Muse Spark Open: Meta's vlaggenschipgewichten zijn uit — de cijfers erachter niet

Muse Spark Open is echt, het is downloadbaar, en het is de grootste verzameling open gewichten die een Amerikaans lab heeft gepubliceerd. De repository erachter — Muse-Spark-Open-816B-A42B — verscheen voor het eerst op Hugging Face op 15 september 2026 en bleef daar een maand staan, met beperkte toegang en onaangekondigd. Op 15 oktober 2026 publiceerde Meta de gewichten, een lanceringsbericht, een benchmark-scorekaart en een licentie, en het geheel werd in één middag officieel. De eerlijke framing is dus noch een "stealth drop", noch een "lancering": het artefact bestond vier weken lang in stilte, en toen haalde de papierwinkel het in. Wat achterblijft, is de meting. Een dag na de release zijn de cijfers van de leverancier gepubliceerd en niet gereproduceerd, zijn de onafhankelijke cijfers gedeeltelijk, en de veiligheidsevaluatie waarvan Meta zegt dat die de release onderbouwt, is nog niet uit. Dit is wat het openbare dossier vandaag daadwerkelijk ondersteunt.

Een maand van stilte, en dan alles tegelijk.

De datums doen ertoe, want ze veranderen hoe je de release leest. De Hugging Face-repositories — het BF16-checkpoint en een tweede NVFP4-build — hebben aanmaaktijdstempels van 2026-09-15. De laatste wijziging is 2026-10-15, en de licentietekst in het formulier voor beperkte toegang is gedateerd op 15 oktober 2026, met het gebruiksbeleid op dezelfde dag. Meta's lanceringsbericht heeft een publicatietijdstempel van 2026-10-15. De volgorde is dus: repo in september, aankondiging in oktober.

Dat is een ander verhaal dan het verhaal dat de uitdrukking "shipped quietly" gewoonlijk beschrijft. Meta heeft dit wel aangekondigd, op drie plekken tegelijk — zijn onderzoeksblog, een buildgids voor ontwikkelaars op zijn ontwikkelaarsite, en een mede door Hugging Face-medewerkers geschreven bericht op de Hugging Face-blog. Wat ontbrak, was de perscyclus. Ongeveer een week aan verslaggeving over de lancering is uitgebleven; buiten de eigen pagina's van de leverancier en een of twee aggregatorberichten is er heel weinig geschreven over een model van deze omvang. Het stille deel is de ontvangst, niet de release.

Wat de repository op zichzelf bevestigt

Alles hieronder is verifieerbaar aan de hand van de metadata van de checkpoint, de configuratie, de modelkaart en Meta's lanceringsbericht, zonder dat je iemand op zijn woord hoeft te geloven als het om een benchmark gaat. Dit is het deel van het dossier dat vaststaat.

• Schaal — ongeveer 816 miljard parameters in totaal, met ongeveer 42 miljard actief per token.

• Architectuur — een sparse mixture-of-experts: 62 lagen, verborgen dimensie 8.192, 256 experts per MoE-laag waarvan er 8 per token worden geselecteerd, en experts die ongeveer 97% van de totale parameters bevatten. Grouped-query attention met 128 query-heads en 16 key-value-heads van elk 64 dimensies.

• Context — 1.048.576 tokens, het venster dat Meta afkort tot 1M, dat tekst-, afbeeldings-, video- en audiotokens binnen hetzelfde budget omvat.

• Invoer en uitvoer — tekst, afbeeldingen, video en audio erin; tekst eruit. Dit is een multimodale lezer, geen generator.

• Checkpoints — twee formaten. BF16, ongeveer 1,5TB aan safetensors, en NVFP4, een 4-bits build gericht op NVIDIA Blackwell die volgens Meta op één enkele B200-node draait.

• Geheugenberekening — grouped-query attention houdt de cache klein voor een model van deze grootte, maar elk token voegt nog steeds 126.976 waarden toe. In BF16 is dat ongeveer 250KB per token, of ruwweg 266GB voor een volledige context van 1M tokens.

• Reasoning — een instelling voor reasoning-effort met de niveaus laag, gemiddeld, hoog en xhigh. Meta's eigen tooling merkt op dat het niet mogelijk is om reasoning uit te schakelen.

• Runtimes — ondersteuning vanaf dag één in Transformers, llama.cpp, SGLang, vLLM, TensorRT-LLM, Apple MLX en Unsloth, waarbij Meta aangepaste, automatisch afstembare Helion-kernels voor SGLang levert, die volgens het bedrijf 1,03–3,95× snelheidswinst op kernelniveau opleveren op NVIDIA- en AMD-hardware.

• Desktop — de belangrijkste demo. Meta draaide die op twee Mac Studio-machines met M5 Ultra-chips onder MLX, wat werkt omdat elk tot 512 GB aan unified memory met 1,2 TB/s aan bandbreedte beschikbaar stelt, zodat twee machines een volledige BF16-checkpoint kunnen bevatten. Meta's demo's leverden echte wijzigingen op aan een open-source iOS-client en stuurden DaVinci Resolve van begin tot eind aan.

De licentie is het onderdeel dat de meeste mensen zullen overslaan.

Muse Spark Open wordt uitgebracht onder de Muse Model License, die Meta omschrijft als een licentie waarmee veel ontwikkelaars het model gratis kunnen gebruiken. Twee clausules daarin veranderen wat "gratis" in de praktijk betekent, en geen van beide staat in de kop.

Het eerste is Sectie 3, de clausule over model-as-a-service. Als u of uw gelieerde ondernemingen derden via een API toegang verlenen tot het model als product of dienst, en uw totale bruto-omzet in een willekeurige periode van twaalf opeenvolgende maanden meer dan twintig miljoen Amerikaanse dollar bedraagt, moet u Meta op de hoogte stellen en een afzonderlijke schriftelijke overeenkomst sluiten voordat u die activiteit exploiteert. Het inbouwen ervan in uw eigen product is uitgezonderd; het doorverkopen van het model niet.

Het tweede is naamsvermelding. De licentie vereist dat licentienemers "Built with Muse Spark Open" prominent weergeven in de interface van elk product dat het model of een afgeleide daarvan gebruikt, of in de bijbehorende documentatie, site of het instellingenmenu.

Twee dingen die de licentie duidelijk toestaat, en ze zijn het vermelden waard omdat ze het eigenlijke punt van open weights vormen: je mag fine-tunen, distilleren, samenvoegen, publiceren, sublicentiëren en afgeleiden verkopen, en Meta claimt geen eigendom over de outputs. Meta beperkt ook de download zelf — de repository is toegangsbeveiligd, en het aanvraagformulier vraagt naar je volledige juridische naam, geboortedatum en organisatie met bedrijfsidentificatoren, en kan na indiening niet meer worden bewerkt. Wie een download met één klik verwacht, moet rekening houden met een wachtrij.

Wat Meta heeft beweerd maar nog niet heeft gepubliceerd

Meta heeft bij de release een benchmarkscorecard geleverd, en het patroon daarin is nuttiger dan welke afzonderlijke rij dan ook. De onderstaande cijfers zijn door de leverancier gerapporteerd, elk model op de kaart is gemeten binnen zijn eigen agentharness in plaats van een gedeelde, en we hebben geen ervan gereproduceerd. Het is een claim over capaciteiten, geen geauditeerde rangschikking.

• Terminal-Bench 2.1, Terminus 2-agent — 76.4

• MCP-Atlas — 89,2

• GDPval-AA v2 — 1401

• SciCode — 58,5

• JobBench — 61.8

• HLE-Diamond, geen tools — 26.1

• DeepSWE 1.1 — 60, zelfgerapporteerd op de best beschikbare harness

De sterkste rijen zijn agentische evaluaties en tool-gebruiksevaluaties; de zwakste is closed-book redeneren. Dat komt overeen met waarvoor Meta zegt dat het model bedoeld is — coderen over een lange horizon, een codebase lezen, debuggen, tools aanroepen tijdens langdurige runs — en niet te rijmen met de interpretatie dat het een algemene verbetering van het redeneervermogen zou zijn ten opzichte van wat dan ook.

Dan is er nog de evaluatie die Meta niet heeft gepubliceerd. In hun launchpost staat dat het model is beoordeeld onder het Meta Superintelligence Scaling Framework, dat het "voldeed aan de drempels die ons framework voor release vereist", en dat de gedetailleerde resultaten in de modelkaart staan. De modelkaart verwijst naar een volledig evaluatierapport dat naar verluidt binnenkort beschikbaar is. Op het moment van schrijven is het nog niet verschenen. Een veiligheidsclaim die een intern kader heeft doorstaan, is iets anders dan een veiligheidsrapport dat een lezer kan inzien, en vandaag bestaat alleen het eerste.

Het enkele zelfstandige getal, en de ruimte eromheen

Artificial Analysis heeft een vermelding voor Muse Spark Open, en het is momenteel de enige meting door een derde partij die openbaar beschikbaar is. Het plaatst het model op 39 in de Artificial Analysis Intelligence Index, negende van 118 vermeldingen in zijn klasse van open-weight modellen met meer dan 150 miljard parameters, boven de klassemediaan van 19. Het meet ook de uitvoersnelheid op 103,4 tokens per seconde en zet de prijs voor de gehoste route op $1,25 per miljoen invoertokens en $4,25 per miljoen uitvoertokens, tegen $0,84 per Intelligence Index-taak. Die vermelding is meer waard dan de index: het betekent dat de kolommen voor doorvoer en kosten die bij de release leeg waren, nu zijn ingevuld.

Lees de twee sets getallen samen en het verschil zit niet in de specificatie, maar in hoeveel ervan is getest. De lijst van de analist registreert onafhankelijk 816B totaal en 42B actieve parameters, een contextvenster van 1M tokens, Hugging Face als gewichtsbron en de Muse Model License — dezelfde architectuur, dezelfde licentie en dezelfde modaliteiten die Meta claimt, beschreven als tekst, beeld, spraak en video in en tekst uit. Waar de twee verslagen uiteenlopen, is de dekking. Meta rapporteert acht benchmarks, allemaal onder zijn eigen testomgeving. De onafhankelijke registratie bestaat uit één index, één snelheidscijfer en één prijs. Er is nergens in het openbaar een audiometing en ook geen videometing, geen doorvoervergelijking met de gesloten Muse Spark-lijn, en geen tweede analist om de eerste te controleren. Overeenstemming over het specificatieblad is niet hetzelfde als overeenstemming over de cijfers, en alleen de cijfers hier zijn getest.

Wat het jezelf draaien daadwerkelijk kost

De relevante kostenkwestie bij open weights is hardware, en de hier gepubliceerde details zijn ongewoon concreet.

• BF16, datacenter — Meta's eigen Transformers-recept draait het BF16-checkpoint over vier nodes met elk acht H200-GPU's, met tensorparallellisme van 32. Dat zijn 32 acceleratoren voor één model.

• NVFP4, datacenter — de gekwantiseerde build is gedocumenteerd op een enkele B200-node, en de SGLang-referentieconfiguratie van Meta ervoor draait over vier GB300-GPU's.

• Desktop, gekwantiseerd — Hugging Face en het llama.cpp-team hebben een 2-bits kwantisatie getest op een 512GB M3 Ultra: 304GB geheugen verbruikt, draaiend op 18 tokens per seconde met nog ruimte over voor de KV-cache. Dat is traag, en het is een ander model dan het BF16-checkpoint dat Meta heeft geëvalueerd.

• Het venster dat je wordt beloofd en het venster dat je kunt betalen zijn twee verschillende budgetten — bij volledige 1M-tokencontext in BF16 loopt alleen de KV-cache al op tot ongeveer 266GB. Het geheugencijfer dat iedereen noemt, is de prijs van het laden van het model, niet de prijs van het gebruiken van de contextlengte die het model adverteert.

Wat dit betekent voor iemand die vandaag alleen maar een model nodig heeft

Muse Spark Open is geen model waarvoor je een API-sleutel gebruikt. Het is een download, een licentie, een afgeschermd aanvraagformulier en een beslissing over hardware, en als je workload deze week een antwoord nodig heeft, komt er heel wat kijken voordat de eerste token er is. De praktische versie van de vraag is welk Muse-model je nu kunt bereiken: Muse Spark 1.2 en Muse Spark 1.1 zijn de twee leden van de gesloten Muse Spark-lijn die OrcaRouter routeert, beide tegen de listprijs van Meta met 0% opslag, omdat de listprijs van de provider wordt doorgegeven in plaats van dat er opslag op komt. Muse Spark Open staat niet in onze catalogus en we gaan niet suggereren dat het anders is — een model waarvan de hele propositie is dat je het kunt downloaden, is een model dat je zelf draait.

Die splitsing is ook het argument om beide op één plek te houden. Eén API over 200+ modellen betekent dat een onbewezen model geen productiegok hoeft te zijn: automatische failover kan een verzoek naar een tweede provider brengen wanneer de eerste verslechtert, en de routing-DSL verplaatst verkeer tussen modellen via configuratie in plaats van via codewijziging. Voor een model dat een dag geleden is uitgebracht zonder onafhankelijke benchmarksuite is dat de goedkoopste manier om erachter te komen wat het doet met jouw verkeer.

Waar op te letten, en wat dit stuk zou veranderen

Drie dingen zijn onopgelost in plaats van onbekend, en elk ervan zou het beeld veranderen.

De eerste is het evaluatierapport waarvan Meta zegt dat het eraan komt. Totdat het verschijnt, berusten de veiligheidsclaims van het model op een verklaring over een drempelwaarde in plaats van een document.

Het tweede is of onafhankelijke benchmarking verder reikt dan één index. Een enkele analistenscore zonder reproductie, zonder doorvoervergelijking met de gehoste Muse-lijn en zonder audio- of videometing is een uitgangspunt, geen verdict.

De derde is of het fine-tuning-ecosysteem tot stand komt. Meta bracht TorchTitan precies hiervoor uit, en open weights bewijzen hun waarde in de afgeleiden — merges, quantisaties, domein-tunes — niet in het aantal downloads. Over vier weken is het spoor van afgeleiden de eerlijke maatstaf of deze release ertoe deed.

Voorlopig is de nauwkeurige samenvatting beperkt: Meta heeft het grootste open-weightmodel uit de VS tot nu toe gepubliceerd, het grondig gedocumenteerd, er nergens een prijs aan gehangen, het gelicentieerd met een omzetclausule, en de metingen overgelaten aan wie ze hierna doet.

Benchmarks verouderen en prijzen veranderen; het faalregister niet: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding haar eigen bronnen, ernstniveau, betrouwbaarheidsklasse en betwistingsmarkering bevat.