Meta veröffentlicht 816B-Parameter-Modell Muse Spark Open mit 1M Kontext, lauffähig auf zwei Mac Studios

Nachrichtenübersicht

Meta hat die Gewichte von Muse Spark Open veröffentlicht, einem multimodalen Modell mit 816 Milliarden Parametern, das das Unternehmen als das leistungsfähigste Open-Weight-Modell eines US-Entwicklers bis dato beschreibt. Die Ankündigung ist auf der Forschungsseite von Meta auf den 15. Oktober 2026 datiert; Meta nennt keine Uhrzeit, daher kann dem Veröffentlichungszeitpunkt keine Zeitzone zugeordnet werden. Das Modell verwendet ein Mixture-of-Experts-Design mit 42 Milliarden aktiven Parametern pro Token, akzeptiert bis zu eine Million Token Kontext und ist auf Codierung und langlaufende Agentenaufgaben ausgerichtet.

Was Meta veröffentlicht hat

Muse Spark Open hat insgesamt 816 Milliarden Parameter, aber nur etwa 42 Milliarden sind aktiv, wenn es jedes Token verarbeitet. Dies ist die Kernidee eines Mixture-of-Experts-Modells (MoE): Es existieren viele spezialisierte Subnetzwerke, und ein Router wählt für jeden Schritt eine kleine Teilmenge aus. Das Ergebnis ist eine sehr große Wissenskapazität zu deutlich geringeren Rechenkosten pro Token als bei einem dichten Modell gleicher Größe. Das Modell ist nativ multimodal, das heißt, es wurde darauf trainiert, Text und Bilder gemeinsam zu verarbeiten, anstatt dass die Bilderkennung nachträglich hinzugefügt wurde, und es unterstützt ein Kontextfenster von 1M Token, genug, um eine große Codebasis oder stundenlanges transkribiertes Material in einer Sitzung zu halten.

Die Gewichte sind auf Hugging Face unter dem Repository-Namen meta-models/Muse-Spark-Open-816B-A42B in BF16-Präzision gelistet, mit einem separaten NVFP4-Build (4-Bit-Gleitkommazahl) für geringeren Speicherverbrauch. Meta listet auch Downloads über Amazon SageMaker AI, Google Cloud Model Garden und Microsoft Foundry Models.

Fokus auf Codierung und Agenten

Meta positioniert das Modell für Softwareentwicklung, mehrstufiges Denken und langfristige agentische Arbeit, bei der ein Modell plant, Tools aufruft und über viele Schritte hinweg weitermacht. Zwei Demonstrationen wurden mit Muse Code gezeigt, Metas Codierungstool, das von dem Modell angetrieben wird. In der ersten nahm es Änderungen am Open-Source-Mastodon-Client Ice Cubes für iOS vor. In der zweiten übernahm es die End-to-End-Videobearbeitung in DaVinci Resolve, sichtete das Filmmaterial Bild für Bild und schnitt die stärksten Momente zu vertikalen Clips.

Ein Frontier-Modell auf dem Schreibtisch betreiben

Die auffälligste Behauptung ist die lokale Bereitstellung. Meta sagt, das Modell laufe auf zwei Apple M5 Ultra Mac Studio-Computern mit Apples MLX-Framework. Jede Maschine kann ihrer integrierten GPU bis zu 512 GB Unified Memory bereitstellen und bietet 1,2 TB/s Speicherbandbreite, sodass das Paar ungefähr ein Terabyte Speicher bietet, das zwischen CPU und GPU geteilt wird. Unified Memory ist für große Modelle wichtig, weil die Gewichte nicht zwischen separatem System- und Grafikspeicher kopiert werden müssen. Meta rahmt dies als Teil einer Überzeugung ein, dass "die Zukunft für alle da ist", einschließlich des Betriebs fortschrittlicher Modelle zu Hause.

Für Leser, die mit dem Thema neu sind, erklärt Quantisierung, wie dies möglich ist. Das Speichern jedes Gewichts in weniger Bits, wie es der NVFP4-Build tut, verkleinert den Speicherbedarf, normalerweise zu einem gewissen Preis an Genauigkeit, der je nach Aufgabe variiert.

Zugang, Werkzeuge und Geschwindigkeit

Gehosteter API-Zugang ist über Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI gelistet. Unterstützte Inferenz-Engines umfassen SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp und Unsloth, mit Optimierungen für AMD-, Apple-, Intel- und NVIDIA-Hardware. Feintuning wird über PyTorch und TorchTitan unterstützt.

Zur Leistungsoptimierung sagt Meta, dass benutzerdefinierte automatisch abstimmbare Helion-GPU-Kernel in SGLang Kernel-Level-Beschleunigungen von 1,03x bis 3,95x auf NVIDIA- und AMD-GPUs bieten und eine End-to-End-Beschleunigung von 3 % auf AMD-MI350-Hardware. Ein Kernel ist ein kleines GPU-Programm, das eine Kernoperation ausführt, daher übertragen sich Beschleunigungen dort nur teilweise auf den Gesamtdurchsatz des Modells, weshalb die End-to-End-Zahl kleiner ist.

Lizenz und Sicherheit

Das Modell wird unter der Muse Model License ausgeliefert, die Meta als Lizenz mit begrenzten kommerziellen Bedingungen beschreibt, die vielen Entwicklern die kostenlose Nutzung ermöglicht. Unabhängige Berichterstattung stellt fest, dass sie das Verwenden, Modifizieren, Feintunen, Destillieren und Weiterverteilen des Modells erlaubt, aber Bedingungen hinzufügt, die eine klassische Open-Source-Lizenz nicht hätte, daher ist "Open-Weight" die genauere Bezeichnung als "Open Source". Teams sollten den Lizenztext lesen, bevor sie Produkte darauf aufbauen.

Meta sagt, das Modell habe zusätzliches Sicherheits-Post-Training erhalten und sei unter dem Meta Superintelligence Scaling Framework bewertet worden, wobei es die Freigabeschwellen des Frameworks erfüllt habe. Metas eigene Zusammenfassung lautet, dass "die Ergebnisse starke Schutzmaßnahmen über die gemessenen Risikokategorien hinweg zeigen". Detaillierte Ergebnisse finden sich in der Modellkarte, und ein ausführlicherer Evaluierungsbericht wird als bald verfügbar beschrieben.

Kontext: Wo dies in Metas Modellreihe einzuordnen ist

Meta führte Muse Spark im April 2026 als proprietäres Modell ein und sagte gleichzeitig, dass es plane, zukünftige Versionen zu öffnen. Ein offenes Modell mit 30 Milliarden Parametern, Muse Glimmer, folgte laut Sekundärberichterstattung im August 2026 unter Apache 2.0, und Metas Führung sagte später, dass Gewichte einer neueren Muse-Spark-Version folgen würden. Muse Spark Open ist der groß angelegte Schritt in dieser Sequenz. Sekundäre Quellen berichten auch über neuere gehostete Muse-Spark-Versionen, daher sollte nicht angenommen werden, dass das offene Modell Metas neuester proprietärer Veröffentlichung entspricht.

Was mit Vorsicht zu behandeln ist

Metas Forschungsseite hat einen Abschnitt "Key Benchmarks" und Links zu einem Bericht über die Evaluierungsmethodik, aber die Benchmark-Zahlen konnten für diesen Bericht nicht extrahiert werden, und Fachberichterstattung stellt fest, dass unabhängige Evaluierungen Metas Leistungsbehauptungen noch nicht bestätigt haben. Die Beschreibung als "leistungsfähigstes US-Open-Weight-Modell" ist Metas eigene Rahmung. Praktische Fragen wie die reale Geschwindigkeit auf einem Zwei-Mac-Setup, die Qualität des quantisierten Builds und das Verhalten bei langen Kontexten werden beantwortet, wenn die Community die Gewichte testet.

Warum es für Lernende wichtig ist

Für Studierende und Entwickler ist die Veröffentlichung eine Gelegenheit, ein Frontier-Mixture-of-Experts-Modell direkt zu untersuchen: seine Struktur zu inspizieren, es mit offenen Werkzeugen auszuführen, kleinere Anpassungen feinzutunen und Quantisierungs-Kompromisse zu vergleichen. Es zeigt auch, wie Hardware mit großem Unified Memory verändert, was außerhalb eines Rechenzentrums betrieben werden kann.

Quellen

Meta Research (research.meta.ai/blog/muse-spark-open); die Hugging-Face-Modellkarte und -Sammlung; MarkTechPost, Unite.AI, Analytics India Magazine, iGeeksBlog und DEV-Community-Berichterstattung vom etwa 15. Oktober 2026; The Register und Constellation Research für früheren Muse-Modellkontext.