Meta CEO马克·扎克伯格。图片经由AI处理
文｜苏扬
编辑｜徐青阳
美国当地时间10月15日，Meta正式发布Muse Spark Open，一款8160亿总参数、420亿活跃参数的混合专家模型，同时开放权重下载。
这是美国迄今为止能力最强的开源权重模型，原生支持多模态输入，上下文窗口达到100万token。
图灵奖得主、Meta前首席AI科学家杨立昆“激情”点赞
Meta称和苹果合作优化，两台M5 Ultra版Mac Studio就能完整运行整个模型。
具体配置是两台M5 Ultra版Mac Studio，通过MLX框架协同工作，统一内存达到1TB。M5 Ultra的内存带宽达到1.2TB每秒，可以支撑每个token所需的小切片读取速度。
模型本身采用混合专家架构，8160亿总参数中每次激活420亿。这意味着推理时实际调用的参数量远小于总规模，但完整权重仍然需要全部加载到内存中。模型卡上标注的NVFP4版本至少需要700GB加速器内存，BF16版本则需要2TB。
所以，两台512GB的Mac Studio，刚好卡在能装下量化版权重的门槛上。
原生多模态是Muse Spark Open的另一个重点。
模型接受文本、图片、视频和音频四种输入，输出为文本。它不是生成式的多模态模型——不能画图、不能生成视频、不能合成语音，它的能力在于理解和分析多种模态的信息。开发者可以让它看截图、听录音、分析视频帧，再结合文字指令做判断。对于代理式工作流来说，这种理解能力比生成能力更实用。
除了苹果芯片，Muse Spark Open也支持主流推理引擎和硬件平台。SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、MLX、llama.cpp、Unsloth都已经适配，AMD、苹果、英特尔、英伟达的芯片都能跑。
Meta还自带了自定义的Helion GPU内核，在SGLang上能带来1.03到3.95倍的内核级加速，在AMD MI350上端到端提速3%。
Meta数次强调“美国最强开源权重模型”。
在Meta自己公布的跑分表中，Muse Spark Open在JobBench和MCP-Atlas两项工具使用基准测试上领先，分别拿到61.8分和89.2分，高于GLM 5.3、Kimi K3和Qwen3.8等对手。
在无工具条件下的HLE-Diamond推理测试中，它也以26.1分领先。带工具的视觉评测上，ZeroBench拿了50分，SimpleVQA拿了73.6分，同样排在前面。
美国AI科学家内森·兰伯特（Nathan Lambert）表示，他等美国开源模型重新有竞争力等了很久，现在终于看到了希望。
Box首席执行官阿伦·列维（Aaron Levie）也认为，这对美国开源社区是一大进步，企业以后可以混合搭配——用前沿模型做编排和高阶任务，用低成本定制模型做重复性工作流。
呼声很高，短板也很明显。
在终端编码测试Terminal-Bench 2.1上，Muse Spark Open拿到76.4分，低于GLM 5.3的83.9分和Kimi K3的85.0分。
软件工程任务DeepSWE 1.1上，60分的成绩同样落后于GLM和Kimi的67分和68分。
综合知识工作评估GDPVal-AA v2上，Muse Spark Open的1401分，和GLM 5.3的1653分、Qwen3.8的1613分、Kimi K3的1537分都有差距。
第三方测试机构Artificial Analysis的智能指数也提供了一个参照。
按照其公开榜单，Muse Spark Open（Xhigh模式）得分39，小米MiMo-V2.6-Pro得分约46分，智谱GLM-5.3约45分，月之暗面Kimi K3约44分，GLM-5.3-Flash约42分，阿里巴巴Qwen3.8 2.4T A95B约40分。
也就是说，至少有六款已发布的开源模型综合评分在Muse Spark Open之上，而且全部来自中国厂商。
过去一年，中国开源模型的下载量已经超过美国模型，OpenRouter上美国来源请求中60%的token量由开源模型处理，其中大部分来自中国实验室。Meta的这次发布，相当于在美国本土开源阵营里立起了一根新的标杆。
价格方面，Together AI公布的Muse Spark Open API定价为每百万输入token 1.25美元，输出4.25美元，和闭源版Muse Spark持平。
这个价格在开源模型里不算便宜，DeepSeek-V4.1-Flash非高峰时段只要0.75美元百万token总价，小米MiMo-V2.6-Pro是1.305美元，GLM-5.3是5.80美元。
Muse Spark Open的定位介于中端和高端之间，性价比优势主要体现在自托管场景——企业自己部署的话，算力成本摊薄后可能比API调用更划算。
参数和跑分都是纸面数据，真正让人感受到分量的，是Muse Spark Open的几个实际用例。
Meta公布的第一个用例是修改iOS应用。
Meta用Muse Code（基于Muse Spark Open的编程智能体）在本地完整处理了Ice Cubes——一款开源的Mastodon客户端。具体工作包括修复bug、添加新功能、完成全量构建。
第二个用例是Muse Spark Open在本地驱动DaVinci Resolve做视频剪辑，逐帧审查素材，找出最精彩的片段，然后裁剪成竖版格式。
传统的视频剪辑辅助工具大多做的是自动加字幕、简单转场这类初级工作，而Muse Spark Open做的是“判断哪些画面最好”这种偏主观的决策，它能逐帧看、理解画面内容、做出取舍判断，然后直接操作专业剪辑软件输出成品。
这个流程如果跑通，对短视频制作、内容创作者、媒体机构都是效率上的直接提升。
Muse Spark Open也支持智能体购物。Hugging Face的机器学习工程师佩德罗·昆卡（Pedro Cuenca）在X上分享了一个购物演示，展示Spark Open在智能体任务、计算机使用和多模态推理方面的能力。
具体来说，就是模型可以直接操作浏览器，浏览电商网站，比较商品，完成选购。这种“AI帮你买东西”的场景说了很久，但一直受限于模型对网页的理解能力和操作稳定性。Spark Open的多模态理解和工具调用能力，让这类应用的落地门槛又低了一截。
Fireworks AI的开发者关系主管索菲娅·杨（Sophia Yang）则展示了一个更炫的玩法——用Spark Open逐帧生成代码，制作出一部完整的交互式动画网页。
用户可以像走进电影场景一样浏览整个网页，每一帧都是模型实时写出来的。这个演示更多是技术秀，但它展示了本地大模型和创意工具结合的可能性。
这些用例背后，是Meta在开源模型上的完整布局。
今年4月发布第一代Muse Spark，8月推出300亿参数、Apache 2.0协议的Glimmer，10月上旬又发布了更高端的Muse Wonder和Wonder Full。现在Spark Open补上了开源权重这一环，形成了从小型本地模型到大型闭源模型的完整产品线。
授权协议也做了细分。Glimmer用的是完全开放的Apache 2.0，Spark Open用的是自定义的Muse Model License——大部分开发者可以免费使用，但如果你的公司是做模型即服务的，且年营收超过2000万美元，就需要和Meta另外签协议。
内部部署、研究、非模型服务类的商业应用都不在限制范围内。这个设计很精准——企业内部用没问题，用它做自己的产品也没问题，但如果想拿来直接卖API，那就得谈分成。
