家 API 合作伙伴，但没有公布统一的 token 定价。

Muse Spark Open 比 Kimi K3 或 GLM 5.3 更好吗？

在引用结果中，Muse Spark Open 领先 JobBench 和 MCP-Atlas；而 Kimi K3 与 GLM 5.3 则在多项偏编程的测试中领先。与其依赖笼统排名，不如直接评估相同的实际工作负载。

自托管前该测试什么

购买硬件之前，先用两家托管服务商运行相同且具有代表性的智能体任务。记录任务完成情况、人工干预次数、首 token 时间、总延迟、输出成本、数据保留条款和检查点身份；只有当隐私或控制权的价值超过可测得的运维成本时，才值得自托管。

来源

• Meta AI Research：Muse Spark Open 发布公告
• Apple Machine Learning Research：分布式 MLX 推理
• The New Stack：许可证与基准测试概览
• Unite.AI：架构、模型卡与基准测试汇总