Meta在2026年发布Muse Spark Open开放权重模型，面向复杂编程、长流程智能体任务并支持多模态输入。虽然模型可在桌面级设备运行，但完整本地部署仍需约1TB内存（两台M5 Ultra Mac Studio或四台256GB机）及相应互联与运维成本。
Meta于2026年10月15日发布Muse Spark Open开放权重模型，称其面向复杂编程、长流程任务和智能体工作流。模型总参数量约8160亿，每个Token实际激活约420亿参数，支持最多约100万Token上下文，并可处理文本、图像、音频和视频输入。
Meta把Muse Spark Open称为“目前美国能力最强的开放权重模型”。这一判断来自公司自己的评测和产品定位，目前不应被视为独立机构确认的行业排名。模型虽然可以在桌面设备上运行，但所需硬件远超普通个人电脑：Meta表示，用户需要两台配备M5 Ultra芯片的Mac Studio，利用苹果统一内存架构组成约1TB的本地运行环境。
“开放权重”不等于普通电脑即可运行
Muse Spark Open采用混合专家（MoE）架构。根据Meta Research官方发布，模型共有约8160亿个参数，但每个Token只激活约420亿个参数。Hugging Face的技术说明进一步披露，模型每层包含256个专家，路由器每次选择其中8个；这降低了单个Token的计算量，却没有消除加载全部模型参数所需的内存。
Hugging Face称，BF16版本的模型文件约为1.5TB，提供BF16和面向英伟达Blackwell GPU优化的NVFP4格式。完整的BF16参考部署需要多台H200服务器，而NVFP4版本可以在一台B200节点上运行。模型的最大上下文窗口为1,048,576个Token，但具体服务配置仍可能使用更短的上下文长度，不能把理论上限直接等同于所有部署环境中的实际可用容量。
在苹果设备上，M5 Ultra Mac Studio单机最多可提供512GB统一内存。两台设备连接后，才足以容纳整个模型。Engadget据此将其概括为“需要1TB内存才能在Mac上运行”的开放权重模型；这更接近高端开发工作站或机构级实验环境，而不是面向普通消费者的本地应用。
Meta表示，模型还可以在四台配备256GB内存的M5 Ultra Mac Studio上运行。至于具体成本，除了设备本身，还要考虑高速互联、存储、电力和散热。因而，“可以在桌面上运行”主要说明模型摆脱了单一云端服务的限制，并不代表本地部署已经变得廉价或普及。
从编程代理到视频剪辑
Meta称，Muse Spark Open从真实开发者工作流中训练，重点包括阅读代码库、多文件修改、调试、工具调用和持续数小时的复杂任务。它是原生多模态模型，可以接收图像、音频和视频，但当前输出仍主要是文本。
Meta把模型与Muse Code及其智能体工作流结合，用于代码修复、功能开发和软件构建。公司展示的案例包括为开源Mastodon客户端Ice Cubes修复错误、添加功能并完成构建；另一个案例则是让模型操作DaVinci Resolve，逐帧查看素材、寻找较合适的片段并进行竖屏裁剪。
这些演示显示，Meta试图把模型的价值从一次性问答转向持续执行：模型先理解任务，再调用工具、观察结果、修改方案，并在遇到错误时继续推进。此前Meta推出的Muse Wonder系列也把跨对话记忆和长期任务执行作为重点；相较之下，Muse Spark Open的区别在于，它把这种智能体能力与开放权重、可下载模型和本地部署结合起来。相关背景可参阅AIFlux此前关于Meta发布Muse Wonder系列并押注长期智能体任务。
多个平台提供调用，但商业使用仍受许可约束
Meta表示，Muse Spark Open已经通过Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter和Together AI等平台提供服务，模型权重则可从Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden和Microsoft Foundry Models等渠道获取。模型支持SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、Apple MLX、llama.cpp和Unsloth等推理工具，并针对苹果、英伟达、AMD和英特尔硬件提供不同优化路径。
不过，开放权重并不自动等于不受限制的开源软件。Meta采用的是Muse Model License，官方描述为带有限商业条款的许可，允许许多开发者免费使用，但具体商业用途仍需按照许可文本判断。对于计划把模型部署到商业产品、托管服务或企业内部系统的团队，下载权重只是开始，许可证、再分发条件和责任边界同样需要审核。
公司评测显示优势，但独立复测仍是关键
Meta发布的评测结果称，Muse Spark Open在编程、智能体任务和视觉推理等项目上表现突出，并可与其他大型开放权重模型竞争。TechCrunch报道，模型的主要定位是复杂软件工程、长周期任务和多步推理；The Guardian则将其放在Meta与中国开放权重模型竞争的背景下，提到Qwen、Kimi和GLM等模型已经在这一市场形成较强影响力。
但目前可见的参数、性能和“美国最强开放权重模型”等表述，主要来自Meta及其合作方的发布材料。不同评测可能采用不同的提示词、推理时间、工具权限、硬件和计算预算，模型在公司基准上的领先不能直接推导出其在所有真实工作流中都更可靠。尤其对于智能体任务，代码是否最终通过测试、工具调用是否稳定、模型能否在长期运行中避免重复错误，往往比单项基准分数更重要。
这类部署条件也让模型规模与运行效率之间的关系更复杂。MoE架构可以减少每个Token的计算量，但全部专家仍需保存在内存中；量化可以降低占用，却可能改变速度、精度和多模态处理效果。开发者在选择本地运行时，需要同时考虑模型总参数、激活参数、量化格式、上下文长度、内存带宽和推理框架，而不能只看模型名称或单一参数规模。
Meta押注开放权重与本地智能体的结合
Muse Spark Open的发布，把Meta此前的两条路线放在了一起：一条是通过Muse系列进入前沿模型和智能体竞争，另一条是继续向开发者提供可以下载、修改和自行部署的模型权重。Meta希望证明，开放权重模型不仅能被研究者加载，也能承担代码开发、浏览器操作和视频编辑等较长流程任务。
这一方向的吸引力在于，企业和开发者可以减少对单一云端服务的依赖，围绕模型建立自己的推理、数据和工具链。但它的现实门槛也同样明显：即使硬件能够容纳模型，本地系统仍需解决权限控制、数据访问、联网工具、日志审计和错误回滚等问题。模型在本地运行，可以减少部分数据外传风险，却不会自动解决智能体操作文件、代码和账户时产生的安全责任。
因此，Muse Spark Open更像是一次面向高端开发者和机构的技术路线展示，而不是一款已经普及的个人电脑模型。它是否能在独立评测中复现Meta公布的能力，以及两台Mac Studio的硬件成本是否能被真实工作流节省的云端Token费用抵消，还需要更多第三方测试和长期使用数据。
来源：
- Meta Research：Muse Spark Open
- Hugging Face：Welcome Muse Spark Open
- TechCrunch：Meta launches an open-weight model that runs on Macs
- The Guardian：Meta releases Muse Spark Open
- Engadget：Meta built a huge open-weight AI model for Macs
与本地推理、稀疏激活和智能体部署相关的另一条实践路径，可参阅AIFlux此前关于Liquid AI发布LFM2.5-24B-A2B并瞄准本地智能体的报道。