Muse Spark Open vs Muse Spark : ce à quoi vous renoncez quand Meta vous remet les poids

La comparaison que les gens veulent réellement faire lorsqu'ils tapent « Muse Spark Open vs Muse Spark » ne porte pas sur deux modèles — mais sur deux modèles de distribution portant le même nom de famille. Muse Spark Open est le modèle à poids ouverts de type mélange d'experts clairsemé à 816 milliards de paramètres, publié par Meta le 15 octobre 2026, téléchargeable sous la licence Muse Model License, prenant en entrée du texte, des images, de la vidéo et de l'audio, et produisant du texte en sortie. Muse Spark est la gamme hébergée et fermée de la même famille — le modèle original d'avril 2026, puis Muse Spark 1.1, 1.2 et 1.3 successivement — vendue au token via l'API Model de Meta et accessible d'aucune autre manière. L'un arrive sous forme de fichier et de licence ; l'autre arrive sous forme de point de terminaison et de grille tarifaire. Presque toutes les différences pratiques entre eux découlent de cette unique bifurcation.

Tout d'abord, un problème de nommage qu'il vaut la peine de clarifier

"Muse Spark" sans numéro de version est vraiment ambigu, et l'ambiguïté s'aggrave désormais, maintenant qu'un frère open source existe.

• Muse Spark, sans version — le modèle original, sorti en avril 2026, contexte de 262K tokens sur la fiche d'Artificial Analysis, texte, image et parole en entrée.

• Muse Spark 1.1 et 1.2 — respectivement juillet et août 2026, tous deux avec la fenêtre de contexte de 1 M de tokens de la famille.

• Muse Spark 1.3 — septembre 2026, la version que Meta considère comme actuelle et recommande pour les nouveaux travaux.

• Muse Spark Open — une publication distincte à poids ouverts, qui n'est pas une version de la gamme fermée, ni une suite à la 1.3.

Et une quatrième chose souvent confondue avec tout ce qui précède : Muse Glimmer, un modèle ouvert dense de 30B sous Apache 2.0, issu du même groupe de recherche. Quelqu’un qui cherche « open Meta Muse model » et tombe sur Glimmer a trouvé un vrai modèle à poids ouverts, mais pas le bon. Muse Spark Open est le modèle de 816B ; Glimmer est le petit modèle local.

Ce que sont les deux camps sur le papier

Six dimensions, des deux côtés, en utilisant les chiffres déclarés par le fournisseur et les relevés indépendants d’Artificial Analysis lorsqu’il en existe.

• Poids — Muse Spark Open : téléchargeables, 816B au total / 42B actifs, dépôt à accès restreint, checkpoints BF16 et NVFP4. Muse Spark (ligne fermée) : aucun poids, aucune licence, aucun téléchargement pour aucune version, y compris 1.3.

• Entrées — Open : texte, image, vidéo et audio selon Meta, et texte, image, parole et vidéo selon la liste d'Artificial Analysis. Closed 1.2 : texte, image, parole et vidéo selon Artificial Analysis. Les deux sources s'accordent sur la liste des modalités du modèle ouvert ; ce qu'aucune des deux n'a publié, c'est une mesure du chemin audio ou vidéo.

• Sortie — texte uniquement, des deux côtés. Aucun des deux ne génère d’images, d’audio ou de vidéo.

• Contexte — 1 048 576 tokens pour Open et pour 1.1, 1.2 et 1.3. Le Muse Spark original non versionné se situe plus bas, à 262 K.

• Licence et conditions — Ouverte : Muse Model License avec une obligation d'attribution et une clause de modèle en tant que service qui s'applique au-delà de 20 M$ de revenus d'affiliation annuels. Fermée : conditions d'utilisation commerciales de l'API, avec un palier « Contributor » à tarif réduit qui échange un prix inférieur contre l'autorisation d'entraîner sur vos prompts et vos complétions.

• Prix — Ouvert : Meta n'en fixe aucun, car Meta ne le fournit pas. Ce que vous payez correspond soit à votre propre matériel, soit à ce qu'une plateforme d'inférence facture. Fermé 1.3 : $1.25 par million de tokens d'entrée, $4.25 par million de tokens de sortie, $0.15 par million de tokens d'entrée en cache, avec une variante Contributor à $0.10 / $0.20 / $0.002.

Les chiffres indépendants, et la mise en garde honnête à leur sujet

Artificial Analysis est le seul tiers à proposer des référencements publics pour les deux côtés de cette comparaison, ce qui en fait le seul endroit où une lecture à périmètre comparable est même possible — avec un astérisque qu’Artificial Analysis ne dissimule pas : elle évalue les modèles à poids ouverts par rapport à d’autres modèles à poids ouverts de la même classe de taille, et les modèles propriétaires par rapport à des modèles propriétaires et ouverts dans la même gamme de prix. Notez aussi que les chiffres de la ligne fermée ci-dessous sont les propres mesures d’Artificial Analysis sur des points de terminaison hébergés, tandis que l’Index et la vitesse du modèle ouvert proviennent de la fiche hébergée du même analyste pour un modèle que personne n’est obligé d’héberger. Les scores sont donc comparables en tendance, et non des équivalents audités.

• Muse Spark Open (xhigh) — Indice d'intelligence 39, entrée texte, image, parole et vidéo, vitesse de sortie de 103,4 tokens par seconde, tarification hébergée affichée 1,25 $ en entrée / 4,25 $ en sortie, 0,84 $ par tâche d'index.

• Muse Spark 1.2 (xhigh) — Intelligence Index 40, texte, image, parole et vidéo en entrée, 361,4 tokens par seconde, 1,25 $ en entrée / 4,25 $ en sortie, 0,97 $ par tâche d’index. Sa page comporte désormais un avis de dépréciation renvoyant à la version 1.3.

• Muse Spark 1.3 (max) — Intelligence Index 48, texte, image et vidéo en entrée, 121,9 jetons par seconde, 1,25 $ en entrée / 4,25 $ en sortie, 1,60 $ par tâche d'index.

• Muse Spark original — Indice d’intelligence 31, contexte 262 K, vitesse et coût non mesurés, marqué comme obsolète.

La forme de cette liste est la partie intéressante. Le modèle ouvert ne dépasse pas la gamme fermée. Il se situe un point en dessous du 1.2 déprécié et neuf points en dessous du 1.3 à son réglage de raisonnement maximal — et il le fait tout en étant environ trois fois et demie plus lent que le 1.2. Ce qu'il gagne, en revanche, c'est le coût par tâche : 0,84 $ contre 1,60 $ pour le 1.3 sur le même indice, soit le montant par tâche le plus bas de la famille. Donc le compromis n'est pas la capacité, et ce n'est pas vraiment le prix par token, puisque chaque offre hébergée de ce tableau indique le même 1,25 $ / 4,25 $. C'est le contrôle.

Un chiffre de ce tableau mérite qu’on le considère avec scepticisme plutôt qu’on le cite. Le prix d’hébergement affiché de Muse Spark Open est identique au prix catalogue de Meta pour le modèle fermé Muse Spark 1.3, au centime près, dans les trois colonnes. Il pourrait s’agir d’un véritable prix de marché d’équilibre, ou bien d’un analyste qui remplit le champ avec la grille tarifaire du modèle frère pendant que la tarification propre du modèle se stabilise. Tant qu’une facture réelle d’un fournisseur ne le confirme pas, considérez les chiffres de coût d’Open comme provisoires et ceux de 1.3 comme publiés par le fournisseur.

Ce que la licence ouverte vous coûte et que l’API ne vous coûterait jamais.

La licence est l'endroit où les deux voies divergent le plus nettement, et c'est la section que la plupart des lecteurs survolent.

En clair, ce que vous obtenez : la liberté d’utiliser, copier, modifier, affiner, distiller, fusionner, publier, accorder des sous-licences et vendre des dérivés, Meta ne revendiquant aucun droit de propriété sur les résultats. Deux conditions viennent s’y ajouter.

• Attribution — la licence exige que « Built with Muse Spark Open » soit affiché de manière bien visible dans l'interface de tout produit utilisant le modèle ou un dérivé de celui-ci, ou dans sa documentation, son site ou son menu de paramètres.

• Le déclencheur « modèle en tant que service » — si vous ou vos sociétés affiliées offrez à des tiers l’accès au modèle en tant que produit ou service via une API, et que le chiffre d’affaires brut cumulé dépasse 20 M$ sur une période de douze mois consécutifs, vous devez d’abord informer Meta et signer un accord distinct. L’utilisation interne, la recherche et l’intégration du modèle dans votre propre produit non-API sont exclues.

• Accès restreint — le téléchargement lui-même est soumis à un contrôle d’accès, avec un formulaire de demande qui exige le nom légal complet, la date de naissance et l’organisation avec des identifiants d’entreprise, et qui ne peut pas être modifié une fois soumis.

Mettez cela en regard des conditions de la gamme fermée, et la comparaison s'inverse. La voie API ne demande rien en matière d'attribution, n'impose aucun seuil de revenus et n'implique aucune paperasse au-delà d'une clé. Ce qu'elle demande, en revanche, c'est la question des données : au palier Contributeur, Meta peut entraîner ses modèles sur vos prompts et vos complétions, ce qui est précisément ce qui la rend environ dix fois moins chère en entrée et plus de vingt fois moins chère en sortie. La promesse du palier Standard fermé est l'inverse — vos données ne sont pas utilisées pour l'entraînement.

Ce que coûte réellement l’exécution de chaque chemin

La comparaison phare de « 0 $ par token contre 1,25 $ par million » est fausse dans les deux sens, il vaut donc la peine d’établir un prix honnête.

• Centre de données BF16 — La recette maison de Meta exécute le checkpoint complet sur quatre nœuds de huit GPU H200 avec un parallélisme tensoriel de 32. Les poids ouverts n'ont pas supprimé la facture matérielle ; ils l'ont transférée dans votre bilan.

• Datacentre NVFP4 — le build 4 bits est documenté sur un seul nœud B200, avec la configuration de référence SGLang de Meta répartie sur quatre GPU GB300.

• Ordinateur de bureau — l’option véritablement nouvelle. Deux machines Mac Studio avec des puces M5 Ultra contiennent un checkpoint BF16 complet, car chacune expose jusqu’à 512 Go de mémoire unifiée à 1,2 To/s de bande passante. Une quantification 2 bits testée par les équipes Hugging Face et llama.cpp a tourné sur un seul M3 Ultra de 512 Go à 18 tokens par seconde en utilisant 304 Go, avec de la place restante pour le cache.

• Le piège du contexte, sur les deux voies — à la fenêtre complète de 1 M de tokens en BF16, le cache KV à lui seul atteint environ 266 Go. Acheter les poids ne vous donne pas accès à la fenêtre ; sur un point de terminaison hébergé, le même plafond se trouve derrière un prix par token qui augmente de la même façon.

La gamme fermée n’a pas d’équivalent dans la gamme de bureau. Il n’existe aucune configuration dans laquelle Muse Spark 1.3 s’exécute sur du matériel que vous possédez, quelle que soit la quantification, quelle que soit la vitesse.

Lequel choisir, selon la situation

La règle de décision est plus étroite que ne le suggère le marketing des deux camps.

• Si votre charge de travail est critique en termes de capacités et que vous avez besoin de la meilleure réponse que la famille puisse produire aujourd’hui, la ligne fermée l’emporte, et de loin — 1.3 en raisonnement maximal obtient neuf points d’indice de plus que le modèle ouvert, et le modèle ouvert est plus lent.

• Si votre contrainte est que les prompts ne doivent pas quitter l’infrastructure que vous contrôlez, ou que vous devez affiner, fusionner ou distiller, les poids ouverts sont la seule option de la famille. Aucune de ces deux contraintes ne s’applique à une version de Muse Spark.

• Si vous voulez le résultat le moins cher par tâche sur cette famille, la tâche d'index à 0,84 $ du modèle ouvert est le chiffre le plus bas sur la table — mais c'est aussi le chiffre le moins vérifié sur la table, et il dépend de la plateforme sur laquelle vous l'exécutez.

• Si vous souhaitez évaluer l'un ou l'autre sur du trafic réel avant de vous engager, la séparation elle-même plaide en faveur d'un point de terminaison unique : Muse Spark 1.2 est l'un des deux modèles Muse qu'OrcaRouter route, au prix catalogue de Meta avec 0 % de marge, de sorte qu'une modification tarifaire publiée parvient à votre clé sans renégociation. Muse Spark Open ne figure pas à notre catalogue et nous ne prétendons pas le contraire — c'est un modèle que vous téléchargez, pas un modèle que vous appelez. Nous ne routons pas non plus Muse Spark 1.3 ; les deux versions que nous servons sont la 1.2 et la 1.1.

Ce que la couche de routage apporte dans ce cas précis n’est pas une remise, c’est une porte de sortie. Une API unique pour plus de 200 modèles, un basculement automatique lorsqu’un fournisseur se dégrade et un DSL de routage qui déplace le trafic entre les modèles par configuration : tout cela fait que le choix entre ouvert et fermé cesse d’être une migration. Un modèle publié il y a un jour, avec un seul indice d’analyste et aucune reproduction, est exactement le cas où l’on veut avoir la possibilité de déplacer le trafic sans qu’un changement de code soit nécessaire.

La partie qu’aucun des deux camps n’a réglée

Deux questions ouvertes planent sur cette comparaison, et aucune ne se résout en faveur d’un verdict net.

Le premier point est la mesure. La propre fiche d'évaluation de Meta pour Muse Spark Open est déclarée par le fournisseur et relative à son harnais d'évaluation, et le rapport de sécurité vers lequel renvoie son article de lancement est décrit comme à venir plutôt que publié. Le tableau indépendant se compose d'un indice d'analyste, d'un chiffre de vitesse et d'une liste de modalités — et cette liste s'accorde avec le fournisseur sur les spécifications tout en ne disant rien sur lequel de ces quatre chemins d'entrée a réellement été mesuré. Neuf points d'indice, c'est un écart important, et c'est actuellement un écart mesuré sur différentes classes de modèles par une seule partie.

La seconde est de savoir si les poids ouverts changent véritablement l’orientation de la famille. Meta a désormais publié un modèle à cette échelle tout en maintenant chaque version de la gamme fermée sous licence propriétaire, et la version ouverte se place en dessous du fleuron fermé en matière de capacités, plutôt qu’au même niveau. C’est une stratégie cohérente — la frontière technologique reste hébergée, la forme de la génération précédente devient un téléchargement — et dont Meta n’a pas fait état. Si un futur Muse Spark Open égale la gamme fermée dès sa sortie, cette comparaison cessera d’exister. D’ici là, l’interprétation honnête est que les poids ouverts vous ont permis d’obtenir l’architecture de la famille et sa fenêtre de contexte au prix d’un compromis sur les capacités, et ne vous ont pas donné accès à la frontière technologique.

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.