本地 LLM

Muse Spark Open：816B 开源权重，两台 Mac Studio 跑起来

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。

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

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：

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"。
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。
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）

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）

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）

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）：

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。
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

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。
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。
“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）。
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"。

Sources