Meta hat die Gewichte eines Modells mit 816 Milliarden Parametern veröffentlicht. Muse Spark Open läuft laut Apple-Demo lokal auf zwei Mac Studios, kommt mit einer Million Token Kontext und richtet sich an alle, die ihre Agenten nicht in die Cloud schicken wollen.
Was Meta mit Muse Spark Open freigegeben hat
Meta hat am 15. Oktober die Gewichte von Muse Spark Open auf Hugging Face bereitgestellt. Das offene Modell bringt 816 Milliarden Parameter mit, von denen pro Token nur rund 42 Milliarden aktiv werden. Diese Bauweise heißt Mixture-of-Experts, kurz MoE: Statt jedes Mal das ganze Netz zu rechnen, greift das Modell auf einen kleinen Teil seiner Experten zu. Die Rechenlast sinkt dadurch deutlich, die Qualität bleibt groß.
Meta nennt Muse Spark Open das bislang leistungsfähigste offene Modell aus einem US-Labor. Es basiert auf demselben Fundament wie das geschlossene Muse Spark 1.3 und ist für Programmierung und agentische Aufgaben gebaut, also für Werkzeuge, die mehrstufige Aufträge selbstständig abarbeiten.
Die Lizenz heißt Muse Model License. Sie erlaubt kommerzielle Nutzung mit einer Grenze, die bei einem Umsatzschwellenwert von 20 Millionen US-Dollar greift. Wer darüber liegt, braucht eine gesonderte Vereinbarung.
Ein 1-Million-Token-Kontext für große Codebasen
Der Kontext von einer Million Token ist der zweite große Wert. Kontext ist alles, was ein Modell in einer Sitzung gleichzeitig lesen kann, also Anfrage plus Zwischenstände plus Antwort. Eine Million Token entspricht grob der Menge eines mittleren Romans oder einer größeren Codebasis.
Für Entwickler praktisch: Sie können ein ganzes Repository samt Dokumentation hineingeben, statt es vorher in Häppchen zu zerschneiden. Das war bei offenen Modellen bisher der Engpass. Wer einen Auftrag über viele Schritte laufen lässt, verliert ohne langen Kontext nach ein paar Runden den Überblick.
Dazu kommt multimodale Verarbeitung. Muse Spark Open liest Text, Bilder, Dokumente, Audio und Video, nicht nur Quellcode. Hat jemand ein Foto eines Fehlerprotokolls oder einen Screenshot einer Oberfläche, kann er ihn direkt zum Auftrag geben.
Läuft das wirklich auf einem Mac?
Die Demo, die am meisten Aufmerksamkeit bekam, zeigt das Modell lokal auf zwei Mac Studios mit Apples M5-Ultra-Chip. Technisch stützt sich das auf Apples MLX-Framework und darauf, dass jeder dieser Rechner bis zu 512 GB Arbeitsspeicher anspricht. Zwei Geräte zusammen stemmen das Gewicht, das ein 816-Milliarden-Modell belegt.
Das ist keine Lösung für jedermann. Zwei Mac Studios mit voller Bestückung kosten mehr als ein Kleinwagen. Für Studios, Labore und Firmen mit strengen Datenschutzvorgaben zählt aber etwas anderes: Der Prompt muss den Rechner nicht verlassen. Wer sensible Quelltexte oder Kundendaten bearbeitet, kann das Modell im eigenen Haus laufen lassen.
Meta liefert zwei Gewichtsformate mit. Ein BF16-Format für volle Genauigkeit und ein NVFP4-Format, ein komprimiertes 4-Bit-Format für Nvidia-Hardware, das Speicher spart.
Läuft lokal
- auf zwei Mac Studio M5 Ultra über Apples MLX
- BF16-Gewichte für volle Präzision
- Daten bleiben im eigenen Netz
Läuft in der Cloud
- NVFP4-Gewichte optimiert für Nvidia, AMD und Intel
- gehostet bei Baseten, Fireworks, Groq, Modal, Nebius, OpenRouter und Together AI
- auch über Amazon SageMaker, Google Cloud und Microsoft Foundry
Was SGLang und vLLM am Starttag beitragen
Die Inferenz-Server SGLang und vLLM haben Muse Spark Open zum selbenTag unterstützt, an dem Meta die Gewichte freigab. Beide sind Open-Source-Programme, mit denen Firmen Modelle auf eigener Hardware betreiben. Day-0-Support bedeutet: Wer die Software schon laufen hat, muss nicht Wochen auf Anpassungen warten.
Die zahlreichen Cloud-Anbieter senken die Einstiegshürde zusätzlich. Man mietet die Rechenleistung stundenweise, ohne selbst zwei Mac Studios zu kaufen. Für Teams, die erst testen wollen, ist das der billigere Weg.
Meta nennt eigene Zahlen, unabhängige Prüfer noch nicht
Meta vergleicht Muse Spark Open in seinem Blog mit geschlossenen Spitzenmodellen und meldet konkurrenzfähige Werte. Diese Ergebnisse kommen aus eigener Hand, also aus Metas Benchmark-Durchläufen. Ein unabhängiges Labor wie Artificial Analysis oder die LMArena hat zum Zeitpunkt der Freigabe noch keine eigenen Messungen veröffentlicht.
Behandeln Sie den Vergleich deshalb als Herstellerangabe, nicht als gesicherten Rang. Offene Gewichte haben einen Vorteil, der die Sache entschärft: Sie können das Modell selbst laufen lassen und auf Ihren eigenen Aufgaben prüfen. Genau diese Möglichkeit fehlt bei geschlossenen Modellen. Die Laborwerte zählen am Ende weniger als Ihr eigener Test.
Für wen sich Muse Spark Open lohnt
Wenn Sie bislang aus Datenschutzgründen kein großes Modell einsetzen konnten, ist das ein echter Schritt. Ein Modell dieser Größe, das im eigenen Netz bleibt und trotzdem Code versteht, war bis vor kurzem nicht verfügbar. Wer nur gelegentlich schreibt oder rechnet, bekommt das billiger und bequemer über die Cloud-Anbieter.
Der nächste Prüfpunkt sind die unabhängigen Messungen der kommenden Wochen. Erst dann lässt sich sagen, ob sich Meta mit dem Schritt an die offene Spitze tatsächlich dorthin gestellt hat, wo der Konzern sich selbst sieht. Die Gewichte liegen bei Hugging Face, und die Inferenz-Software ist bereit. Der Rest ist Ihre Aufgabe.
