Meta hat am 15. Oktober die Gewichte von Muse Spark Open veröffentlicht. Das Modell liegt auf Hugging Face und steht unter der Muse Model License. Es ist das erste Mal, dass die Muse-Spark-Reihe ihre Gewichte öffnet: insgesamt 816 Milliarden Parameter, pro Token werden 42 Milliarden aktiviert, das Kontextfenster umfasst 1 Million Token, und Bild-, Audio- sowie Audio-Video-Eingaben werden nativ unterstützt. Im offiziellen PyTorch-Blog nennt Meta es «the most capable US open-weight model to date» (das bislang leistungsfähigste Open-Weight-Modell der USA).
Die offene Variante teilt sich ein Basismodell mit dem am selben Tag erschienenen Muse Spark 1.3; der Unterschied liegt im Post-Training. Die offene Version durchlief eine zusätzliche Runde Sicherheits-Post-Training, die es laut Meta schwerer machen soll, das Modell zu missbrauchen, wenn es ohne Schutzmaßnahmen auf Systemebene eigenständig betrieben wird. Nach der Bewertung anhand von Metas eigenem Superintelligence Scaling Framework hat das Modell die Freigabeschwelle erreicht; der vollständige Evaluierungsbericht ist noch nicht veröffentlicht, offiziell heißt es nur, er erscheine «in Kürze».
Schwerpunkt Programmierung und Agenten
Meta positioniert das Modell eng: Programmier- und Agentenaufgaben. Zu den Trainingsdaten gehören Refactorings über mehrere Dateien, Debugging-Sitzungen und lang laufende Aufgaben; betont werden die Genauigkeit beim ersten Versuch und die Zuverlässigkeit beim Aufrufen von Werkzeugen. Auf der Agentenseite wurde das Modell darauf trainiert, lange Aufgabenketten über mehrere Websites hinweg zu bewältigen und Teilagenten abzuspalten, die Arbeit übernehmen; die Computerbedienung auf Desktop, Smartphone und im Browser wurde einheitlich trainiert. Bevor es loslegt, gibt es außerdem einen eigenen Abschnitt aus, in dem es erklärt, was es vorhat.
Der Forschungsblog von Meta enthält zwar einen Abschnitt «Key Benchmarks», im Text steht aber keine einzige Punktzahl; Ergebnisse auf Ranglisten Dritter stehen noch aus. Arena hat das Modell bereits in die Agent Arena aufgenommen, eine Wertung liegt aber noch nicht vor.
Läuft es auf zwei Macs?
Metas Desktop-Lösung sind zwei Mac Studio mit M5 Ultra, jeweils mit bis zu 512 GB Unified Memory, in Verbindung mit dem neuesten MLX. Das Machine-Learning-Forschungsteam von Apple hat am selben Tag Messwerte veröffentlicht: Nach der NVFP4-Quantisierung wiegen die Gewichte etwa 493 GB; zusammen mit dem Zwischenspeicher für die Inferenz passt das nicht auf ein einzelnes Gerät. Zwei Geräte mit Pipeline-Parallelität erreichen 15,74 Token pro Sekunde, mit Tensor-Parallelität 24,99, vier Geräte mit Tensor-Parallelität 36,73, jeweils bei einem Testkontext von 8192. Die Rechner kommunizieren über den mit macOS 26.2 eingeführten Thunderbolt-5-RDMA-Treiber, zwischen je zwei Geräten liegen zwei Kabel.
In der Cloud geht es schneller. SGLang und vLLM unterstützen das Modell vom ersten Tag an, Together AI, Modal und OpenRouter haben es bereits im Angebot. Together berechnet für die Serverless-Nutzung 1,25 US-Dollar pro Million Eingabe-Token, 4,25 US-Dollar für Ausgabe-Token und 0,15 US-Dollar für zwischengespeicherte Eingaben; bis zum 18. Oktober mittags Pacific Time ist die Nutzung befristet kostenlos.
Meta nutzt die Veröffentlichung außerdem, um die eigene PyTorch-Toolchain zu bewerben. Das Modell wird mit in Helion geschriebenen Kernels ausgeliefert, darunter für RoPE, RMSNorm und Quantisierung. Auf NVIDIA GB300 sind sie nach Metas Angaben um das 1,03- bis 3,95-Fache schneller als von Hand in CUDA und CuTe DSL geschriebene Kernels; derselbe Kernel-Satz bringt, direkt auf AMD MI350 übertragen, rund 3 % mehr End-to-End-Durchsatz. Für das Fine-Tuning lässt sich TorchTitan verwenden, das mehrstufiges SFT, LoRA und Reinforcement Learning unterstützt.
Vom geschlossenen zum offenen Modell
Zieht man Metas Linie zusammen: Muse Spark war beim Start Metas erstes Closed-Source-Modell und schlug damit einen anderen Weg ein als in der Llama-Ära; die Version 1.2 im August brachte zugleich das Programmierprodukt Muse Code mit; davor hatte Meta bereits Muse Glimmer vorgestellt, ein kleines dichtes Modell für Endgeräte. Nun hat auch Spark selbst seine Gewichte geöffnet, und Metas Modellreihe läuft zweigleisig: eine geschlossene, iterativ weiterentwickelte Version und eine offene Version, auf derselben Basis, getrennt durch eine Schicht Sicherheits-Post-Training.
Diese Aufstellung erlaubt es Meta, beide Seiten zu bedienen. Die geschlossene Version wird in Muse-Produkten und der API weiter kostenpflichtig angeboten, die offene soll Entwickler und Inferenzanbieter mit Day-one-Unterstützung gewinnen; von SGLang und vLLM bis zu mehreren Cloud-Anbietern zogen alle am ersten Tag mit, dieser Schritt ist also gelungen.
Offen bleibt die Lizenz. Meta schreibt lediglich von «begrenzten kommerziellen Bedingungen» und sagt, viele Entwickler könnten das Modell kostenlos nutzen; der Blog nennt keine Schwelle für die kommerzielle Nutzung und sagt auch nicht, ob die Llama-Praxis fortgeführt wird, die Nutzung an die Zahl monatlich aktiver Nutzer zu koppeln. Maßgeblich ist der vollständige Lizenztext auf der Hugging-Face-Seite; Unternehmen, die das Modell kommerziell einsetzen wollen, sollten diese Lizenz zuerst vollständig lesen.
Quellen: offizieller PyTorch-Blog, Meta-Forschungsblog, CocoLoop, Apple-Machine-Learning-Research-Blog, Together AI; die Preisseite von Together diente zur Prüfung der Preise pro Million Token und des Gratiszeitraums, Apples Messungen zur Prüfung der Größe nach der Quantisierung und der Token pro Sekunde.