模型資訊
| 項目 | 值 |
|---|---|
| Model ID | 無單一官方 ID，各推理平台路由名稱不同（如 OpenRouter meta/muse-spark-open、HuggingFace meta-models/Muse-Spark-Open-816B-A42B） |
| 廠商 | Meta（Meta Superintelligence Labs） |
| 參數量 | 816B 總參數／42B 啟用（Mixture-of-Experts，256 專家、每次啟用 8 個） |
| Context Window | 1,048,576 tokens |
| Input 定價 (USD/1M tokens) | $1.25（快取 input $0.15） |
| Output 定價 (USD/1M tokens) | $4.25 |
| 開源 | 是（Muse Model License，自訂條款：年營收超過 2,000 萬美元的 Model-as-a-Service 須另與 Meta 簽約，其餘用途含商業使用皆免費） |
| 發布日 | 2026-10-15 |
| 官方公告 | Meta AI Research：Introducing Muse Spark Open |
| HuggingFace | meta-models/Muse-Spark-Open-816B-A42B |
| 家族 | Muse（前代閉源旗艦 Muse Spark 1.2 → 本代首款公開權重版本 Spark Open；同期另有閉源前沿線 Muse Wonder／Wonder Full） |
能力亮點
- 816B／42B MoE 搭配原生多模態 Perception Encoder（1.8B 參數，支援文字、圖片、影片、音訊輸入），Meta 稱其為「美國目前最強的開放權重模型」
- Meta 官方比較表中，JobBench（61.8）與 MCP-Atlas（89.2）兩項 agentic 測試是表中所有模型（含閉源 Kimi K3、GLM 5.3）裡最高分
- 首款做到可在兩台 Apple M5 Ultra Mac Studio 用 MLX 跑滿整個模型的同規格模型，靠 1.2TB/s 記憶體頻寬與合計 1TB 統一記憶體把兩台機器當成一台跑
- 安全後訓練效果明顯：對內部網路安全越獄測試拒絕率 99.2%，整合 PolyGuard／RedCode／CyberBench 2024 後仍有 94.8%，遠高於同表 Kimi K3 的 75.5%／70.2%
Benchmark 表現
| Benchmark | Muse Spark Open | 前代／對照 | 競品最強（Meta 官方表格） |
|---|---|---|---|
| AA Intelligence Index | 39 | 閉源 Muse Spark 1.2：57（⚠️ 見下方說明，不可直接比較） | GLM 5.3 45 |
| JobBench（agentic） | 61.8 | 未測 | Kimi K3 54.3（Muse Spark Open 自己最高） |
| MCP-Atlas（agentic） | 89.2 | 未測 | Kimi K3 82.3（Muse Spark Open 自己最高） |
| Terminal-Bench 2.1 | 76.4 | 閉源 Muse Spark 1.2 的 Terminal-Bench v2.1：80%（不同 agent harness，僅供參考） | Kimi K3 85.0 |
| StrongREJECT v2（越獄測試，分數越低越安全） | 0.5 | 未測 | Kimi K3 66.6 |
⚠️ AA Intelligence Index 由 Artificial Analysis 持續校正題庫與模型池，Muse Spark 1.2 的 57 分（2026-08）與 Muse Spark Open 的 39 分（2026-10）相隔近兩個月、題庫版本不同，不能直接解讀為「退步 18 分」。以上均為 Meta 自測或 Artificial Analysis 既有公開分數，尚待第三方針對 Muse Spark Open 本身重新複現。
與前代/競品比較
Muse Spark Open 不是單純的「下一代升級」，而是 Meta 第一次把大型旗艦模型的權重整個公開。跟同期發布的閉源前沿線 Muse Wonder／Wonder Full（10/12 發布，1M context、$4/$20）比，兩者定位不同：Wonder 系列主打最高智能，Spark Open 主打「開放下載、可以在自己的機器上跑」，參數量也公開了一個量級的細節（Wonder 未公開參數量，Spark Open 公開 816B/42B）。
跟其他開放權重模型比，AA Intelligence Index 39 分落後 GLM 5.3（45）、Kimi K3（44），甚至低於 Qwen3.8-2.4T-A95B（40），代表就「單題智能」而言它不是開放權重裡最強的。但在 agentic 測試上反而是 Meta 官方表格裡所有模型最高分，顯示這一代的訓練重心明顯放在「長任務 agent 執行」而非「單題正確率」。安全性上差距更明顯：網路安全越獄拒絕率 99.2%／94.8%，遠勝 Kimi K3 的 75.5%／70.2%，StrongREJECT v2 只有 0.5 分（分數越低越安全），遠低於表中其他模型的 62.9–86.4。
定價方面，透過 Together AI、OpenRouter 等第三方平台提供的 API 費率是入 $1.25／出 $4.25（快取 input $0.15），跟兩個月前閉源的 Muse Spark 1.2 完全相同——Meta 把原本閉源產品的費率原封不動套用到開放權重版本上，對已經在用 Spark 線的開發者沒有轉換成本。
對 Agent 開發的意義
如果你在做需要自建或地端部署的 agent（資料隱私、法規限制場景）：Muse Spark Open 目前是 agentic benchmark 分數最高的開放權重選項（JobBench／MCP-Atlas 官方表格最高分），搭配 Muse Model License 的商業條款（年營收超過 2,000 萬美元才需另簽約），對中小規模企業部署幾乎沒有授權負擔。
如果你在做長任務、多步驟的 coding agent：Terminal-Bench 2.1 76.4、DeepSWE 1.1 60 分雖不是開放權重裡最高分（Kimi K3 更高），但原生支援 SGLang、vLLM、TensorRT-LLM、llama.cpp 等主流推理框架，還有自家 Helion GPU kernel 優化（NVIDIA／AMD 加速 1.03–3.95 倍），落地門檻相對低。
如果你追求的是純智能評測導向的應用（需要最高單題正確率）：AA Intelligence Index 39 分落後 GLM 5.3、Kimi K3，不是首選；Meta 自己也建議搭配額外的 guardrail 系統部署，不建議當獨立模型直接對外服務。
不適合：消費級硬體。即使是 NVFP4 量化版本仍需 700GB VRAM，BF16 版本要 2TB，MLX 方案也得兩台頂規 Mac Studio（合計成本可觀），對個人開發者或小團隊門檻仍高。
今日收穫
開放權重模型的「最強」宣稱常常只在特定維度成立——Muse Spark Open 在 agentic 測試（JobBench／MCP-Atlas）拿下 Meta 官方表格最高分，但原始智能分數（AA Intelligence Index 39）卻輸給 GLM 5.3 和 Kimi K3。看到「最強開放權重模型」這類宣稱時，要先確認「哪個維度最強」，而不是假設所有維度都領先。
參考資料
- Meta AI Research：Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date
- HuggingFace：meta-models/Muse-Spark-Open-816B-A42B 模型卡
- Unite.AI：Meta's 816B-Parameter Muse Spark Open Weights Are Now Public
- VentureBeat：Meta unveils Muse Spark Open, the new top U.S. open weights model
- TechCrunch：Meta launches an open-weight AI model that runs on Macs
- OpenRouter：Muse Spark Open API Pricing & Providers
- quidproquo：模型卡｜Muse Spark 1.2（前代閉源版本）