Muse Spark Open: i pesi di punta di Meta sono usciti — i numeri che ci sono dietro no

Muse Spark Open è reale, è scaricabile ed è il più grande insieme di pesi aperti mai pubblicato da un laboratorio statunitense. Il repository che ne sta alla base — Muse-Spark-Open-816B-A42B — è apparso per la prima volta su Hugging Face il 15 settembre 2026 ed è rimasto lì, ad accesso limitato e senza alcun annuncio, per un mese. Il 15 ottobre 2026 Meta ha pubblicato i pesi, un post di lancio, una scheda di valutazione dei benchmark e una licenza, e l'intera operazione è diventata ufficiale in un solo pomeriggio. Quindi l'inquadratura onesta non è né "rilascio stealth" né "lancio": l'artefatto è esistito in silenzio per quattro settimane, e poi la documentazione è arrivata al passo. Ciò che non è arrivato al passo è la misurazione. Un giorno dopo il rilascio, i numeri del fornitore sono pubblicati e non riprodotti, i numeri indipendenti sono parziali e la valutazione di sicurezza che, secondo Meta, è alla base del rilascio non è ancora disponibile. Questo è ciò che il registro pubblico effettivamente supporta oggi.

Un mese di silenzio, poi tutto in una volta

Le date contano, perché cambiano il modo in cui si legge il rilascio. I repository di Hugging Face — il checkpoint BF16 e una seconda build NVFP4 — riportano timestamp di creazione del 2026-09-15. L'ultima modifica è del 2026-10-15, e il testo della licenza all'interno del modulo ad accesso limitato è datato 15 ottobre 2026, con la politica di utilizzo datata lo stesso giorno. Il post di lancio di Meta riporta un timestamp di pubblicazione del 2026-10-15. Quindi la sequenza è: repository a settembre, annuncio a ottobre.

Questa è una storia diversa da quella che la frase "shipped quietly" descrive di solito. Meta lo ha annunciato, in tre posti contemporaneamente: il suo blog di ricerca, una guida di build per sviluppatori sul suo sito per sviluppatori e un post co-autorato sul blog di Hugging Face scritto dallo staff di Hugging Face. Ciò che era assente era il ciclo di copertura mediatica. Circa una settimana di copertura del lancio non si è materializzata; al di fuori delle pagine dello stesso fornitore e di uno o due post di aggregatori, c'è molto poco scritto su un modello di queste dimensioni. La parte silenziosa è l'accoglienza, non il rilascio.

Ciò che il repository conferma da solo

Tutto ciò che segue è verificabile dai metadati del checkpoint, dalla configurazione, dalla scheda del modello e dal post di lancio di Meta, senza doversi fidare della parola di nessuno su un benchmark. Questa è la parte del resoconto che è ormai assodata.

• Scala — approssimativamente 816 miliardi di parametri totali, con circa 42 miliardi attivi per token.

Architettura — una miscela sparsa di esperti: 62 strati, dimensione nascosta 8.192, 256 esperti per strato MoE con 8 selezionati per token, e gli esperti detengono circa il 97% dei parametri totali. Attenzione grouped-query con 128 teste query e 16 teste chiave-valore da 64 dimensioni ciascuna.

• Contesto — 1.048.576 token, la finestra che Meta abbrevia in 1M, coprendo token di testo, immagine, video e audio nello stesso budget.

• Input e output — testo, immagini, video e audio in ingresso; testo in uscita. Questo è un lettore multimodale, non un generatore.

• Checkpoint — due formati. BF16, circa 1,5 TB di safetensors, e NVFP4, una build a 4 bit pensata per NVIDIA Blackwell che, secondo Meta, gira su un singolo nodo B200.

• Aritmetica della memoria — l'attenzione con query raggruppate mantiene ridotta la cache per un modello di queste dimensioni, ma ogni token aggiunge comunque 126.976 valori. In BF16 sono circa 250KB per token, ovvero all'incirca 266GB per un contesto completo da 1M token.

• Ragionamento — un'impostazione dello sforzo di ragionamento con livelli basso, medio, alto e xhigh. Gli strumenti di Meta stessi fanno notare che non è possibile disattivare il ragionamento.

• Runtime — supporto dal primo giorno in Transformers, llama.cpp, SGLang, vLLM, TensorRT-LLM, Apple MLX e Unsloth, con Meta che rende disponibili kernel Helion personalizzati e auto-ottimizzabili per SGLang, che, secondo l'azienda, offrono speedup a livello di kernel da 1,03–3,95× su hardware NVIDIA e AMD.

• Desktop — la demo principale. Meta l'ha eseguita su due Mac Studio con chip M5 Ultra sotto MLX, il che funziona perché ciascuno espone fino a 512 GB di memoria unificata a 1,2 TB/s di larghezza di banda, quindi due macchine contengono un checkpoint BF16 completo. Le demo di Meta apportavano modifiche reali a un client iOS open source e pilotavano DaVinci Resolve dall'inizio alla fine.

La licenza è la parte che la maggior parte delle persone salterà.

Muse Spark Open è distribuito con la Muse Model License, che Meta descrive come una licenza che consente a molti sviluppatori di usare il modello gratuitamente. Due clausole al suo interno cambiano ciò che "gratuito" significa in pratica, e nessuna delle due è nel titolo.

Il primo è la Sezione 3, la clausola relativa al modello come servizio. Se tu o le tue affiliate fornite a terze parti l’accesso al modello come prodotto o servizio tramite un’API, e i tuoi ricavi lordi aggregati superano i venti milioni di dollari statunitensi in un qualsiasi periodo consecutivo di dodici mesi, devi informare Meta e stipulare un accordo scritto separato prima di gestire tale attività. L’integrazione nel proprio prodotto è esclusa; la rivendita del modello no.

Il secondo è l'attribuzione. La licenza richiede ai licenziatari di mostrare in modo ben visibile "Built with Muse Spark Open" nell'interfaccia di qualsiasi prodotto che utilizzi il modello o un derivato, oppure nella documentazione, nel sito o nel menu delle impostazioni a corredo.

Due cose che la licenza concede chiaramente, e vale la pena affermarle perché sono il vero punto dei pesi aperti: puoi fare fine-tuning, distillare, fondere, pubblicare, sublicenziare e vendere derivati, e Meta non rivendica alcuna proprietà sugli output. Meta controlla anche l'accesso al download stesso — il repository è ad accesso controllato, e il modulo di richiesta chiede nome legale completo, data di nascita e organizzazione con identificativi aziendali, e non può essere modificato dopo l'invio. Chi si aspetta un download con un solo clic dovrebbe mettere in conto una coda.

Ciò che Meta ha affermato ma non ha ancora pubblicato

Meta ha pubblicato uno scorecard di benchmark insieme al rilascio, e il pattern che lo attraversa è più utile di qualsiasi singola riga. I dati seguenti sono dichiarati dal fornitore, ciascun modello sulla scheda è stato misurato all'interno del proprio harness di agenti anziché in uno condiviso, e non ne abbiamo riprodotto nessuno. Sono un'affermazione sulla capacità, non una classifica sottoposta ad audit.

• Terminal-Bench 2.1, agente Terminus 2 — 76.4

• MCP-Atlas — 89.2

• GDPval-AA v2 — 1401

• SciCode — 58.5

• JobBench — 61,8

• HLE-Diamond, senza strumenti — 26.1

• DeepSWE 1.1 — 60, autodichiarato sul miglior harness disponibile

Le righe più forti sono le valutazioni agentiche e di uso degli strumenti; la più debole è il ragionamento a libro chiuso. Ciò è coerente con ciò che Meta dice riguardo allo scopo del modello — programmazione a lungo orizzonte, lettura di una base di codice, debug, chiamata di strumenti su esecuzioni prolungate — e incoerente con l'interpretarlo come un miglioramento generale del ragionamento rispetto a qualsiasi altra cosa.

Poi c'è la valutazione che Meta non ha pubblicato. Il suo post di lancio afferma che il modello è stato valutato nell'ambito del Meta Superintelligence Scaling Framework, che ha «soddisfatto le soglie richieste dal nostro framework per il rilascio» e che i risultati dettagliati si trovano nella model card. La model card rimanda a un rapporto di valutazione completo descritto come disponibile prossimamente. Al momento in cui scriviamo non è ancora uscito. Un'affermazione di sicurezza che ha superato un framework interno è un oggetto diverso da un rapporto sulla sicurezza che un lettore può esaminare, e oggi esiste solo il primo.

L'unico numero indipendente, e lo spazio intorno ad esso

Artificial Analysis ha una scheda per Muse Spark Open, ed è l'unica misurazione di terze parti nel registro pubblico al momento. Colloca il modello a 39 sull'Artificial Analysis Intelligence Index, nono di 118 voci nella sua classe di modelli open-weight con più di 150 miliardi di parametri, al di sopra della mediana di classe di 19. Misura anche la velocità di output a 103,4 token al secondo e prezza la via ospitata a 1,25 $ per milione di token in input e 4,25 $ per milione in output, a 0,84 $ per attività dell'Intelligence Index. Quella scheda vale più dell'indice: significa che le colonne di throughput e costi che erano vuote al rilascio ora sono compilate.

Leggi insieme i due insiemi di numeri e il divario non sta nella specifica: sta in quanto di essa sia stato messo alla prova. L'elenco dell'analista registra in modo indipendente 816B di parametri totali e 42B attivi, una finestra di contesto da 1M token, Hugging Face come fonte dei pesi e la Muse Model License — la stessa architettura, la stessa licenza e le stesse modalità che Meta dichiara, descritte come capaci di prendere in input testo, immagine, parlato e video e restituire testo in output. Il punto in cui i due resoconti divergono è la copertura. Meta riporta otto benchmark, tutti eseguiti con il proprio harness. Il registro indipendente è un indice, un valore di velocità e un prezzo. Non esiste alcuna misurazione audio né video in nessun contesto pubblico, nessun confronto di throughput con la linea chiusa Muse Spark e nessun secondo analista che verifichi il primo. L'accordo sulla scheda tecnica non è la stessa cosa dell'accordo sui numeri, e solo i numeri qui sono stati testati.

Quanto costa davvero gestirlo da soli

La questione rilevante dei costi per i pesi aperti è l'hardware, e qui i dettagli pubblicati sono insolitamente concreti.

• BF16, datacenter — La ricetta Transformers proprietaria di Meta esegue il checkpoint BF16 su quattro nodi da otto GPU H200 con parallelismo tensoriale di 32. Sono 32 acceleratori per un solo modello.

• NVFP4, datacenter — la build quantizzata è documentata su un singolo nodo B200, e la configurazione di riferimento SGLang di Meta per essa viene eseguita su quattro GPU GB300.

• Desktop, quantizzato — Hugging Face e il team di llama.cpp hanno testato una quantizzazione a 2 bit su un M3 Ultra da 512 GB: 304 GB di memoria consumati, in esecuzione a 18 token al secondo con spazio rimanente per la KV cache. È lento, ed è un modello diverso dal checkpoint BF16 valutato da Meta.

• La finestra che ti viene promessa e la finestra che puoi permetterti sono due budget diversi — con un contesto completo da 1M token in BF16, la sola KV cache arriva a circa 266GB. La cifra di memoria che tutti citano è il prezzo per caricare il modello, non il prezzo per usare la lunghezza di contesto che il modello pubblicizza.

Dove questo lascia chi ha solo bisogno di un modello oggi

Muse Spark Open non è un modello verso cui puntare una chiave API. È un download, una licenza, un modulo di richiesta ad accesso limitato e una decisione hardware, e se il tuo carico di lavoro ha bisogno di una risposta questa settimana, c'è molta superficie da coprire prima del primo token. La versione pratica della domanda è quale modello Muse puoi raggiungere subito: Muse Spark 1.2 e Muse Spark 1.1 sono i due membri della linea chiusa Muse Spark instradati da OrcaRouter, entrambi al prezzo di listino di Meta con 0% di ricarico, perché il prezzo di listino del fornitore viene passato così com'è anziché maggiorato. Muse Spark Open non è nel nostro catalogo e non intendiamo suggerire il contrario — un modello la cui intera proposta è che puoi scaricarlo è un modello che esegui da solo.

Quella separazione è anche l'argomento a favore del tenerli entrambi in un unico posto. Una sola API su oltre 200 modelli significa che un modello non ancora collaudato non deve essere una scommessa per la produzione: il failover automatico può portare una richiesta a un secondo provider quando il primo peggiora, e il DSL di routing sposta il traffico tra i modelli tramite configurazione anziché modifiche al codice. Per un modello rilasciato ieri e privo di una suite di benchmark indipendente, è il modo più economico per scoprire come si comporta sul tuo traffico.

Cosa tenere d'occhio e cosa cambierebbe questo pezzo

Tre cose sono irrisolte più che sconosciute, e ciascuna sposterebbe il quadro.

Il primo è il rapporto di valutazione che, secondo Meta, arriverà. Finché non arriva, le dichiarazioni sulla sicurezza del modello si basano su un'affermazione di soglia anziché su un documento.

Il secondo è se il benchmarking indipendente si estende oltre un singolo indice. Un singolo punteggio di analista senza riproduzione, senza confronto di throughput rispetto alla linea Muse ospitata e senza misurazione audio o video è un punto di partenza, non un verdetto.

Il terzo è se l'ecosistema del fine-tuning si materializza. Meta ha rilasciato TorchTitan esattamente per questo, e i pesi aperti si guadagnano il loro valore nei derivati — fusioni, quantizzazioni, messe a punto di dominio — non nel numero di download. Tra quattro settimane, la traccia dei derivati sarà la misura onesta di se questo rilascio ha avuto importanza.

Per ora, il riepilogo accurato è ristretto: Meta ha pubblicato il più grande modello open-weight statunitense fino ad oggi, lo ha documentato in modo approfondito, non gli ha attribuito alcun prezzo, lo ha concesso in licenza con una clausola sui ricavi e ha lasciato le misurazioni a chiunque le farà in seguito.

Benchmarks age and prices move; the failure record does not: 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.