Muse Spark Open: Den bästa amerikanska öppenviktsmodellen är ett påstående med villkor och bestämmelser

Påståendet dök upp på X kvällen den 15 oktober 2026, och det är den typ av påstående som är sant i en mening och diskutabelt i nästa. Meta publicerade vikterna för Muse Spark Open – checkpointen med 816 miljarder parametrar, varav 42 miljarder aktiva, som Meta hade suttit på sedan repot dök upp på Hugging Face en månad tidigare – och inom några timmar var frasen som kopplades till den "USA:s bästa open-weight-modell." Siffran som mest direkt stöder påståendet är inte Metas. Det är 39: poängen som den egenhostade listan från Artificial Analysis ger Muse Spark Open vid dess xhigh-resonemangsinställning, nionde bland de 118 open-weight-modeller med fler än 150 miljarder parametrar på den resultattavlan, mot ett medianvärde för klassen på 19. Det är en verklig tredjepartsmätning av en verklig nedladdningsbar modell. Separat, Muse Spark 1.3 – den aktuella checkpointen i den slutna Muse Spark-serien, allmänt tillgänglig sedan den 2 september 2026 – får 48 på samma index. Båda siffrorna tillhör Meta. Bara en av dem tillhör något du kan ladda ned, och bara en av dem mäts av någon annan än Meta.

Datumen, eftersom inramningen hänger på dem.

Inget här är en lansering, och förvirringen är lätt att förklara. Meta Superintelligence Labs introducerade Muse Spark-familjen den 8 april 2026. Muse Spark 1.1 kom den 16 juli, Muse Spark 1.2 den 5 augusti och Muse Spark 1.3 den 2 september — varav den sista fick sin "max"-resonemangsnivå den 4 september efter ytterligare säkerhetstester. Den produktlinjen är proprietär och tillhandahålls som tjänst. Muse Spark Open är en separat artefakt: ett åtkomstskyddat Hugging Face-repositorium, meta-models/Muse-Spark-Open-816B-A42B, vars skapelsetidsstämpel är 2026-09-15, plus en NVFP4-build som skapades några sekunder tidigare. Vikterna låg där i fyra veckor i ett åtkomstkontrollerat formulär. Den 15 oktober 2026 publicerade Meta licenstexten, ett forskningsblogginlägg, en byggguide för utvecklare och ett benchmark-scorecard, och repositoriet slutade vara en artefakt som ingen hade tillkännagivit.

Så den korrekta tolkningen är varken "smygsläpp" eller "lansering". Modellen fanns tyst i en månad; pappersarbetet kom ikapp den 15 oktober. Det som förändrades för den som ska avgöra vad man ska köra är smalt och specifikt: det finns nu en licens man kan läsa, ett angivet hårdvarurecept, stöd från dag ett i de ramverk folk faktiskt använder, och en oberoende mätning. Det som inte förändrades är den slutna linjen, priset för den slutna linjen, eller något om de API-modeller som de flesta läsare av den här sajten anropar.

"Open" är delen med villkoren

Licensen är där rubrikpåståendet får sitt finstilta, och den är värd att läsa innan man upprepar det. Muse Spark Open släpps under Muse Model License. Meta beskriver den som att den tillåter många utvecklare att använda modellen gratis, och två klausuler definierar var "gratis" slutar.

• Modell-som-tjänst — om du eller dina närstående bolag ger tredje parter åtkomst till modellen som en produkt eller tjänst via ett API, och den sammanlagda bruttointäkten överstiger tjugo miljoner amerikanska dollar under någon period om tolv sammanhängande månader, måste du underrätta Meta och underteckna ett separat skriftligt avtal innan du bedriver den verksamheten. Att bygga in modellen i din egen produkt är undantaget; att vidaresälja åtkomst till den är det inte.

• Erkännande — licensen kräver att "Built with Muse Spark Open" visas framträdande i gränssnittet för alla produkter som använder modellen eller ett derivat av den, eller i medföljande dokumentation, webbplats eller inställningsmeny.

• Vad du helt klart får göra – finjustera, destillera, sammanfoga, publicera, vidarelicensiera och sälja derivat, där Meta inte gör anspråk på äganderätt till utdata.

• Hur du får tillgång till det — repositoriet är åtkomstbegränsat. Förfrågningsformuläret efterfrågar fullständigt juridiskt namn, födelsedatum och organisation med företagsidentifierare, och kan inte redigeras efter inlämning.

Det är den kombinationen som gör formuleringen "bästa amerikanska open-weight-modellen" till ett kategoripåstående snarare än ett absolut påstående. I samma Artificial Analysis-panel är det starkaste permissivt licensierade amerikanska open-weight-alternativet NVIDIA Nemotron 3.5 Super VL på 26,49, med Inkling Small på 25,66 bakom sig. Muse Spark Open får högre poäng än båda och tillhör inte samma adoptionskategori: en skräddarsydd kommersiell licens bakom ett förfrågningsformulär är något annat än en checkpoint som du kan klona och driftsätta under OpenMDW-1.1 i eftermiddag. Metas eget blogginlägg använder formuleringen "den mest kapabla amerikanska open-weight-modellen hittills", vilket är försvarbart enligt indexet och snävare än vad "bäst" antyder när licensen finns med i meningen.

Vad kontrollpunkten avgör utan Metas hjälp

Den här delen går att verifiera utifrån själva repositoriet, innan något benchmarkresultat tas för gott.

• Skala — ungefär 816 miljarder parametrar totalt, med omkring 42 miljarder aktiva per token, en gles blandning av experter över 62 lager och en dold dimension på 8 192, med 256 experter per MoE-lager och 8 valda per token. Grupperad query-attention med 128 query-huvuden och 16 nyckel-värde-huvuden på 64 dimensioner vardera.

• Kontext — 1 048 576 tokens, fönstret som Meta skriver som 1M, delat mellan text-, bild-, video- och ljudtokens inom en gemensam budget.

• Modaliteter — text, bilder, video och ljud in; text ut. Den läser multimodala indata och skriver text, vilket inte är samma sak som att generera någon av dem.

• Checkpoints – ett BF16-bygge på ungefär 1,5 TB safetensors, och ett NVFP4 4-bitarsbygge som Meta säger körs på en enda B200-nod. Tredje parter har sedan dess lagt till egna kvantiseringar, från GGUF-byggen till MLX 3-bitars- och 4-bitarskonverteringar daterade samma dag som släppet.

• Styrning av resonemang — en inställning för resonemangsansträngning med nivåerna låg, medel, hög och xhigh. Metas verktyg påpekar att det inte är ett alternativ att stänga av resonemang.

• Körmiljöer — Transformers, llama.cpp, SGLang, vLLM, TensorRT-LLM, Apple MLX och Unsloth från dag ett, med anpassade automatiskt justerbara Helion-kärnor för SGLang som Meta rapporterar ger hastighetsökningar på kärnnivå på 1,03x till 3,95x över NVIDIA- och AMD-hårdvara.

• Desktopdemon — två Mac Studio-maskiner med M5 Ultra-chips under MLX, vilket fungerar eftersom var och en exponerar upp till 512 GB enhetligt minne vid 1,2 TB/s. Metas demos drev verkliga förändringar in i en iOS-klient med öppen källkod och körde DaVinci Resolve från början till slut.

Inget av det där är ett marknadsföringspåstående; det är en konfigurationsfil, en fillista och ett publicerat recept. Det är också där den praktiska kostnaden för ”öppen” landar — minnesaritmetiken bryr sig inte om vilken licens du accepterade. Vid en full 1M-tokenkontext i BF16 uppgår enbart KV-cachen till ungefär 266 GB, så fönstret som modellen annonserar och fönstret du har råd med på din hårdvara är två olika budgetar.

Det enda numret som Meta inte skrev

Listningen från Artificial Analysis är den enda tredjepartsmätningen av Muse Spark Open i det offentliga registret just nu, och den säger mer än enbart indexet.

• Intelligens – ett Artificial Analysis Intelligence Index på 39 vid xhigh-inställningen, rankad 9:a av 118 modeller med öppna vikter och över 150B parametrar, över en klassmedian på 19.

• Hastighet — 103,4 utdatatokens per sekund, rang 18 av 76 i den kohorten.

• Kostnad — 0,84 USD per slutförd Intelligence Index-uppgift, på en hostad route prissatt till 1,25 USD per miljon indatatoken och 4,25 USD per miljon utdatatoken.

• Effektivitet – listningen betecknar modellen som ganska kortfattad och genererar omkring 110 miljoner tokens under indexkörningen, jämfört med en median på 130 miljoner.

Jämför dem med Metas eget resultatkort, och gapet ligger inte i specifikationen, det ligger i täckningen. Metas kort rapporterar Terminal-Bench 2.1 till 76,4 med Terminus 2-agenten, MCP-Atlas till 89,2, GDPval-AA v2 till 1401, SciCode till 58,5, JobBench till 61,8, HLE-Diamond till 26,1 utan verktyg, och DeepSWE 1.1 till 60 på vad kortet kallar den bästa tillgängliga harnessen. Var och en av dessa rader producerades inuti modellens egen agent-harness snarare än i en delad sådan, vilket gör dem till ett kapacitetspåstående snarare än en direkt jämförbar rangordning, och vi har inte reproducerat någon av dem. Överensstämmelsen mellan de två redogörelserna gäller specbladet – 816B totalt, 42B aktiva, 1M kontext, samma licens, samma indatamodaliteter. Oenigheten är att ena sidan har åtta benchmarks och den andra har ett index, en hastighetssiffra och ett pris. Det finns ännu ingen ljudmätning och ingen videomätning någonstans offentligt, trots att modalitetsraden är det mest utmärkande draget hos modellen.

Sedan finns utvärderingen som Meta inte har publicerat.

Lanseringsinlägget säger att Muse Spark Open bedömdes enligt Meta Superintelligence Scaling Framework och ”uppfyllde de tröskelvärden som vårt ramverk kräver för släpp”, med detaljerade resultat i modellkortet; modellkortet hänvisar till en fullständig utvärderingsrapport som beskrivs som tillgänglig snart. Ett säkerhetspåstående som godkändes av ett internt ramverk är ett annat slags objekt än en säkerhetsrapport som en läsare kan granska, och endast det första existerar när detta skrivs.

Vad detta inte förändrar för någon med en deadline

Muse Spark Open är inte något man riktar en API-nyckel mot. Det är en nedladdning, en licens, ett behörighetsstyrt förfrågningsformulär och ett beslut om hårdvara, och om arbetsbelastningen behöver ett svar den här veckan är ytan före den första token stor. Den praktiska frågan är vilken Muse-modell du kan nå just nu, och svaret ligger i den stängda linjen: Muse Spark 1.2 och Muse Spark 1.1 är de två checkpoints som OrcaRouter dirigerar, båda tillhandahålls till Metas listpris på 1,25 USD per miljon indatatoken och 4,25 USD per miljon utdatatoken med 0 % påslag, eftersom leverantörens listpris förs vidare i stället för att ett påslag läggs på. De tar emot text, bild, video, ljud och PDF-indata inom samma fönster på 1 048 576 token, så det multimodala beteendet som den öppna checkpointen får beröm för är tillgängligt på den betjänade linjen i dag utan nedladdningskö.

Muse Spark Open finns inte i vår katalog och vi tänker inte påstå något annat – en modell vars hela proposition är att du kan köra den själv är en modell du kör själv. Där en routad uppsättning fortfarande hjälper till är runt omkring den: ett API över 200+ modeller innebär att en obeprövad checkpoint inte behöver vara en produktionssatsning, automatisk failover kan föra en begäran vidare till en andra leverantör när den första försämras, och routnings-DSL:en flyttar trafik mellan modeller via konfiguration i stället för via en kodändring. För en modell som släpptes för en dag sedan med en enda oberoende benchmark och en opublicerad utvärderingsrapport är det det billigaste sättet att ta reda på vad den gör med din trafik medan någon annans infrastruktur absorberar variansen.

Vad skulle flytta den här pjäsen?

Tre saker är öppna snarare än okända, och var och en skulle ändra tolkningen. Den första är Metas utvärderingsrapport, som är skillnaden mellan ett säkerhetspåstående och ett säkerhetsfacit. Den andra är en andra oberoende mätning – en analytiker med ett index är en datapunkt, inte en konsensus, och inget har ännu låtit Muse Spark Open genomgå en ljud- eller videoutvärdering trots att dessa är dess annonserade särskiljande drag. Den tredje är hur licensen fungerar i praktiken: tröskelvärdet på tjugo miljoner dollar och attribueringsklausulen är villkoren som avgör om den starkaste amerikanska modellen med öppna vikter enligt poäng blir den mest använda, eller förblir den som team laddar ner för att testa och sedan servar från någon annanstans. Tills åtminstone en av dessa har klarats upp är den ärliga versionen av rubriken att Meta släppte den mest kapabla amerikanska modellen med öppna vikter enligt det enda tillgängliga oberoende måttet, under en licens som håller ordet ”öppen” specifikt snarare än absolut.

Vad siffrorna inte kan berätta för dig är huruvida något av det har gått fel i fält: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.