智东西

编译 | 杨京丽

编辑 | 李水青

智东西 10 月 16 日消息，今天凌晨，Meta 发布开放权重模型 Muse Spark Open，总参数量达8160 亿，每次推理激活420 亿参数，支持100 万 Token 上下文窗口。该模型原生支持多模态，主攻编程和 Agent 任务，重点面向需要长时间执行的任务、复杂软件工程和多步推理。

Meta 称，这是迄今能力最强的美国开放权重模型。借助最新版 MLX 框架，Muse Spark Open 可在两台搭载苹果 M5 Ultra 芯片的 Mac Studio 上运行，将大模型编程、视频处理等 Agent 工作流搬到桌面端。

Meta 创始人马克 · 扎克伯格也在 X 上发文称，得益于与苹果新 CEO 约翰 · 特努斯及苹果团队的合作，Muse Spark Open 在新款 Mac Studio 上运行良好，并晒出了两台 Mac Studio 搭配显示器的桌面照片。

特努斯在评论区回应：能够直接在桌面端高效运行令人惊叹，Mac Studio 正持续拓展端侧 AI 的边界。

在第三方评测机构 Artificial Analysis 的开放权重模型智能指数榜单上，Muse Spark Open（xhigh）获得 39 分，低于MiMo-V2.6-Pro的 46 分、GLM-5.3的 45 分，以及Step 5 Preview、Kimi K3等模型的测评成绩，与DeepSeek V4.1 Flash持平。而蚂蚁百灵刚开源的 Ling-3.1-flash 也取得 41 分，领先 Meta。

目前，开发者可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等平台的 API 使用 Muse Spark Open，也可通过 Amazon SageMaker AI、Google Cloud Model Garden、Hugging Face 和 Microsoft Foundry Models 下载模型权重。

该模型支持 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、苹果 MLX、llama.cpp 和 Unsloth 等主流推理框架，并针对 AMD、苹果、英特尔和英伟达芯片进行了优化。开发者还可以使用 PyTorch 框架进一步定制模型。

开源地址：

https://huggingface.co/collections/meta-models/muse-spark-open

一、8160 亿总参数、百万 Token 上下文，编程落后于多款国产开源模型

Muse Spark Open 采用稀疏混合专家架构，总参数量为 8160 亿，每个 Token 激活约 420 亿参数，支持 100 万 Token 上下文窗口，可接收文本、图像、视频和音频输入。

基准测试方面，Muse Spark Open 在部分 Agent、知识推理和工具辅助多模态测试中领先，但在考察终端环境下编程与任务执行能力的 Terminal-Bench 2.1 中，其得分为 76.4 分，低于 Qwen3.8-2.4T-A95B、GLM 5.3 和 Kimi K3；在软件工程测试 DeepSWE 1.1 中，其得分为 60 分，低于 GLM 5.3 的 67 分和 Kimi K3 的 68 分。

在考察真实职业场景中知识工作任务完成能力的 GDPval-AA v2 中，Muse Spark Open 得分为 1401 分，同样低于 Qwen3.8-2.4T-A95B、GLM 5.3 和 Kimi K3。

二、两台 M5 Ultra Mac Studio 本地运行，能改代码、剪视频

为支持桌面端部署，Muse Spark Open 针对最新版 MLX 框架和搭载 M5 Ultra 芯片的 Mac Studio 进行了优化。

Meta 称，苹果统一内存架构允许每台 Mac Studio 的集成 GPU 使用最高 512GB 内存，两台设备合计可提供约 1TB 统一内存，从而容纳完整模型。M5 Ultra 的内存带宽为 1.2TB/s，可支持读取每个 Token 计算所需的部分模型参数。

由此，两台 Mac Studio 可以像一台拥有约 1TB 统一内存的超级计算机一样协同工作。

Meta 使用由 Muse Spark Open 驱动的 Muse Code，测试了一系列完全在设备本地运行的 Agent 工作流。

在编程场景中，模型为开源 Mastodon 客户端 Ice Cubes 完成了实际的 iOS 代码修改，任务覆盖修复 Bug、添加新功能，以及完成整个项目的构建。

在视频处理场景中，模型能够操作视频剪辑软件 DaVinci Resolve，逐帧检查素材，寻找更适合保留的片段，并将画面裁剪为竖屏。

三、适配多家芯片与推理框架，进行安全后训练

Muse Spark Open 发布时已适配 SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、苹果 MLX、llama.cpp 和 Unsloth 等推理框架，并针对 AMD、苹果、英特尔和英伟达芯片进行优化。

在推理性能方面，Meta 为 SGLang 提供了可自动调优的定制 Helion GPU 内核。按照其公布的数据，这些内核在英伟达和 AMD GPU 上实现了 1.03-3.95 倍的内核级加速，在 AMD MI350 上带来的端到端性能提升为 3%。

安全方面，Meta 称，针对开放权重发布，Muse Spark Open 进行了额外的安全后训练，并依据 Meta 超级智能扩展框架开展评估，达到了该框架要求的发布门槛。

结语：开放权重模型走向本地工作流，实际能力仍待验证

Muse Spark Open 开放权重，为开发者部署和定制大模型提供了更多选择，针对苹果桌面设备的适配也拓展了本地 Agent 的应用空间。

不过，从基准测试成绩及第三方评测看，其综合能力及部分编程表现仍落后于国产开放权重模型。在真实任务中能否稳定、高效地完成复杂工作，还需要更多独立测试和实际应用来验证。