Muse Spark Open: flagowe wagi Meta są już dostępne — ale liczb za nimi nie ma

Muse Spark Open jest prawdziwy, można go pobrać i jest to największy zestaw otwartych wag, jaki opublikowało laboratorium z USA. Repozytorium za nim — Muse-Spark-Open-816B-A42B — po raz pierwszy pojawiło się na Hugging Face 15 września 2026 r. i przez miesiąc pozostawało tam, z ograniczonym dostępem i bez zapowiedzi. 15 października 2026 r. Meta opublikowała wagi, wpis o premierze, kartę wyników benchmarków i licencję, a całość stała się oficjalna w jedno popołudnie. Uczciwe ujęcie sprawy nie jest więc ani „cichym zrzutem”, ani „premierą”: artefakt istniał po cichu przez cztery tygodnie, a potem dokumentacja nadrobiła zaległości. To, co nie nadrobiło zaległości, to pomiar. Dzień po wydaniu wyniki dostawcy są opublikowane, ale nieodtworzone; niezależne wyniki są częściowe, a ocena bezpieczeństwa, która według Meta stoi za tym wydaniem, jeszcze się nie ukazała. To właśnie potwierdzają dziś publicznie dostępne dane.

Miesiąc ciszy, a potem wszystko naraz.

Daty mają znaczenie, ponieważ zmieniają sposób, w jaki czytasz wydanie. Repozytoria Hugging Face — checkpoint BF16 i druga kompilacja NVFP4 — mają znaczniki czasu utworzenia 2026-09-15. Ostatnia modyfikacja to 2026-10-15, a tekst licencji w formularzu z ograniczonym dostępem jest datowany na 15 października 2026 r., przy czym polityka użytkowania ma datę tego samego dnia. Post Meta o premierze ma znacznik czasu publikacji 2026-10-15. Sekwencja jest więc następująca: repozytorium we wrześniu, ogłoszenie w październiku.

To inna historia niż ta, którą zwykle opisuje sformułowanie „shipped quietly”. Meta faktycznie to ogłosiła, w trzech miejscach naraz — na swoim blogu badawczym, w przewodniku po kompilacji dla deweloperów na swojej stronie dla deweloperów oraz we współtworzonym wpisie na blogu Hugging Face, napisanym przez pracowników Hugging Face. Zabrakło cyklu prasowego. Około tygodniowy cykl relacji z premiery nie zmaterializował się; poza własnymi stronami dostawcy i jednym czy dwoma wpisami na agregatorach napisano bardzo niewiele o modelu tej wielkości. Cichą częścią jest odbiór, a nie samo wydanie.

Co repozytorium potwierdza samo z siebie

Wszystko poniżej można zweryfikować na podstawie metadanych checkpointu, konfiguracji, karty modelu i wpisu Meta o premierze, bez opierania się na czyimkolwiek zapewnieniu dotyczącym benchmarku. To ta część zapisu, która jest ustalona.

• Skala — około 816 miliardów parametrów całkowitych, z czego około 42 miliardy aktywnych na token.

• Architektura — rzadka mieszanka ekspertów: 62 warstwy, wymiar ukryty 8,192, 256 ekspertów na warstwę MoE, z 8 wybieranymi na token, a eksperci posiadają około 97% wszystkich parametrów. Uwaga z grupowymi zapytaniami z 128 głowami zapytań i 16 głowami klucz-wartość, każda o wymiarze 64.

• Kontekst — 1 048 576 tokenów, okno, które Meta w skrócie określa jako 1M, obejmujące tokeny tekstowe, obrazu, wideo i audio w tym samym budżecie.

• Dane wejściowe i wyjściowe — tekst, obrazy, wideo i audio na wejściu; tekst na wyjściu. To czytnik multimodalny, a nie generator.

• Punkty kontrolne — dwa formaty. BF16, około 1,5 TB plików safetensors, oraz NVFP4, 4-bitowa wersja przeznaczona dla NVIDIA Blackwell, która według Meta działa na pojedynczym węźle B200.

• Arytmetyka pamięci — uwaga z grupowanymi zapytaniami utrzymuje mały rozmiar pamięci podręcznej dla modelu tej wielkości, ale każdy token wciąż dodaje 126 976 wartości. W BF16 to około 250 kB na token, czyli około 266 GB dla pełnego kontekstu 1 mln tokenów.

• Rozumowanie — ustawienie intensywności rozumowania z poziomami niskim, średnim, wysokim i xhigh. Własne narzędzia Meta zauważają, że wyłączenie rozumowania nie jest możliwe.

• Środowiska uruchomieniowe — wsparcie od pierwszego dnia w Transformers, llama.cpp, SGLang, vLLM, TensorRT-LLM, Apple MLX i Unsloth, przy czym Meta dostarcza własne, automatycznie dostrajalne kernele Helion dla SGLang, które według niej zapewniają przyspieszenia na poziomie kerneli od 1,03 do 3,95× w układach NVIDIA i AMD.

• Komputer stacjonarny — główne demo. Meta uruchomiła to na dwóch maszynach Mac Studio z układami M5 Ultra w środowisku MLX, co działa, ponieważ każda z nich udostępnia do 512 GB zunifikowanej pamięci przy przepustowości 1,2 TB/s, więc dwie maszyny mieszczą pełny checkpoint BF16. Dema Meta wprowadzały rzeczywiste zmiany do klienta iOS o otwartym kodzie źródłowym i obsługiwały DaVinci Resolve od początku do końca.

Licencja to część, którą większość ludzi pominie.

Muse Spark Open jest udostępniany na licencji Muse Model License, którą Meta opisuje jako pozwalającą wielu deweloperom bezpłatnie korzystać z modelu. Dwie klauzule w niej zmieniają to, co w praktyce oznacza „bezpłatnie”, a żadna z nich nie znajduje się w nagłówku.

Pierwszy to Sekcja 3, postanowienie dotyczące modelu jako usługi. Jeśli Ty lub Twoje podmioty stowarzyszone zapewniacie stronom trzecim dostęp do modelu jako produktu lub usługi przez API, a Twoje łączne przychody brutto przekraczają dwadzieścia milionów dolarów amerykańskich w dowolnym nieprzerwanym okresie dwunastu miesięcy, musisz powiadomić Meta i zawrzeć odrębną pisemną umowę, zanim zaczniesz prowadzić tę działalność. Wbudowanie go we własny produkt jest wyłączone; odsprzedawanie modelu już nie.

Drugim elementem jest atrybucja. Licencja wymaga, aby licencjobiorcy w widoczny sposób wyświetlali „Built with Muse Spark Open” w interfejsie każdego produktu wykorzystującego model lub utwór pochodny albo w towarzyszącej dokumentacji, witrynie lub menu ustawień.

Dwie rzeczy, które licencja przyznaje wprost — i warto je wymienić, bo to właśnie sedno otwartych wag: możesz dostrajać, destylować, scalać, publikować, sublicencjonować i sprzedawać utwory pochodne, a Meta nie rości sobie prawa własności do wyników. Meta kontroluje również samo pobieranie — repozytorium jest objęte kontrolą dostępu, a formularz zgłoszeniowy wymaga podania pełnego imienia i nazwiska, daty urodzenia oraz organizacji wraz z identyfikatorami korporacyjnymi i nie można go edytować po przesłaniu. Kto oczekuje pobrania jednym kliknięciem, powinien przygotować się na kolejkę.

Co Meta twierdzi, ale jeszcze nie opublikowała

Meta dołączyła kartę wyników benchmarku do wydania, a wzorzec widoczny w niej jest bardziej użyteczny niż jakikolwiek pojedynczy wiersz. Poniższe liczby pochodzą od dostawcy, każdy model na karcie był mierzony we własnym środowisku testowym agenta, a nie we wspólnym, i nie odtworzyliśmy żadnego z nich. Stanowią one twierdzenie o możliwościach, a nie poddany audytowi ranking.

• 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, bez narzędzi — 26.1

• DeepSWE 1.1 — 60, wynik samodzielnie zgłoszony na najlepszym dostępnym środowisku testowym

Najmocniejsze wiersze to ewaluacje agentowe i dotyczące użycia narzędzi; najsłabsze jest rozumowanie bez dostępu do źródeł. To jest spójne z tym, do czego — zdaniem Meta — model ma służyć: programowanie w długim horyzoncie, czytanie bazy kodu, debugowanie, wywoływanie narzędzi w długich przebiegach — a nie z odczytywaniem go jako ogólnego ulepszenia rozumowania względem czegokolwiek.

Jest jeszcze ewaluacja, której Meta nie opublikowała. W poście ogłaszającym premierę czytamy, że model został oceniony w ramach Meta Superintelligence Scaling Framework, że „spełnił progi, których nasze ramy wymagają do wydania” oraz że szczegółowe wyniki znajdują się w karcie modelu. Karta modelu wskazuje na pełny raport z ewaluacji, o którym mówi się, że będzie dostępny wkrótce. Na chwilę pisania nie został jeszcze opublikowany. Twierdzenie o bezpieczeństwie, które przeszło wewnętrzne ramy, jest czymś innym niż raport o bezpieczeństwie, który czytelnik może sprawdzić, a dziś istnieje tylko to pierwsze.

Pojedyncza niezależna liczba i luka wokół niej

Artificial Analysis ma wpis dla Muse Spark Open i jest to jedyny pomiar strony trzeciej w publicznym rejestrze w tej chwili. Umieszcza model na 39. miejscu w Artificial Analysis Intelligence Index, dziewiątym z 118 pozycji w swojej klasie modeli o otwartych wagach większych niż 150 miliardów parametrów, powyżej mediany klasy wynoszącej 19. Mierzy również prędkość wyjściową na 103,4 tokena na sekundę i wycenia hostowaną trasę na 1,25 USD za milion tokenów wejściowych i 4,25 USD za milion wyjściowych, po 0,84 USD za zadanie Intelligence Index. Ten wpis jest wart więcej niż sam indeks: oznacza, że kolumny przepustowości i kosztów, które były puste w momencie wydania, są teraz wypełnione.

Przeczytaj oba zestawy liczb razem, a luka nie tkwi w specyfikacji, lecz w tym, jak duża część tej specyfikacji została sprawdzona. Zestawienie analityka niezależnie odnotowuje łącznie 816B parametrów i 42B aktywnych parametrów, okno kontekstowe 1M tokenów, Hugging Face jako źródło wag oraz Muse Model License — tę samą architekturę, tę samą licencję i te same modalności, które deklaruje Meta, opisane jako przyjmujące tekst, obraz, mowę i wideo na wejściu, a zwracające tekst. Różnica między oboma opisami dotyczy pokrycia. Meta raportuje osiem benchmarków, wszystkie w ramach własnego środowiska testowego. Niezależny zapis obejmuje jeden wskaźnik, jedną wartość szybkości i jedną cenę. Nigdzie publicznie nie ma pomiarów audio ani wideo, nie ma porównania przepustowości z zamkniętą linią Muse Spark ani drugiego analityka, który zweryfikowałby pierwszego. Zgodność co do karty specyfikacji to nie to samo co zgodność co do liczb, a tylko liczby zostały tu przetestowane.

Ile faktycznie kosztuje robienie tego samemu

Istotne pytanie o koszty w przypadku otwartych wag dotyczy sprzętu, a tutaj opublikowane szczegóły są wyjątkowo konkretne.

• BF16, centrum danych — własna recepta Meta na Transformers uruchamia punkt kontrolny BF16 na czterech węzłach po osiem GPU H200 z równoległością tensorową 32. To 32 akceleratory dla jednego modelu.

• NVFP4, centrum danych — skwantyzowana kompilacja jest udokumentowana na pojedynczym węźle B200, a referencyjna konfiguracja SGLang firmy Meta dla niej działa na czterech GPU GB300.

• Desktop, skwantyzowany — Hugging Face i zespół llama.cpp przetestowali 2-bitową kwantyzację na 512GB M3 Ultra: zużyto 304GB pamięci, osiągając 18 tokenów na sekundę, z zapasem miejsca na KV cache. To wolne i jest to inny model niż checkpoint BF16, który oceniała Meta.

• Okno, które ci obiecano, i okno, na które cię stać, to dwa różne budżety — przy pełnym kontekście 1 mln tokenów w BF16 sam KV cache zajmuje około 266 GB. Liczba pamięci, którą wszyscy cytują, to koszt załadowania modelu, a nie koszt korzystania z długości kontekstu, którą model reklamuje.

Co to oznacza dla kogoś, kto po prostu potrzebuje modelu już dziś

Muse Spark Open to nie model, do którego podpina się klucz API. To plik do pobrania, licencja, formularz zgłoszeniowy wymagający zatwierdzenia i decyzja sprzętowa, a jeśli Twoje obciążenie potrzebuje odpowiedzi w tym tygodniu, to sporo do ogarnięcia przed pierwszym tokenem. W praktyce pytanie brzmi, do którego modelu Muse możesz dotrzeć już teraz: Muse Spark 1.2 i Muse Spark 1.1 to dwa modele z zamkniętej linii Muse Spark obsługiwanej przez OrcaRouter, oba w cenie katalogowej Meta z 0% narzutu, ponieważ cena katalogowa dostawcy jest przekazywana dalej, a nie powiększana. Muse Spark Open nie znajduje się w naszym katalogu i nie zamierzamy sugerować inaczej — model, którego cała propozycja polega na tym, że można go pobrać, to model, który uruchamiasz sam.

Ten podział to także argument za trzymaniem obu w jednym miejscu. Jedno API obejmujące ponad 200 modeli oznacza, że niesprawdzony model nie musi być zakładem produkcyjnym: automatyczne przełączanie awaryjne może przekazać żądanie do drugiego dostawcy, gdy pierwszy zacznie działać gorzej, a DSL routingu przenosi ruch między modelami poprzez konfigurację, a nie zmianę kodu. W przypadku modelu wydanego dzień temu, bez niezależnego zestawu testów porównawczych, to najtańszy sposób, by przekonać się, jak zachowuje się na Twoim ruchu.

Na co uważać i co zmieniłoby ten tekst

Trzy kwestie pozostają nierozstrzygnięte, a nie nieznane, i każda z nich zmieniłaby obraz.

Pierwszy to raport z ewaluacji, który według Meta ma się pojawić. Zanim się ukaże, twierdzenia dotyczące bezpieczeństwa modelu opierają się na deklaracji progowej, a nie na dokumencie.

Druga kwestia dotyczy tego, czy niezależny benchmarking wykracza poza jeden indeks. Pojedyncza ocena analityka bez reprodukcji, bez porównania przepustowości z hostowaną linią Muse i bez pomiaru audio lub wideo to punkt wyjścia, a nie werdykt.

Trzecią kwestią jest to, czy ekosystem dostrajania rzeczywiście się zmaterializuje. Meta wypuściła TorchTitan dokładnie w tym celu, a otwarte wagi dowodzą swojej wartości w wersjach pochodnych — scaleniach, kwantyzacjach, dostrojeniach dziedzinowych — a nie w liczbie pobrań. Za cztery tygodnie to, jaki ślad pozostawią wersje pochodne, będzie uczciwą miarą tego, czy to wydanie miało znaczenie.

Na razie trafne podsumowanie jest wąskie: Meta opublikowała największy jak dotąd amerykański model o otwartych wagach, szczegółowo go udokumentowała, nigdzie nie podała jego ceny, objęła go licencją z klauzulą przychodową i pozostawiła pomiary temu, kto wykona je następny.

Benchmarki się starzeją, a ceny się zmieniają; rejestr awarii pozostaje taki sam: udokumentowane incydenty AI i awarie agentów dotyczące modeli z tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.