Muse Spark Open vs. Muse Spark: Worauf du verzichtest, wenn Meta dir die Gewichte übergibt

Der Vergleich, den die Leute tatsächlich meinen, wenn sie „Muse Spark Open vs Muse Spark“ eingeben, betrifft nicht zwei Modelle – es sind zwei Vertriebsmodelle, die denselben Familiennamen tragen. Muse Spark Open ist das offene Gewichtsmodell mit 816 Mrd. Parametern, ein sparse Mixture-of-Experts-Modell, das Meta am 15. Oktober 2026 veröffentlicht hat, herunterladbar unter der Muse Model License, verarbeitet Text, Bild, Video und Audio als Eingabe und gibt Text aus. Muse Spark ist die geschlossene gehostete Linie derselben Familie – das ursprüngliche Modell von April 2026, dann Muse Spark 1.1, 1.2 und 1.3 in Folge – pro Token über Metas Model API verkauft und auf keinem anderen Weg erreichbar. Das eine kommt als Datei und Lizenz; das andere kommt als Endpunkt und Preisliste. Nahezu jeder praktische Unterschied zwischen ihnen folgt aus dieser einen Gabelung.

Zuerst ein Namensproblem, das sich zu klären lohnt.

„Muse Spark" ohne Versionsnummer ist wirklich mehrdeutig, und die Mehrdeutigkeit wird nun, da ein offenes Geschwistermodell existiert, noch größer.

• Muse Spark, unversioniert — das ursprüngliche Modell, veröffentlicht im April 2026, 262K-Token-Kontext in der Auflistung von Artificial Analysis, Text-, Bild- und Spracheingabe.

• Muse Spark 1.1 und 1.2 — Juli bzw. August 2026, beide mit dem 1-Mio.-Token-Kontextfenster der Familie.

• Muse Spark 1.3 — September 2026, die Version, die Meta als aktuell kennzeichnet und für neue Arbeit empfiehlt.

• Muse Spark Open — eine separate Open-Weight-Veröffentlichung, keine Version der geschlossenen Produktlinie und kein Nachfolger von 1.3.

Und ein vierter Punkt, der oft mit all dem oben Genannten verwechselt wird: Muse Glimmer, ein offenes Dense-Modell mit 30B unter Apache 2.0 aus derselben Forschungsgruppe. Wer nach „open Meta Muse model“ sucht und bei Glimmer landet, hat ein echtes Open-Weight-Modell gefunden – und das falsche. Muse Spark Open ist das 816B-Modell; Glimmer ist das kleine lokale.

Was die beiden Seiten auf dem Papier sind

Sechs Dimensionen, beide Seiten, anhand der vom Anbieter angegebenen Zahlen und der unabhängigen Auflistungen von Artificial Analysis, sofern eine solche existiert.

• Gewichte — Muse Spark Open: herunterladbar, 816B insgesamt / 42B aktiv, zugangsbeschränktes Repository, BF16- und NVFP4-Checkpoints. Muse Spark (geschlossene Produktlinie): keine Gewichte, keine Lizenz, kein Download für jegliche Version, einschließlich 1.3.

• Eingaben — Open: Text, Bild, Video und Audio laut Meta sowie Text, Bild, Sprache und Video laut der Auflistung von Artificial Analysis. Closed 1.2: Text, Bild, Sprache und Video laut Artificial Analysis. Die beiden Quellen stimmen bei der Modalitätenliste des offenen Modells überein; was keine von beiden veröffentlicht hat, ist eine Messung des Audio- oder Videopfads.

• Ausgabe — nur Text, auf beiden Seiten. Keine von beiden erzeugt Bilder, Audio oder Video.

• Kontext — 1.048.576 Tokens für Open und für 1.1, 1.2 und 1.3. Das ursprüngliche unversionierte Muse Spark liegt niedriger, bei 262K.

• Lizenz und Bedingungen — Offen: Muse Model License mit Namensnennungspflicht und einer Model-as-a-Service-Klausel, die bei mehr als 20 Mio. USD jährlichem Umsatz verbundener Unternehmen greift. Geschlossen: kommerzielle API-Bedingungen mit einer vergünstigten „Contributor“-Stufe, die einen niedrigeren Preis gegen die Erlaubnis eintauscht, mit Ihren Prompts und Completions zu trainieren.

• Preis — Open: Meta legt keinen fest, weil Meta es nicht bereitstellt. Was Sie zahlen, ist entweder Ihre eigene Hardware oder das, was eine Inferenzplattform berechnet. Closed 1.3: 1,25 $ pro Million Eingabe-Tokens, 4,25 $ pro Million Ausgabe, 0,15 $ pro Million gecachte Eingabe, mit einer Contributor-Variante zu 0,10 $ / 0,20 $ / 0,002 $.

Die unabhängigen Zahlen und der ehrliche Vorbehalt ihnen gegenüber

Artificial Analysis ist der einzige Drittanbieter mit öffentlichen Auflistungen für beide Seiten dieses Vergleichs, weshalb nur dort eine 1:1-Betrachtung überhaupt möglich ist – mit einem Sternchen, das nicht verschwiegen wird: Es benchmarkt Open-Weight-Modelle gegen andere Open-Weight-Modelle derselben Größenklasse und proprietäre Modelle gegen proprietäre und offene Modelle im selben Preisband. Beachten Sie außerdem, dass die unten stehenden Zahlen der geschlossenen Linie Artificial Analysis’ eigene Messungen gehosteter Endpunkte sind, während Index und Geschwindigkeit des offenen Modells aus der gehosteten Auflistung desselben Analysten für ein Modell stammen, das niemand hosten muss. Die Werte sind daher in der Tendenz vergleichbar, aber keine auditierten Äquivalente.

• Muse Spark Open (xhigh) — Intelligenzindex 39, Text, Bild, Sprache und Video als Eingabe, Ausgabegeschwindigkeit 103,4 Token pro Sekunde, angegebener Hosting-Preis: 1,25 $ Eingabe / 4,25 $ Ausgabe, 0,84 $ pro Index-Aufgabe.

• Muse Spark 1.2 (xhigh) — Intelligenz-Index 40, Text, Bild, Sprache und Video als Eingabe, 361,4 Token pro Sekunde, 1,25 $ Eingabe / 4,25 $ Ausgabe, 0,97 $ pro Index-Aufgabe. Die zugehörige Seite enthält jetzt einen Deprecation-Hinweis, der auf 1.3 verweist.

• Muse Spark 1.3 (max) — Intelligence Index 48, Text-, Bild- und Videoeingabe, 121,9 Tokens pro Sekunde, 1,25 $ Eingabe / 4,25 $ Ausgabe, 1,60 $ pro Index-Aufgabe.

• Original Muse Spark — Intelligenzindex 31, 262K Kontext, Geschwindigkeit und Kosten nicht gemessen, als veraltet markiert.

Die Form dieser Liste ist der interessante Teil. Das offene Modell schlägt die geschlossene Modellreihe nicht. Es landet einen Punkt unter dem veralteten 1.2 und neun Punkte unter 1.3 bei seiner maximalen Reasoning-Einstellung – und das, obwohl es ungefähr dreieinhalbmal langsamer ist als 1.2. Was es jedoch gewinnt, sind die Kosten pro Aufgabe: 0,84 $ gegenüber den 1,60 $ von 1.3 auf demselben Index, was der günstigste Wert pro Aufgabe in der Familie ist. Der Kompromiss ist also nicht die Leistungsfähigkeit, und es ist auch nicht wirklich der Preis pro Token, da jede gehostete Auflistung in dieser Tabelle dieselben 1,25 $ / 4,25 $ nennt. Es ist Kontrolle.

Eine Zahl in dieser Tabelle verdient eher Skepsis als ein Zitat. Der gelistete Hosting-Preis von Muse Spark Open ist identisch mit Metas Listenpreis für das geschlossene Muse Spark 1.3 – auf den Cent genau, in allen drei Spalten. Das könnte ein echter Markträumungspreis sein, oder es könnte ein Analyst sein, der das Feld mit der Preisliste des Schwestermodells füllt, während sich die eigene Preisgestaltung des Modells noch einpendelt. Bis eine tatsächliche Anbieterrechnung dies bestätigt, behandle die Kostenangaben von Open als vorläufig und die von 1.3 als vom Anbieter veröffentlicht.

Was dich die offene Lizenz kostet, was die API nie kosten würde

Die Lizenz ist der Punkt, an dem die beiden Wege am schärfsten auseinandergehen, und sie ist der Abschnitt, den die meisten Leser nur überfliegen.

Was Sie ganz einfach bekommen: die Freiheit, Derivate zu nutzen, zu kopieren, zu verändern, feinabzustimmen, zu destillieren, zusammenzuführen, zu veröffentlichen, unterzulizenzieren und zu verkaufen, wobei Meta kein Eigentum an den Ausgaben beansprucht. Darauf kommen zwei Bedingungen obendrauf.

• Namensnennung — die Lizenz verlangt, dass „Built with Muse Spark Open“ gut sichtbar in der Benutzeroberfläche jedes Produkts angezeigt wird, das das Modell oder eine Abwandlung davon verwendet, oder in dessen Dokumentation, Website oder Einstellungsmenü.

• Der Model-as-a-Service-Auslöser – wenn Sie oder Ihre verbundenen Unternehmen Dritten Zugang zum Modell als Produkt oder Dienst über eine API anbieten und der aggregierte Bruttoumsatz in einem beliebigen Zeitraum von zwölf aufeinanderfolgenden Monaten 20 Mio. USD übersteigt, müssen Sie zuerst Meta benachrichtigen und eine gesonderte Vereinbarung unterzeichnen. Interne Nutzung, Forschung und die Auslieferung des Modells innerhalb Ihres eigenen Nicht-API-Produkts sind ausgenommen.

• Zugriffsbeschränkter Zugriff — der Download selbst ist zugriffsgeschützt, mit einem Anfrageformular, das den vollständigen rechtlichen Namen, das Geburtsdatum und die Organisation mit Unternehmenskennungen abfragt und nach dem Absenden nicht mehr bearbeitet werden kann.

Stellt man das den Bedingungen der geschlossenen Linie gegenüber, kehrt sich der Vergleich um. Der API-Weg verlangt nichts in Bezug auf Attribution, erlegt keine Umsatzschwelle auf und erfordert keinen Papierkram außer einem Schlüssel. Was er jedoch verlangt, ist die Datenfrage: Im Contributor-Tarif darf Meta mit deinen Prompts und Completions trainieren, und genau das macht ihn beim Input etwa zehnmal günstiger und beim Output besser als zwanzigmal günstiger. Das Versprechen des geschlossenen Standard-Tarifs ist das Gegenteil – deine Daten werden nicht für das Training verwendet.

Was die Ausführung jedes Pfads tatsächlich kostet

Der Schlagzeilen-Vergleich „0 $ pro Token gegenüber 1,25 $ pro Million“ ist in beide Richtungen falsch, daher lohnt es sich, ehrlich zu kalkulieren.

• Rechenzentrum BF16 — Metas eigene Rezeptur lässt den vollständigen Checkpoint über vier Knoten mit je acht H200-GPUs bei Tensor-Parallelität 32 laufen. Offene Gewichte haben die Hardware-Rechnung nicht beseitigt; sie haben sie auf Ihre Bilanz verlagert.

• Rechenzentrum NVFP4 — der 4-Bit-Build ist auf einem einzelnen B200-Knoten dokumentiert, wobei Metas SGLang-Referenzkonfiguration vier GB300-GPUs umfasst.

• Desktop — die wirklich neue Option. Zwei Mac-Studio-Rechner mit M5-Ultra-Chips halten einen vollständigen BF16-Checkpoint, da jeder bis zu 512 GB Unified Memory bei 1,2 TB/s Bandbreite bereitstellt. Eine von den Teams von Hugging Face und llama.cpp getestete 2-Bit-Quantisierung lief auf einem einzelnen M3 Ultra mit 512 GB bei 18 Tokens pro Sekunde und verbrauchte 304 GB, wobei noch Platz für Cache blieb.

• Die Kontextfalle, auf beiden Wegen — beim vollen 1M-Token-Fenster in BF16 kommt allein der KV-Cache auf rund 266 GB. Wer die Gewichte kauft, kauft damit noch nicht das Fenster; bei einem gehosteten Endpoint liegt dieselbe Obergrenze hinter einem Preis pro Token, der genauso wächst.

Die geschlossene Linie hat kein Äquivalent zur Desktop-Zeile. Es gibt keine Konfiguration, in der Muse Spark 1.3 auf Hardware läuft, die Ihnen gehört – bei keiner Quantisierung, bei keiner Geschwindigkeit.

Welche man je nach Situation wählen sollte

Die Entscheidungsregel ist enger gefasst, als das Marketing auf beiden Seiten suggeriert.

• Wenn für Ihren Workload die Leistungsfähigkeit entscheidend ist und Sie die beste Antwort benötigen, die die Familie heute erzeugen kann, gewinnt die geschlossene Linie – und das nicht knapp: 1.3 erzielt mit maximalem Reasoning neun Indexpunkte mehr als das offene Modell, und das offene Modell ist langsamer.

• Wenn Ihre Einschränkung darin besteht, dass Prompts die Infrastruktur, die Sie kontrollieren, nicht verlassen dürfen, oder dass Sie feinabstimmen, zusammenführen oder destillieren müssen, sind die offenen Gewichte die einzige Option in der Familie. Nichts davon trifft auf irgendeine Muse Spark-Version zu.

• Wenn du in dieser Familie das günstigste Ergebnis pro Aufgabe willst, ist die Index-Aufgabe des offenen Modells für 0,84 $ der niedrigste Wert auf dem Tisch – aber sie ist auch die am wenigsten verifizierte Zahl auf dem Tisch, und sie hängt davon ab, auf welcher Plattform du sie ausführst.

• Wenn Sie einen der beiden vor Ihrer Entscheidung mit echtem Traffic bewerten möchten, ist die Aufteilung selbst das Argument für einen einzigen Endpunkt: Muse Spark 1.2 ist eines der beiden Muse-Modelle, die OrcaRouter weiterleitet, zum Listenpreis von Meta mit 0 % Aufschlag, sodass eine veröffentlichte Preisänderung Ihren Schlüssel ohne Neuverhandlung erreicht. Muse Spark Open ist nicht in unserem Katalog, und wir behaupten auch nicht, dass es so sei – es ist ein Modell, das Sie herunterladen, nicht eines, das Sie aufrufen. Muse Spark 1.3 leiten wir ebenfalls nicht weiter; die beiden Versionen, die wir anbieten, sind 1.2 und 1.1.

Was die Routing-Schicht in diesem konkreten Fall bringt, ist kein Rabatt, sondern ein Ausweg. Eine einzige API über 200+ Modelle hinweg, automatisches Failover, wenn ein Anbieter schwächelt, und eine Routing-DSL, die Traffic per Konfiguration zwischen Modellen verschiebt – all das bedeutet, dass die Wahl zwischen offen und geschlossen keine Migration mehr ist. Ein Modell, das vor einem Tag veröffentlicht wurde, mit einem einzigen Analystenindex und ohne Reproduktion, ist genau der Fall, in dem man die Möglichkeit haben möchte, Traffic zu verschieben, ohne dass eine Codeänderung dahinter nötig ist.

Der Teil, den keine der beiden Seiten geklärt hat.

Über diesem Vergleich stehen zwei offene Fragen, und keine von beiden fällt zugunsten eines eindeutigen Urteils aus.

Das Erste ist die Messung. Metas eigene Scorecard für Muse Spark Open ist vom Anbieter gemeldet und harness-relativ, und der Sicherheitsbericht, auf den der zugehörige Launch-Post verweist, wird als „coming soon“ beschrieben statt als veröffentlicht. Das unabhängige Bild besteht aus einem Analystenindex, einer Geschwindigkeitskennzahl und einer Modalitätsauflistung – und diese Auflistung stimmt hinsichtlich der Spezifikation mit dem Anbieter überein, sagt aber nichts darüber aus, welcher dieser vier Eingabepfade tatsächlich gemessen wurde. Neun Indexpunkte sind eine große Lücke, und sie ist derzeit eine Lücke, die von einer einzigen Partei in verschiedenen Modellklassen gemessen wird.

Der zweite Punkt ist, ob offene Gewichte die Ausrichtung der Familie überhaupt verändern. Meta hat nun ein Modell in dieser Größenordnung veröffentlicht und gleichzeitig jede Version der geschlossenen Linie proprietär gehalten, und die offene Veröffentlichung liegt bei der Leistungsfähigkeit unter dem geschlossenen Flaggschiff statt mit ihm gleichauf. Das ist eine kohärente Strategie – die Frontier bleibt gehostet, die Form der vorherigen Generation wird zum Download – und es ist eine, die Meta nicht ausgesprochen hat. Wenn ein künftiges Muse Spark Open bei seiner Veröffentlichung mit der geschlossenen Linie gleichzieht, existiert dieser Vergleich nicht mehr. Bis dahin ist die ehrliche Lesart, dass offene Gewichte Ihnen die Architektur der Familie und ihr Kontextfenster zu einem Abschlag bei der Leistungsfähigkeit erkauft haben – und dass sie Ihnen nicht die Frontier erkauft haben.

Comparisons like this one are also where the failure modes show up: the documented AI incidents and agent failures behind models in this class are collected in the OrcaRouter AI Incident Archive, where each entry carries its own sources, severity, confidence grade and disputed flag.