Muse Spark Open: Meta öffnet sein stärkstes Modell (816B)

Kurz gesagt: Meta hat mit Muse Spark Open sein bisher größtes Open-Weight-Modell veröffentlicht: eine Mixture-of-Experts mit rund 816 Milliarden Parametern, von denen pro Token nur etwa 42 Milliarden rechnen. Es ist für agentisches Coding gebaut, versteht Text, Bilder, Audio und Video, und soll als erstes Modell dieser Klasse auf einem Desktop laufen. Alle Benchmark-Werte stammen von Meta selbst, unabhängige Messungen stehen noch aus.

Die Architektur im Überblick

Das Prinzip Mixture of Experts: Pro Token wählt ein Router 8 von 256 Experten, deshalb kostet die Berechnung nur so viel wie ein 42-Milliarden-Modell. Alle Experten müssen aber im Speicher liegen, die Anforderungen bleiben die eines Riesenmodells. Muse Spark Open ist das große Geschwister von Muse Glimmer, einem kleinen dichten Modell, das Meta im August veröffentlicht hat. Beide teilen Tokenizer und Vokabular.

Multimodal rein, Text raus

Ein Perception Encoder mit 1,8 Milliarden Parametern wandelt Bilder und Videoframes in Tokens um, ein eigener Audio-Encoder erzeugt 12,5 Tokens pro Sekunde Ton. Das Modell kann also einen Screenshot lesen, eine Sprachnotiz hören oder eine Bildschirmaufnahme ansehen, während es am Code arbeitet. Ausgegeben wird Text. Das Kontextfenster von einer Million Token umfasst alle Modalitäten gemeinsam; ein voller Kontext belegt laut Hugging Face allein etwa 266 Gigabyte KV-Cache.

Benchmarks: stark, aber nicht überall vorn

In Metas eigener Tabelle führt Muse Spark Open bei JobBench mit 61,8 Punkten vor GLM 5.3 (61,4) und Kimi K3 (54,3). Bei Terminal-Bench 2.1 liegt es mit 76,4 hinter Kimi K3 (85,0) und Beam (80,1), bei DeepSWE 1.1 mit 60 Punkten hinter Kimi K3 (68) und GLM 5.3 (67). Bei ZeroBench mit Werkzeugen führt es mit 50 vor Kimi K3 (41). Gemessen wurde mit der höchsten Reasoning-Stufe. Wichtig: Alle Zahlen sind Eigenmessungen von Meta. Wer das Modell einplanen will, sollte auf unabhängige Tests warten oder es an eigenen Aufgaben prüfen. Auffällig: Bei den Sicherheitstests verweigerte das Modell laut Meta 99,2 Prozent der Jailbreaks im internen Benchmark und zeigte 0 Prozent Fehlverhalten im Agentic-Misalignment-Test.

Läuft das zu Hause?

Meta bewirbt Muse Spark Open als erstes Modell dieser Klasse für den Desktop: Zwei Mac Studios mit M5 Ultra und zusammen einem Terabyte Unified Memory sollen die BF16-Gewichte mit dem MLX-Framework tragen, die Speicherbandbreite von 1,2 Terabyte pro Sekunde reicht laut Meta für flüssige Token-Ausgabe. Wer GPUs hat: Die NVFP4-Version läuft auf einem einzigen B200-Knoten, BF16 braucht in Transformers 32 H200-GPUs. Rezepte gibt es für llama.cpp, vLLM, SGLang und Unsloth. Ohne eigene Hardware läuft das Modell über APIs von Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI; die Gewichte liegen auf Hugging Face, in Amazon SageMaker, Google Cloud Model Garden und Microsoft Foundry.

Die Lizenz: frei, mit zwei Haken

Die Muse Model License erlaubt Nutzung, Veränderung, Fine-Tuning, Distillation und Verkauf. Zwei Bedingungen sind wichtig: Wer Produkte damit baut, muss „Built with Muse Spark Open“ sichtbar ausweisen. Und wer das Modell als Dienst anbietet und mit seinem Unternehmen mehr als 20 Millionen US-Dollar Jahresumsatz macht, muss Meta informieren und eine gesonderte Vereinbarung schließen. Interne Nutzung und eigene Produkte sind davon ausgenommen. Eine OSI-anerkannte Open-Source-Lizenz ist das nicht, der korrekte Begriff bleibt Open Weights. Eine Usage Policy verbietet unter anderem den Einsatz für unlizenzierte Berufsausübung in Medizin, Recht oder Finanzen.

Was du mitnehmen kannst

• Open-Weight-Modelle auf Frontier-Niveau gibt es jetzt auch aus den USA, mit Multimodalität und 1M-Kontext.
• Für Agenten-Coding lohnt ein eigener Praxistest, Metas Benchmarks sind Eigenmessungen und gemischt.
• Kleine Teams können sofort über API-Anbieter starten; wer Gewichte selbst hostet, braucht mindestens NVFP4-Hardware oder zwei Mac Studios.