Meta发了一个8160亿参数的开源模型。
宣传语写得很漂亮：“两台Mac Studio就能跑。”我第一反应是——终于有能在家跑的前沿模型了。然后我查了一下“两台Mac Studio”的配置要求：M5 Ultra芯片，512GB统一内存版本，两台加起来超过4万美元。
这不是普通人能碰的东西。但它确实是Meta迄今最大的开放权重发布，也是美国实验室目前规模最大的开源模型。
先搞清楚这台“超级计算机”到底需要什么配置
Muse Spark Open采用稀疏MoE架构，总参数8160亿，每个Token只激活约420亿参数。这个比例意味着它的推理算力需求远低于总参数规模——真正干活的是那420亿。
模型原生支持文本、图片、视频和音频输入，输出只有文本。上下文窗口100万Token，面向长周期Agent任务和多步推理场景优化。和它一起发布的还有Muse Code编码工具，Meta用它测试了完整的本地Agent工作流——包括为开源Mastodon客户端Ice Cubes完成iOS代码修改和整包构建。
本地部署方案很具体：两台配备512GB统一内存的M5 Ultra Mac Studio，通过苹果MLX框架协同工作，两台合计约1TB统一内存，内存带宽1.2TB/s。苹果在官方ML博客中实测，四台Mac Studio集群生成速度超过每秒36个Token，远高于人类平均阅读速度。
翻译一下：两台是最低门槛，四台体验更好，但四台的硬件成本轻松超过8万美元。
推理速度：能用，但谈不上快
苹果ML博客公布了详细的性能数据。在NVFP4量化精度下，Muse Spark Open在Mac Studio集群上的表现是这样的：两台机器约25 tokens/s，四台接近37 tokens/s。
37 tokens/s是什么水平？比DeepSeek官方API在非高峰时段的150到180 tokens/s慢了好几倍。但本地部署的好处是数据不出门，且没有API调用成本。
如果你做的是长时间运行的Agent任务，比如让它慢慢改代码、写文档，37 tokens/s完全够用。但如果你需要快速迭代、频繁重试，这个速度会让人着急。
而且注意，这是NVFP4量化版的速度。原生BF16精度下，仅模型参数就需要超过1.6TB内存，两台Mac Studio根本装不下。Meta和苹果的优化做的是量化压缩，精度损失不可避免。
编程打不过Kimi，但工具使用反超了
Meta公布的基准测试数据分化很明显。
Artificial Analysis开放权重模型智能指数榜单中，Muse Spark Open（xhigh）得39分，与DeepSeek V4.1 Flash持平，但低于MiMo-V2.6-Pro的46分和GLM-5.3的45分。Terminal-Bench 2.1编程测试中得76.4分，Kimi K3以85%领先，GLM-5.3和Qwen 3.8也都在它前面。
但在工具使用评测MCP-Atlas上，局面反转了。 Muse Spark Open拿到89.2分，超过了Qwen 3.8的84.5分、GLM-5.3的84.2分和Kimi K3的82.3分。MCP-Atlas测试的是模型在36个真实MCP服务器、220个工具中自主选择并调用的能力，任务描述里不告诉模型该用哪个工具，全靠它自己判断。
JobBench Agent任务评测中，Muse Spark Open得61.8分，是Thinking Machines的Inkling的两倍（31.1分），英伟达Nemotron 3 Ultra只有27.2分。
这个结果说明一件事：Muse Spark Open不是最强的编程模型，但可能是工具调用能力最好的开源模型之一。 如果你在做Agent工作流——让AI自主调用外部工具完成任务——它在这个维度上的优势值得关注。
如果你不想买Mac，API调用和云端部署更现实
4万美元的硬件门槛对绝大多数人是不可行的。好在Meta提供了多条替代路径。
API方面，可以通过Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI等平台调用。Together AI定价为输入每百万Token 1.25美元，输出4.25美元。和DeepSeek V4-Pro的$0.66输入/$1.98输出比，价格贵了将近一倍。和Kimi K3的20元/百万Token输入（约$2.8）比，输入价格更低，输出更低。
权重下载方面，Hugging Face上的仓库是gated的，需要登录申请访问权限。仓库实际上在9月15日就已经创建，但直到10月15日才正式开放。除了Hugging Face，Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry也提供下载。
云端自托管方面，官方支持SGLang、vLLM、TensorRT-LLM、llama.cpp和Unsloth等主流推理框架。SGLang在8张NVIDIA B300 GPU上跑NVFP4检查点的实测数据：并发1时每用户543 tokens/s，并发128时总吞吐达到每GPU 80.3K tokens/s。
如果你只是想试试，走API最省事。如果你有自己的GPU服务器，走SGLang或vLLM自部署。买Mac Studio跑本地推理，目前更多是“数据主权”的考量，不是性价比的选择。
许可证里有个2000万美元的门槛
Muse Spark Open使用自定义的Muse Model License，不是Apache 2.0那样的完全开放许可。
大多数开发者可以免费下载、修改、微调和再分发。但有一个限制：如果公司过去连续12个月营收超过2000万美元，且将模型用于模型即服务（MaaS）业务，需要与Meta另行签署协议。内部分发、研究用途和嵌入自家产品不受此限制。
另外，基于Muse Spark Open构建的产品需要标注“Built with Muse Spark Open”，军事和关键基础设施用途被禁止。
这个许可设计比完全开源严格，比完全闭源宽松。Meta的意图很清楚：让你免费用，但别拿它直接做成生意跟Meta竞争。
它对你到底有没有用
我给一个直接的判断。
值得试的人： 做Agent工作流的开发者，MCP-Atlas上的工具使用得分确实领先。需要数据完全本地的团队，如果你有Mac Studio或者GPU服务器。想研究前沿模型架构的研究者，816B参数的MoE设计和Pooler/Unpooler机制有参考价值。
不值得折腾的人： 日常写代码的开发者，Kimi K3和GLM-5.3在编程评测上更强且API更便宜。普通个人用户，4万美元的硬件门槛和API价格都不划算。只需要问答和写作的用户，DeepSeek和豆包完全够用。
Muse Spark Open是Meta重回开源的重要一步。但它不是“最强开源模型”——在编程这个核心场景上，它确实打不过国产模型。它的优势在工具调用和Agent任务上，这个方向对做自动化工作流的人有价值。
至于“两台Mac Studio就能跑”这件事——技术上没错，但经济上，你得先有两台Mac Studio。
热门跟贴