> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # Muse Spark Open：816B 开源权重，两台 Mac Studio 跑起来 - URL: https://www.hubwiz.com/blog/muse-spark-open-816b-desktop/ - Published: 2026-10-21T09:11:51.000Z - Updated: 2026-10-21T09:20:43.000Z - Description: 816B 总参、42B 激活、1M 上下文，两台 Mac Studio 就能在本机跑。拆参数、基准得分、许可证，也拆它哪里没赢。 - Author: admin - Tags: 本地 LLM, 开源模型, Meta, 桌面推理 **一句话结论**：2026 年 10 月 15 日，Meta 放出 **Muse Spark Open** 的权重——**816B 总参数、42B 激活、1M token 上下文、原生多模态**，官方称其为"迄今最强的美国开放权重模型"。真正值得关注的是后半句：它能在**两台 Apple M5 Ultra Mac Studio** 上整机跑起来，也就是"1TB 统一内存当一台超算用"。但把基准表摊开看，它在**编码类 harness 基准上并没有赢**（Terminal-Bench 2.1 输给 Kimi K3 与 GLM 5.3 近 9 分），强项集中在 Agent 与知识推理。想拿它替换云端 API 之前，先把"赢在哪、输在哪、许可允许你做什么"三件事分开看。 **披露**:本文编译自 Meta AI Research 官方博客《Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date》(**2026-10-15**)与其基准记分卡(`benchmark-scorecard-dark-v6.png`),并参考 Apple ML Research 的 MLX 分布式推理文（2026-10-16）与 Hacker News 当日讨论（919 点）。文中所有性能与参数均为**厂商自述**,本文**未做独立实测**;记分卡里的对比模型部分来自各自厂商自报口径,harness 不同(Terminal-Bench 明确注明用 Terminus 2 agent,DeepSWE 标注"best available / self reported"),**横比只作量级参考**。模型权重与评测报告:见文末来源。 --- ## 一、规格：一个"能塞进两台桌面机"的 816B 先把账面数字摊平： | 项目 | 数值 | 意味着什么 | | ---------- | --------------------------------------------------------------- | ---------------------------------------- | | 总参数 / 激活参数 | **816B / 42B**（约 5.1%） | MoE 架构，单 token 只走一小片专家，显存看总量、算力看激活 | | 上下文 | **1M token** | 整仓代码、长任务轨迹、长时间会议记录可以不切块 | | 模态 | **原生多模态**（natively multimodal） | 不是"文本模型外挂视觉编码器"，训练期就带图像 | | 定位 | 编码与 agentic 工作、长程任务、多步推理 | 官方表述："Built for coding and agentic work" | | 权重 | Hugging Face / SageMaker / GCP Model Garden / Microsoft Foundry | 官方四处分发，非"仅限研究申请" | | 许可证 | **Muse Model License**（有限商业条款） | "many developers 可免费商用"——注意不是 OSI 开源许可证 | 一句提醒：**"开放权重"不等于"开源"**。权重可下载、可自托管、可微调，但许可证是自定义的商业条款，不是 Apache 2.0。/ 前一个月的 DeepSeek DeepInfer 用 Apache 2.0 放引擎，这一份是权重 + 条款的组合，两者风险面完全不同，落地前请法务过一遍条款正文。 ### 官方为什么强调"桌面" 桌面跑 816B 的算术在这里：Apple M5 Ultra 的统一内存**单机最高 512 GB**，两台就是 **1 TB**；M5 Ultra 的内存带宽 **1.2 TB/s**。粗算一下权重体积：816B 参数按 4 bit 存储约 **408 GB**，再留出 KV cache 与运行时开销，1 TB 的池子刚好能装下——官方原话是“两台 Mac Studio 表现得像一台拥有 TB 级统一内存的超算”，而带宽决定了每 token 能多快把要用的那一小片读出来。 这也是**本篇最容易被误读的地方**：它不是"你的笔记本能跑 816B"，而是"两台顶配 Mac Studio 能跑"。单机、单卡、消费级显卡都不在官方给出的组合里。 --- ## 二、基准：Agent 与知识领先，编码没赢 官方记分卡把 11 个基准分四组。下表的对比列是同一张表里的其他模型（Inkling、Nemotron 3 Ultra、Beam、Mistral Large 4、Qwen3.8-2.4T-A95B、GLM 5.3、Kimi K3），"—"表示该模型未报此项。 ### Agentic ![Muse Spark Open 记分卡：Agentic 组（JobBench / MCP-Atlas / GDPval-AA v2）](https://www.hubwiz.com/blog/content/images/2026/10/up-agentic.jpg) | 基准 | Muse Spark Open | Inkling | Nemotron 3 Ultra | Beam | Mistral Large 4 | Qwen3.8-2.4T-A95B | GLM 5.3 | Kimi K3 | | ------------- | --------------- | ------- | ---------------- | ---- | --------------- | ----------------- | -------- | ------- | | **JobBench** | **61.8** | 31.1 | 27.2 | — | — | 52.7 | 61.4 | 54.3 | | **MCP-Atlas** | **89.2** | 76.0 | 63.1 | 78.7 | — | 84.5 | 84.2 | 82.3 | | GDPval-AA v2 | 1401 | 1079 | 1016 | — | 1424 | 1613 | **1653** | 1537 | 三个读法： 1. **JobBench 是"差距最大"的一项**：61.8 vs Inkling 31.1、Nemotron 27.2——接近两倍。但同时 GLM 5.3 是 61.4，**只差 0.4 分**，说明这不是"独一份的能力"，而是"第一梯队里多了一个开放权重选手"。 2. **MCP-Atlas 89.2 是目前表里最高**，比第二名 Qwen 高 4.7 分。MCP 工具调用的准确率是 Agent 落地最硬的一环，这一项领先比 JobBench 更有意义。 3. **GDPval-AA v2 它排第四**：GLM 5.3（1653）> Qwen（1613）> Kimi（1537）> Muse（1401）。GDPval 系列偏"真实职业产出"，这一项落后说明它在"交付物像不像专业作品"上还不是最前。 ### 知识 & 推理 ![Muse Spark Open 记分卡：Knowledge & Reasoning 组（HLE-Diamond / SciCode / AA-Omniscience）](https://www.hubwiz.com/blog/content/images/2026/10/up-knowledge.jpg) | 基准 | Muse Spark Open | Inkling | Nemotron 3 Ultra | Beam | Mistral Large 4 | Qwen3.8-2.4T-A95B | GLM 5.3 | Kimi K3 | | -------------------- | --------------- | ------- | ---------------- | ---- | --------------- | ----------------- | ------- | -------- | | **HLE-Diamond（无工具）** | **26.1** | 11.2 | 8.9 | — | — | 17.3 | 16.4 | 22.2 | | SciCode | 58.5 | 47.0 | 40.3 | 49.7 | 54.2 | 54.1 | 59.0 | **59.5** | | **AA-Omniscience** | **25** | 2 | 0 | 13 | \-5 | 4 | 14 | 20 | - **HLE-Diamond 26.1 是表里最高，且是"不用工具"的口径**。这是它最能站住的一项：难知识题、纯模型能力、不靠检索。 - **AA-Omniscience 25 也是最高**，而且第二名 Kimi 只有 20、Mistral 甚至是 **\-5**（该基准会惩罚"自信地答错"）。负分说明：这类"知道自己不知道"的评测，比常识问答更能区分模型。 - **SciCode 它没赢**：59.5（Kimi）> 59.0（GLM）> 58.5（Muse）。差距很小，但方向一致——**科学计算/数值代码这类，它不是最强的**。 ### 编码（harness 基准） ![Muse Spark Open 记分卡：Coding 组（Terminal-Bench 2.1 / DeepSWE 1.1）](https://www.hubwiz.com/blog/content/images/2026/10/up-coding.jpg) | 基准 | Muse Spark Open | Inkling | Nemotron 3 Ultra | Beam | Mistral Large 4 | Qwen3.8-2.4T-A95B | GLM 5.3 | Kimi K3 | | ------------------------------------------- | --------------- | ------- | ---------------- | ---- | --------------- | ----------------- | ------- | -------- | | Terminal-Bench 2.1（Terminus 2 agent） | 76.4 | 55.1 | 53.9 | 80.1 | — | 82.0 | 83.9 | **85.0** | | DeepSWE 1.1（best available / self reported） | 60 | — | — | 44 | 62 | 57 | 67 | **68** | 这是全表里最该冷静看的一组： - Terminal-Bench 2.1 上它 **76.4，排到第五**，落后 Kimi K3 8.6 分、GLM 5.3 7.5 分； - DeepSWE 1.1 上 60，落后 Kimi 8 分、GLM 7 分； - 换句话说，**"编码与 agentic"是它的定位，但公开的端到端编码 harness 基准目前是竞品领先**。定位与榜单不一致时，先信榜单，再看评测口径（后面"边界"一节展开）。 ### 多模态（带工具） ![Muse Spark Open 记分卡：Multimodal 组（ZeroBench / BabyVision / SimpleVQA）](https://www.hubwiz.com/blog/content/images/2026/10/up-multimodal.jpg) | 基准 | Muse Spark Open | Inkling | Nemotron 3 Ultra | Beam | Mistral Large 4 | Qwen3.8-2.4T-A95B | GLM 5.3 | Kimi K3 | | ---------- | --------------- | ------- | ---------------- | ---- | --------------- | ----------------- | ------- | -------- | | ZeroBench | 50.0 | 14.0 | 不支持 | 不支持 | — | 不支持 | 不支持 | **41.0** | | BabyVision | 80.2 | 34.2 | 不支持 | 不支持 | — | 不支持 | 不支持 | **85.7** | | SimpleVQA | 73.6 | 52.3 | 不支持 | 不支持 | — | 不支持 | 不支持 | 71.9 | 多模态是"原生"最直接的变现：**表里能跑 ZeroBench 的模型只有两个**（Muse 50.0、Kimi 41.0），BabyVision 上 Kimi 反而更高（85.7 vs 80.2）。这一组的价值不在排名，而在**能比较的对手太少**——原生多模态 + 开放权重，目前就这几个选手。 --- ## 三、官方怎么用它做"真活" 官方给了两个"跑在自己机器上"的端到端例子，比基准更有说服力（也都是厂商自述）： 1. **Muse Code + Muse Spark Open 改一个真实 iOS 项目**：给开源 Mastodon 客户端 **Ice Cubes** 提改动——修 bug、加功能、跑完整构建，全程在设备本地。 2. **驱动 DaVinci Resolve 剪片**：模型**逐帧看素材**挑出最好的片段，并裁成竖版。这条最能说明"原生多模态 + 长上下文"的组合价值：视频帧是连续图像输入，切点决策需要跨帧记忆。 这两件事的共同点：**输入重、上下文长、需要边看边动手**。反过来说，如果你的任务是"跑一条命令改一个函数"，那 Terminal-Bench 那组的落后更值得在意。 --- ## 四、工程细节：SGLang 里的 Helion 内核与一条很窄的硬件路线 | 维度 | 官方说法 | 落地含义 | | ---- | ------------------------------------------------------------------------------------------- | ----------------------------------- | | 推理引擎 | SGLang、vLLM、TensorRT-LLM、HF Transformers、Apple MLX、llama.cpp、Unsloth | 主流栈都能挂，选哪个看你现有部署 | | 内核优化 | SGLang 内自带可自动调优的 **Helion** GPU 内核，**1.03–3.95×** 内核级加速（NVIDIA / AMD），AMD MI350 端到端 **+3%** | 加速主要发生在 kernel 层，"端到端 3%"是需要被记住的那个数 | | 硬件 | 优化覆盖 AMD、Apple、Intel、NVIDIA | 比"只吃 CUDA"的开放模型友好 | | 微调 | PyTorch / TorchTitan | 想 SFT 走官方路径，不用自己拼训练栈 | | 托管 | Baseten、Fireworks、Groq、Modal、Nebius、OpenRouter、Together | 不想自建就用托管，代价是又回到"API 依赖" | **"内核 1.03–3.95×，端到端 +3%"这组数字值得单独讲。**它几乎是所有推理引擎宣传的缩微版：kernel 级加速的跨度可以很漂亮，但经过调度、批处理、显存搬运之后，端到端收益会被摊平。做容量规划时，用端到端数字，不要用 kernel 数字。 --- ## 五、许可与安全：两句必须看清的话 - **许可**：Muse Model License，"limited commercial terms"，官方说"许多开发者可以免费商用"。这既不是 Apache 2.0，也不是"研究专用"。要看的是：商用规模门槛、是否要求署名、是否限制再分发/蒸馏、是否允许用于训练其他模型。**这些条款直接决定你能不能把它放进产品**，比基准分数重要。 - **安全**：官方称这是"开放权重的自有考量"，因此加了**额外的安全后训练**，并按 Meta Superintelligence Scaling Framework 评估了最严重风险类别，"达到了发布门槛"。细节在 model card 与即将发布的完整评测报告里。 对自托管用户的实际提醒：**开放权重意味着安全策略也在你手上**。云端 API 的"护栏"是服务方的责任，落到本地之后，拒答策略、审计、内容过滤、越权工具调用拦截，都得自己配。 --- ## 六、你该不该动：一张决策表 | 你的情况 | 建议 | | --------------------------------------------- | ---------------------------------------------- | | 有 2× Mac Studio（M5 Ultra，各 512GB）且要**数据不出内网** | 值得试：这是目前唯一"官方背书 + 现成 MLX 路径"的 816B 级桌面方案 | | 只有一台 Mac / 消费级显卡 | 不合适：816B 的权重总量摆在那，量化也塞不进 | | 主力是端到端编码 agent（长任务、改仓库） | 先别换：Terminal-Bench / DeepSWE 上它不是第一 | | 主力是 MCP 工具编排、多步 Agent 流程 | 值得试：MCP-Atlas 目前表内第一 | | 需要长上下文吞整仓/整份文档 + 看图看视频帧 | 值得试：1M 上下文 + 原生多模态，这两个组合目前少见 | | 需要"能自证不知道"的问答（避免幻觉答错） | 值得试：AA-Omniscience 25 分全场最高，Mistral 甚至是 −5 | | 要 Apache 2.0 级别的许可自由 | 不合适：先让法务读 Muse Model License | | 想在生产里省钱 | 算清楚：两台顶配 Mac Studio 的资本开支 vs 你现在的 API 账单，再谈"省" | --- ## 七、边界：这四条别忽略 1. **全是厂商自述**。本文没有复现任何一项基准；同一模型在不同 harness（agent 框架、重试策略、工具集）上分数可以差出十几分。 2. **对比对象口径不一**。Terminal-Bench 注明 Terminus 2 agent；DeepSWE 标注"best available / self reported"。横比只用于判断量级，不可用于采购决策的最后一票。 3. **“最美国开放权重”是市场表述**。同一张表里的 GLM 5.3、Kimi K3、Qwen3.8-2.4T-A95B 在编码类基准上更强——地缘标签不改变分数；它们的权重是否开放、以何许可开放，请逐个核对（本文不代做结论）。 4. **桌面跑 ≠ 生产跑**。两台 Mac Studio 的可用性、故障恢复、并发、监控，和机房里的推理集群不是一回事；把桌面方案放进生产，先想清楚"这台机器挂了怎么办"。 --- **相关阅读**：[本地 & 自托管 LLM 完全指南](https://www.hubwiz.com/blog/local-llm-stack/) ｜ [DeepInfer 开源拆解：DeepSeek 生产推理引擎里有什么、缺什么](https://www.hubwiz.com/blog/deepinfer-deepseek-open-source-inference/) ｜ [Qwen3-8B 微调做提示词难度路由](https://www.hubwiz.com/blog/qwen3-8b-finetune-prompt-complexity-router/) ｜ [90% 工时没有基准覆盖：Mercor 的 AI 评测地图](https://www.hubwiz.com/blog/mercor-benchmark-map-coverage/) **Sources** - Meta AI Research, *Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date*, 2026-10-15：[https://research.meta.ai/blog/muse-spark-open](https://research.meta.ai/blog/muse-spark-open?ref=hubwiz.com) - 基准记分卡（原文图片）：[https://research.meta.ai/articles/muse-spark-open/benchmarks/benchmark-scorecard-dark-v6.png](https://research.meta.ai/articles/muse-spark-open/benchmarks/benchmark-scorecard-dark-v6.png?ref=hubwiz.com) - 权重集合（Hugging Face）：[https://huggingface.co/collections/meta-models/muse-spark-open](https://huggingface.co/collections/meta-models/muse-spark-open?ref=hubwiz.com) - Hacker News 讨论（2026-10-15，919 点）：[https://news.ycombinator.com/item?id=50107379](https://news.ycombinator.com/item?id=50107379&ref=hubwiz.com) - Apple ML Research, *Muse Spark Open with MLX on Mac Studio*（2026-10-16）：[https://machinelearning.apple.com/research/mlx-distributed-inference](https://machinelearning.apple.com/research/mlx-distributed-inference?ref=hubwiz.com) *本文由 hubwiz 编译整理，参数与基准均引自官方自述，未做独立实测，转载请注明出处。* > **这是「本地 & 自托管 LLM」专题的一部分。**完整地图见：[本地 & 自托管 LLM 完全指南](https://www.hubwiz.com/blog/local-llm-stack/)