Muse Spark Open 開放權重：42B 啟用，硬體仍吃重

Meta 在 2026 年 10 月 15 日開放了 Muse Spark Open 的權重：總參數 816B，每個 token 約啟用 42B。你可以自己選部署位置、調整模型，但「42B 啟用」很容易讓人低估硬體需求。這篇先把模型能力、部署門檻與授權條件分開看，再談它值不值得放進開發流程。來源：Meta 發布公告

Muse Spark Open 是什麼？開發者能控制哪些事

Muse Spark Open 是 Meta Superintelligence Labs 發布的開放權重多模態推理模型，採用混合專家架構（MoE），提供約百萬 token 上下文。模型卡列出的輸入包含文字、影像、影片與音訊，輸出則是文字；這裡的多模態能力不代表它會直接生成影片或配音。來源：官方模型卡

想像你要讓 coding agent 查看錯誤截圖，再回到專案裡修改介面。模型需要理解畫面，呼叫工具，讀取執行結果，再決定下一步。Meta 這次主打的就是這類連續任務，產品頁也列出獨立的 commentary 通道，供模型在行動前交代意圖。來源：模型介紹頁

如果你看過先前的 Muse Code 與 Muse Spark 1.2 分析，可以把這次發布理解成多了一條部署路線。模型權重能下載後，團隊有機會把資料處理、推論與客製化留在自己選擇的環境裡。

但這也把問題交回團隊。模型在哪裡跑、工具能碰哪些檔案、失敗後由誰接手，都需要自己訂清楚。權重開放了，維運工作也跟著進來。

42B 啟用參數，為什麼記憶體仍然吃重？

MoE 每次只動用部分專家，能減少每個 token 的計算量；部署時仍要安排整套權重的儲存與存取。你看到 A42B，不能拿一般 42B 模型的記憶體估算直接套上去。

官方模型卡列出，NVFP4 部署至少需要約 700GB GPU 記憶體，BF16 則約 2TB。這些是官方部署需求，不能和「下載檔案大小」混為一談。來源：模型卡的部署需求

vLLM 的 recipe 也明確把權重容量與 KV cache 分開列示。它還提醒，目前 AMD 範例走純文字模式；模型本身支援多模態，不保證你選到的每一條部署指令都已接好所有輸入。來源：vLLM 部署文件

開放權重，沒有免除記憶體帳單。

假設你打開雲端租機頁，準備挑一組 GPU。先確認模型格式、可用記憶體與框架支援，再決定要開多少上下文。若一開始就把長度推到上限，測到的瓶頸可能是記憶體配置，還來不及知道模型能否完成你的任務。

本地模型的容量與頻寬取捨，也可搭配 Kimi K3 本地部署的硬體分析閱讀。不同模型的實際需求仍要各自核對，不能只比名稱裡的參數數字。

自架、Mac 與低位元量化，該怎麼選？

Meta 提供的路線涵蓋資料中心推論、Apple MLX，以及第三方託管 API。Mac 方案也有具體條件：官方範例以兩台各有 512GB 統一記憶體的 M5 Ultra Mac Studio，或四台 256GB 機器組成叢集，透過 Thunderbolt 5 與 RDMA 連接。來源：Meta 部署指南

因此，「桌面能跑」描述的是部署形態。採購時仍要算整組設備、連接方式、耗電與維護，單看桌上擺得下幾台主機，無法判斷是否划算。

Unsloth 文件另列出可放進 256GB 記憶體設備的 2-bit 版本，並提醒更長的上下文需要額外空間。這讓實驗門檻下降，但容量夠裝下模型，只回答了部署問題的一部分。來源：Unsloth 本地執行指南

例如，你可以讓量化版處理同一個修 bug 任務，再檢查它是否漏掉工具參數、重複修改同一處，或因測試失敗而持續繞圈。這些是應該實際觀察的現象，本文沒有執行該模型，也沒有量測量化前後的差距。

官方 benchmark 表現如何？別把單項領先當全面領先

在 Meta 公布的表格裡，Muse Spark Open 的 MCP-Atlas 為 89.2，Terminal-Bench 2.1 為 76.4。同一張表中，Kimi K3 分別為 82.3 與 85.0。至少從這兩項能看出，工具任務與終端機任務的相對表現並不一致。來源：模型卡評測表

Meta 的方法文件也交代，表格整合了官方排行榜、內部執行與部分供應商自行回報的結果；第三方模型的工具與 system prompt 沒有全部針對各家最佳化。因此，這些數字適合用來挑選測試候選，還不足以替你的工作流決定勝負。來源：評測方法文件

你真正要付的費用，會包含失敗嘗試。假設 agent 很快寫好修改，但最後需要工程師逐段找錯，那段人工時間也該記進去。比較時至少保留任務完成率、完成時間、工具呼叫次數與人工接手時間，才知道便宜的推論有沒有帶來便宜的交付。

也別把最高推理強度的成績直接套到低延遲設定。官方 prompting guide 提供不同 reasoning effort；降低推理投入後，應用端需要重新檢查結果。來源：推理設定指南

接進 agent 前，先把失敗變得看得見

模型回了一段看起來像工具呼叫的文字，和程式真的收到可執行的工具呼叫，是兩回事。官方 guide 將工具定義交給 chat template 處理，並區分推理、進度訊息、工具呼叫與最終回覆；串接時要核對框架如何解析這些訊息，避免把工作中的說明當成完成結果。來源：訊息與工具設定

可以先設計一個不會改動資料的查詢任務：讓 agent 找到指定檔案、讀出設定，再回報依據。接著故意提供不存在的路徑，觀察它會修正查詢、清楚回報失敗，還是補出一個沒有讀到的答案。這是應用端的驗收設計，不能用一般問答表現代替。

長上下文也要這樣驗。把一項需求放在文件前段，另一項衝突條件放在後段，要求模型指出衝突與出處。能接收整份文件，只代表輸入容量足夠；是否找到關鍵條件、是否在修改時遵守，必須另外檢查。不要等整個專案都交出去，才發現 agent 忘記某條限制。

權重自行部署後，資料流仍需逐段確認。假設程式碼留在公司主機，agent 卻呼叫外部搜尋或把錯誤內容送到監控服務，資料仍可能離開原本的環境。自架讓你有更多控制選項，實際保留了多少控制，要看工具、紀錄與外部服務怎麼接。

測試紀錄至少應能回答：模型讀了什麼、呼叫了什麼、執行是否成功，以及最後由哪個檢查確認結果。若驗收只看最終回答，模型把失敗包裝成流暢說明時，你很難及時察覺。

Muse Model License 可以商用，但有附帶條件

這次使用的是 Muse Model License。授權允許使用、修改、微調、蒸餾與商業利用，同時要求保留版權、授權及使用政策，並在產品介面或文件等位置標示「Built with Muse Spark Open」。來源：授權原文

條文另規定，若授權使用者或其關係企業提供模型即服務（Model as a Service），且合計總營收在任何連續十二個月超過 2,000 萬美元，將此模型或衍生模型納入該業務前，須通知 Meta 並另簽書面協議。條文也列出內部使用、研究，以及一般產品功能等排除情況。

不能把這一條縮寫成「公司超過某個營收就不能用」。要看的還包括業務是否屬於模型即服務，以及條文如何定義關係企業與衍生模型。準備提供商業服務時，應以完整授權原文核對自己的使用方式。

開發團隊現在可以怎麼評估？

先從現有流程挑一個有明確驗收條件的任務。例如修復一個可重現的介面錯誤，要求 agent 提交修改、執行測試，並留下尚未驗證的項目。把同一份任務交給目前使用的模型，才能比較替換後的代價。

接著固定工具權限、專案版本與測試方式，保留每次失敗紀錄。開放權重帶來的客製化空間，可以等你知道模型卡在哪裡之後再用；若連基準結果都沒留下，換量化格式或調參後很難知道到底改善了什麼。

若團隊已有穩定的託管模型，先讓 Muse Spark Open 跑一份獨立的任務副本，保留目前交付流程。等它能在相同驗收條件下重複完成工作，再考慮分配正式任務，這樣才有具體結果可支持後續的設備與維運投入。

若你還在摸索本地 agent 的模型接線，可延伸閱讀 Hermes Agent 與 LM Studio 的整合方式，先理解模型與工具執行環境如何配合，再規劃大型模型部署。

硬體預算有限時，也可以先研究較小模型的部署流程。站內選物的 麗臺 RTX PRO 4000 Blackwell可作為工作站顯卡的規格比較入口；它不符合本文列出的 Muse Spark Open 官方完整 GPU 部署需求。此為聯盟連結，透過連結購買，本站可能獲得分潤。

常見問題

Muse Spark Open 是什麼？

Meta 在 2026 年 10 月 15 日發布的開放權重多模態模型，總參數 816B、每個 token 約啟用 42B，支援文字、影像、影片與音訊輸入，輸出文字。

42B 啟用參數代表一般顯卡就能跑嗎？

不能這樣推論。啟用參數主要描述每個 token 動用的計算量，完整權重仍需要大量記憶體；部署需求還受量化、上下文與推論框架影響。

Muse Spark Open 可以商用嗎？

Muse Model License 允許商用，但要求保留授權與使用政策並標示來源。提供模型即服務且達到指定營收門檻者，另有通知與簽約條件。

256GB 記憶體能跑的版本，成績跟官方一樣嗎？

不能直接套用官方成績。Unsloth 的低位元 GGUF 是另一種量化配置，品質、上下文容量與速度都需要以該版本重新測試。

先用一個可驗收的任務測試 Muse Spark Open，留下成功、失敗與人工修正的紀錄，再決定是否投入自架設備。你手上哪一項工作，已經有足夠清楚的驗收方式，可以拿來做這次比較？