Muse Spark Open : les poids du modèle phare de Meta sont sortis — les chiffres qui les sous-tendent ne le sont pas

Muse Spark Open est bien réel, il est téléchargeable, et c'est le plus grand ensemble de poids ouverts qu'un laboratoire américain ait publié. Le dépôt qui le sous-tend — Muse-Spark-Open-816B-A42B — est apparu pour la première fois sur Hugging Face le 15 septembre 2026 et y est resté, sous accès restreint et sans annonce, pendant un mois. Le 15 octobre 2026, Meta a publié les poids, un article de lancement, une fiche de scores de référence et une licence, et l'ensemble est devenu officiel en un seul après-midi. La présentation honnête n'est donc ni celle d'un « dépôt furtif » ni celle d'un « lancement » : l'artefact a existé discrètement pendant quatre semaines, puis la paperasse a rattrapé son retard. Ce qui n'a pas rattrapé son retard, c'est la mesure. Un jour après la publication, les chiffres de l'éditeur sont publiés et non reproduits, les chiffres indépendants sont partiels, et l'évaluation de sûreté que Meta dit étayer la publication n'est pas encore disponible. Voilà ce que le dossier public étaye réellement aujourd'hui.

Un mois de silence, puis tout en même temps

Les dates comptent, car elles changent la façon dont vous lisez la publication. Les dépôts Hugging Face — le checkpoint BF16 et une seconde version NVFP4 — portent des horodatages de création du 2026-09-15. La dernière modification date du 2026-10-15, et le texte de licence à l'intérieur du formulaire à accès restreint est daté du 15 octobre 2026, la politique d'utilisation étant datée du même jour. Le post de lancement de Meta porte un horodatage de publication du 2026-10-15. La séquence est donc : dépôt en septembre, annonce en octobre.

C’est une histoire différente de celle que décrit habituellement l’expression « shipped quietly ». Meta l’a bien annoncé, en trois endroits à la fois — son blog de recherche, un guide de compilation pour développeurs sur son site destiné aux développeurs, et un billet coécrit sur le blog de Hugging Face rédigé par des employés de Hugging Face. Ce qui manquait, c’était le cycle de presse. Environ une semaine de couverture de lancement ne s’est pas matérialisée ; en dehors des pages du fournisseur lui-même et d’un ou deux articles d’agrégateurs, il y a très peu d’écrits sur un modèle de cette taille. La partie discrète, c’est la réception, pas la sortie.

Ce que le dépôt confirme à lui seul

Tout ce qui suit est vérifiable à partir des métadonnées du checkpoint, de la configuration, de la fiche du modèle et de l’article de lancement de Meta, sans avoir à croire qui que ce soit sur parole au sujet d’un benchmark. C’est la partie du dossier qui est établie.

• Échelle — environ 816 milliards de paramètres au total, dont environ 42 milliards actifs par token.

• Architecture — un mélange d'experts clairsemé : 62 couches, dimension cachée de 8 192, 256 experts par couche MoE avec 8 sélectionnés par token, et les experts détenant environ 97 % du total des paramètres. Attention à requêtes groupées avec 128 têtes de requête et 16 têtes clé-valeur de 64 dimensions chacune.

• Contexte — 1 048 576 tokens, la fenêtre que Meta abrège en 1M, couvrant les tokens texte, image, vidéo et audio dans le même budget.

• Entrées et sorties — texte, images, vidéo et audio en entrée ; texte en sortie. Il s'agit d'un lecteur multimodal, pas d'un générateur.

• Points de contrôle — deux formats. BF16, environ 1,5 To de safetensors, et NVFP4, une version 4 bits destinée à NVIDIA Blackwell que Meta affirme pouvoir exécuter sur un seul nœud B200.

• Arithmétique de la mémoire — l’attention à requêtes groupées garde le cache petit pour un modèle de cette taille, mais chaque jeton ajoute encore 126 976 valeurs. En BF16, cela représente environ 250 Ko par jeton, soit environ 266 Go pour un contexte complet de 1 M de jetons.

• Raisonnement — un paramètre d'effort de raisonnement avec les niveaux faible, moyen, élevé et xhigh. L'outillage de Meta note qu'il n'est pas possible de désactiver le raisonnement.

• Runtimes — prise en charge dès le premier jour dans Transformers, llama.cpp, SGLang, vLLM, TensorRT-LLM, Apple MLX et Unsloth, Meta livrant des noyaux Helion personnalisés auto-ajustables pour SGLang qui, selon lui, offrent des accélérations de 1,03 à 3,95× au niveau des noyaux sur les puces NVIDIA et AMD.

• Ordinateur de bureau — la démo phare. Meta l’a exécuté sur deux machines Mac Studio équipées de puces M5 Ultra sous MLX, ce qui fonctionne parce que chacune expose jusqu’à 512 Go de mémoire unifiée avec une bande passante de 1,2 To/s, de sorte que deux machines contiennent un checkpoint BF16 complet. Les démos de Meta livraient de vraies modifications à un client iOS open source et pilotaient DaVinci Resolve de bout en bout.

La licence est la partie que la plupart des gens vont sauter.

Muse Spark Open est distribué sous la Muse Model License, que Meta présente comme permettant à de nombreux développeurs d’utiliser le modèle gratuitement. Deux clauses qu’elle contient modifient ce que « gratuit » signifie en pratique, et aucune des deux ne figure dans le titre.

La première est la section 3, la clause relative au modèle en tant que service. Si vous ou vos sociétés affiliées donnez à des tiers accès au modèle en tant que produit ou service via une API, et que votre chiffre d'affaires brut total dépasse vingt millions de dollars américains sur toute période consécutive de douze mois, vous devez informer Meta et conclure un accord écrit distinct avant d'exercer cette activité. L'intégration du modèle dans votre propre produit est exclue ; la revente du modèle ne l'est pas.

Le deuxième est l'attribution. La licence exige que les titulaires de licence affichent bien en évidence « Built with Muse Spark Open » dans l'interface de tout produit qui utilise le modèle ou un dérivé, ou dans la documentation, le site ou le menu des paramètres qui l'accompagnent.

Deux choses que la licence accorde clairement, et il vaut la peine de les énoncer car c’est là tout l’intérêt des poids ouverts : vous pouvez affiner, distiller, fusionner, publier, sous-licencier et vendre des dérivés, et Meta ne revendique aucune propriété sur les sorties. Meta conditionne également le téléchargement lui-même — le dépôt est soumis à un contrôle d’accès, et le formulaire de demande exige votre nom légal complet, votre date de naissance et votre organisation avec ses identifiants d’entreprise, et ne peut pas être modifié après soumission. Quiconque s’attend à un téléchargement en un clic doit prévoir une file d’attente.

Ce que Meta a affirmé mais n’a pas encore publié

Meta a publié une fiche de scores de benchmark en même temps que la version, et la tendance qui s’en dégage est plus utile que n’importe quelle ligne prise isolément. Les chiffres ci-dessous sont déclarés par le fournisseur ; chaque modèle figurant sur la fiche a été mesuré dans son propre harnais d’agent plutôt que dans un harnais partagé, et nous n’avons reproduit aucun d’entre eux. Ils constituent une affirmation sur les capacités, et non un classement audité.

• Terminal-Bench 2.1, agent Terminus 2 — 76,4

• MCP-Atlas — 89,2

• GDPval-AA v2 — 1401

• SciCode — 58.5

• JobBench — 61.8

• HLE-Diamond, sans outils — 26.1

• DeepSWE 1.1 — 60, auto-déclaré sur le meilleur harnais disponible

Les lignes les plus solides sont les évaluations agentiques et d'utilisation d'outils ; la plus faible est le raisonnement à livre fermé. Cela correspond à ce que Meta dit être la vocation du modèle — codage à long horizon, lecture d'une base de code, débogage, appels d'outils sur de longues exécutions — et ne cadre pas avec l'idée d'y voir une amélioration générale du raisonnement par rapport à quoi que ce soit.

Ensuite, il y a l’évaluation que Meta n’a pas publiée. Son billet de lancement indique que le modèle a été évalué dans le cadre du Meta Superintelligence Scaling Framework, qu’il « a atteint les seuils que notre cadre exige pour une publication », et que les résultats détaillés figurent dans la fiche du modèle. La fiche du modèle renvoie à un rapport d’évaluation complet présenté comme bientôt disponible. Au moment où j’écris, il n’est pas encore paru. Une affirmation de sécurité qui a franchi un cadre interne est un objet différent d’un rapport de sécurité qu’un lecteur peut examiner, et seul le premier existe aujourd’hui.

Le nombre indépendant unique, et l’espace qui l’entoure

Artificial Analysis propose une fiche pour Muse Spark Open, et c'est la seule mesure tierce figurant actuellement dans les sources publiques. Elle situe le modèle à 39 sur l'Artificial Analysis Intelligence Index, neuvième sur 118 entrées de sa catégorie de modèles à poids ouverts de plus de 150 milliards de paramètres, au-dessus de la médiane de la catégorie, établie à 19. Elle mesure aussi une vitesse de sortie de 103,4 jetons par seconde et affiche, pour la voie hébergée, un prix de 1,25 $ par million de jetons d'entrée et de 4,25 $ par million de jetons de sortie, soit 0,84 $ par tâche de l'Artificial Analysis Intelligence Index. Cette fiche vaut plus que l'indice : elle signifie que les colonnes de débit et de coût, qui étaient vides lors de la sortie, sont désormais renseignées.

Lisez les deux ensembles de chiffres ensemble, et l’écart ne se situe pas dans la spécification, mais dans la part de celle-ci qui a été exercée. Le relevé de l’analyste recense indépendamment 816 B de paramètres au total et 42 B actifs, une fenêtre de contexte de 1 M de tokens, Hugging Face comme source des poids et la Muse Model License — la même architecture, la même licence et les mêmes modalités que Meta revendique, décrite comme prenant en entrée du texte, des images, de la parole et de la vidéo, et produisant du texte en sortie. Là où les deux comptes divergent, c’est sur la couverture. Meta rapporte huit benchmarks, tous sous son propre harnais. Le relevé indépendant est un indice, un chiffre de vitesse et un prix. Il n’existe nulle part publiquement de mesure audio ni de mesure vidéo, aucune comparaison de débit avec la gamme fermée Muse Spark, et aucun second analyste pour vérifier le premier. Un accord sur la fiche technique n’est pas la même chose qu’un accord sur les chiffres, et seuls les chiffres ici ont été testés.

Ce que cela coûte réellement de le faire soi-même

S’agissant des poids ouverts, la question pertinente en matière de coût est celle du matériel, et ici les détails publiés sont d’une précision inhabituelle.

• BF16, centre de données — la recette Transformers propre à Meta exécute le checkpoint BF16 sur quatre nœuds de huit GPU H200 avec un parallélisme tensoriel de 32. Soit 32 accélérateurs pour un seul modèle.

• NVFP4, datacentre — le build quantisé est documenté sur un seul nœud B200, et la configuration de référence SGLang de Meta pour ce dernier s'exécute sur quatre GPU GB300.

• Desktop, quantifié — Hugging Face et l’équipe de llama.cpp ont testé une quantification sur 2 bits sur un M3 Ultra de 512 Go : 304 Go de mémoire consommés, tournant à 18 jetons par seconde avec encore de la place pour le cache KV. C’est lent, et c’est un modèle différent du checkpoint BF16 évalué par Meta.

La fenêtre qu’on vous promet et la fenêtre que vous pouvez vous permettre correspondent à deux budgets différents — avec un contexte complet de 1 M de tokens en BF16, le cache KV à lui seul atteint environ 266 Go. Le chiffre de mémoire que tout le monde cite est le prix du chargement du modèle, pas celui de l’utilisation de la longueur de contexte que le modèle annonce.

Ce que cela implique pour quelqu'un qui a simplement besoin d'un modèle aujourd'hui

Muse Spark Open n'est pas un modèle vers lequel vous pointez une clé API. C'est un téléchargement, une licence, un formulaire de demande à accès restreint et un choix de matériel, et si votre charge de travail a besoin d'une réponse cette semaine, cela fait beaucoup de surface à couvrir avant le premier token. La version pratique de la question est de savoir à quel modèle Muse vous pouvez accéder dès maintenant : Muse Spark 1.2 et Muse Spark 1.1 sont les deux membres de la gamme fermée Muse Spark qu'OrcaRouter route, tous deux au prix catalogue de Meta avec 0 % de majoration, parce que le prix catalogue du fournisseur est répercuté plutôt que majoré. Muse Spark Open ne figure pas à notre catalogue et nous n'allons pas laisser entendre le contraire — un modèle dont toute la proposition est que vous pouvez le télécharger est un modèle que vous exécutez vous-même.

Cette séparation est aussi l’argument en faveur du maintien des deux au même endroit. Une API unique couvrant plus de 200 modèles signifie qu’un modèle non éprouvé ne doit pas forcément être un pari de production : le basculement automatique peut transférer une requête vers un second fournisseur lorsque le premier se dégrade, et le DSL de routage déplace le trafic entre les modèles par configuration plutôt que par modification de code. Pour un modèle publié il y a un jour et dépourvu de suite de benchmarks indépendante, c’est le moyen le moins coûteux de découvrir ce qu’il fait sur votre trafic.

Ce qu'il faut surveiller, et ce qui changerait cet article.

Trois choses sont non résolues plutôt qu'inconnues, et chacune ferait bouger les lignes.

Le premier est le rapport d'évaluation que Meta annonce. Tant qu'il n'est pas publié, les affirmations de sécurité du modèle reposent sur une déclaration de seuil plutôt que sur un document.

Le deuxième point est de savoir si l’évaluation comparative indépendante s’étend au-delà d’un seul indice. Une note unique d’analyste, sans reproduction, sans comparaison de débit avec la gamme Muse hébergée et sans mesure audio ou vidéo, n’est qu’un point de départ, pas un verdict.

Le troisième point est de savoir si l’écosystème du fine-tuning se concrétise. Meta a livré TorchTitan exactement pour cela, et les poids ouverts gagnent leur place dans les dérivés — fusions, quantifications, adaptations de domaine — et non dans le nombre de téléchargements. Dans quatre semaines, la trace des dérivés sera la mesure honnête de l’importance réelle de cette sortie.

Pour l'instant, le résumé exact est étroit : Meta a publié le plus grand modèle américain à poids ouverts à ce jour, l'a documenté en détail, ne l'a assorti d'aucun prix, l'a concédé sous licence avec une clause de revenus et a laissé les mesures à qui les réalisera ensuite.

Les benchmarks vieillissent et les prix évoluent ; le registre des défaillances, lui, ne change pas : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.