Muse Spark Open: Meta apre i pesi di un modello da 816B parametri con contesto da 1M token

Che cosa è

Muse Spark Open è il nuovo modello open-weight di Meta, annunciato sul blog di Meta AI Research. È nativamente multimodale, con 816 miliardi di parametri totali di cui 42 attivi — impostazione mixture-of-experts, quindi — e una finestra di contesto da 1 milione di token. Meta lo posiziona per coding e lavoro agentico: task long-horizon, ingegneria del software complessa, reasoning multi-step.

I pesi escono con la Muse Model License, con termini commerciali limitati: secondo Meta molti sviluppatori possono usarlo gratis, ma prima di un uso in produzione conviene leggere il testo della licenza, che non è incluso nell'annuncio.

Cosa cambia

La rivendicazione di testa è che si tratti del "modello open-weight statunitense più capace fino a oggi": è l'affermazione di Meta, non una verifica indipendente. L'annuncio rimanda a un report di valutazione "available soon", e la sezione Key Benchmarks del post non riporta numeri. Per i dati concreti bisognerà attendere il model card completo.

Quello che è verificabile nel comunicato:

• Gira su due Mac Studio M5 Ultra. Meta lo presenta come il primo modello della sua classe eseguibile su desktop con due macchine e il framework MLX. La memoria unificata di Apple lascia alla GPU integrata fino a 512 GB per Mac Studio; due macchine reggono l'intero modello, e i 1,2 TB/s di banda bastano a leggere la porzione di parametri che serve per ogni token. L'immagine di vendita è "due Mac Studio come un supercomputer con un terabyte di memoria", ma la configurazione richiesta è esplicita.
• Kernel Helion auto-tunabili inclusi in SGLang: speedup dichiarati tra 1,03× e 3,95× a livello di kernel su GPU NVIDIA e AMD, e un +3% end-to-end su AMD MI350. Sono misure di kernel, non di workload completi: prendile per quello che sono.
• Distribuzione larga. API su Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI; pesi su Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden e Microsoft Foundry Models.
• Ampio supporto inference engines: SGLang, vLLM, TensorRT-LLM, Transformers, MLX, llama.cpp e Unsloth, con ottimizzazioni per silicon AMD, Apple, Intel e NVIDIA. Il supporto a llama.cpp è il dato rilevante per chi non è nel mondo Apple.

I demo citati — Muse Code che spedisce modifiche iOS reali a Ice Cubes, un client Mastodon open source, e il controllo end-to-end di DaVinci Resolve con analisi frame by frame — sono casi scelti da Meta. Valore indicativo, non misure riproducibili.

Sul fronte safety, il modello ha ricevuto post-training aggiuntivo ed è stato valutato secondo il Meta Superintelligence Scaling Framework, superando le soglie richieste per il rilascio. I dettagli sono nel model card; il report esteso non è ancora stato pubblicato.

Come si prova

Il comunicato non riporta comandi. I punti d'ingresso:

1. La collection su Hugging Face, dove risiedono i pesi.
2. L'adapter MLX per Apple silicon, che pesca i pesi direttamente da Hugging Face.
3. Una delle piattaforme API elencate, se non hai due Mac Studio M5 Ultra a disposizione.
4. TorchTitan di PyTorch per il fine-tuning.

Per i primi riscontri concreti su requisiti hardware e velocità reali, la discussione su Hacker News — 506 punti al momento della scrittura — è il posto dove guardare.

A chi serve davvero

Il target dichiarato è chi fa coding agentico e automazioni multi-step e vuole il modello in locale o il controllo sui pesi. Se hai già l'infrastruttura — server multi-GPU o, per l'appunto, due M5 Ultra — è una nuova opzione nel panorama open-weight.

Senza quell'hardware, la strada pratica è l'API. Le piattaforme elencate coprono i casi d'uso senza comprare due macchine da 512 GB di memoria ciascuna: è una configurazione che quasi nessuno possiede, ed è chiaro che il messaggio verso gli sviluppatori comuni passi dai provider.

Puoi ignorarlo se lavori con modelli più piccoli e i tuoi task non giustificano 816B di parametri. Vale la nota di sopra: senza numeri di benchmark nell'annuncio, oggi non si può quantificare il divario con le alternative.

Alternative

La fonte non nomina modelli concorrenti. Nel panorama open-weight di scala comparabile, i riferimenti naturali sono i modelli MoE di DeepSeek e la serie Qwen di Alibaba, entrambi scaricabili e self-hostable, più l'offerta di Mistral per il coding. Confronti di prestazioni restano prematuri finché non circolano valutazioni indipendenti su Muse Spark Open.

Fonte: Muse Spark Open · discussione su Hacker News