Muse Spark Open: Lassen sich Metas Open-Weight-Modell und Muse Code lokal betreiben?
Meta hat Muse Spark Open am 15. Oktober veröffentlicht: 816 Milliarden Parameter, eine eigene Lizenz und Hardware-Anforderungen, die die meisten Entwickler nicht erfüllen. Was die Lizenz erlaubt, was der Betrieb voraussetzt und was Meta zum Einsatz mit Muse Code gesagt hat — und was nicht.
Was Meta veröffentlicht hat
Am 15. Oktober 2026 hat Meta die Gewichte von Muse Spark Open veröffentlicht, einem großen Open-Weight-Modell aus der Muse-Spark-Familie. Die wichtigsten Eckdaten:
- Größe: 816 Milliarden Parameter insgesamt, davon 42 Milliarden pro Token aktiv (ein Mixture-of-Experts-Design).
- Kontext: 1 Million Token.
- Input: Text, Bilder, Video und Audio. Output: Text.
Das ist eine andere Art von Release als Muse Glimmer, das offene 30B-Modell, das Meta am 10. August veröffentlicht hat. Glimmer ist für eine einzelne Consumer-GPU gedacht. Spark Open gehört ins Rechenzentrum oder auf einen ernsthaften Workstation-Cluster.
Die Lizenz, verständlich erklärt
Spark Open steht unter der Muse Model License, einer eigenen Lizenz von Meta. Sie ist keine OSI-zertifizierte Open-Source-Lizenz, der treffende Begriff ist also „Open Weight“. Konkret heißt das:
- Du darfst das Modell betreiben, verändern, feintunen, destillieren und weitergeben, sofern du die Lizenzbedingungen und Metas Nutzungsrichtlinie einhältst.
- Du musst in Produkten, die es nutzen, den Hinweis „Built with Muse Spark Open“ anzeigen.
- Wenn du ein großer Modell-Hoster bist — also ein Unternehmen, das mit dem Anbieten des Modells als Model-Serving-Geschäft in 12 Monaten mehr als 20 Millionen Dollar Bruttoumsatz macht —, musst du Meta benachrichtigen und eine separate Vereinbarung abschließen.
- Deine Outputs gehören dir. Meta beansprucht kein Eigentum an dem, was das Modell erzeugt.
Für die meisten Teams spielt die Umsatzklausel keine Rolle. Hosting-Anbieter und Reseller sollten sie vollständig lesen. Glimmer dagegen steht unter Apache 2.0 — ohne Pflichthinweis und ohne Umsatzschwelle.
Welche Hardware braucht es wirklich?
Viel. Meta nennt rund 700 GB Beschleunigerspeicher in NVFP4-Präzision und etwa 2 TB in BF16. Die 42 Milliarden aktiven Parameter halten den Rechenaufwand pro Token zwar vergleichsweise niedrig, aber alle 816 Milliarden Parameter müssen trotzdem im Speicher liegen.
Metas eigene Demo lief auf zwei Mac Studios mit M5 Ultra — mit jeweils bis zu 512 GB Speicher — und nutzte MLX. Das ist das zugänglichste Setup, das Meta gezeigt hat, und selbst dafür braucht es zwei Spitzenmaschinen. Spark Open ist kein Laptop-Modell, und eine einzelne High-End-Gaming-GPU reicht nicht.
Wo es das Modell gibt
- Gewichte: Hugging Face (zugangsbeschränkt,
meta-models/Muse-Spark-Open-816B-A42B), Amazon SageMaker AI, Google Cloud Model Garden und Microsoft Foundry. - Inferenz-Engines: SGLang, vLLM, TensorRT-LLM, Transformers, MLX, llama.cpp und Unsloth. Fürs Fine-Tuning verweist Meta auf TorchTitan.
- Gehostete APIs: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI. Together listet das Modell mit 1,25 $ Input, 0,15 $ gecachtem Input und 4,25 $ Output pro 1M Token. Groq begrenzt den Kontext auf 131K Token statt der vollen 1M.
Together verlangt damit genau so viel wie Meta selbst für das gehostete muse-spark-1.3. Wer nur Zugriff pro Token will, spart mit offenen Gewichten also nichts. Sie zahlen sich aus, wenn du selbst hosten, feintunen oder Daten auf eigener Hardware halten musst.
Wie schneidet es ab?
Metas Launch-Tabelle — mit der üblichen Einschränkung, dass das die Zahlen des Herstellers sind:
| Benchmark | Muse Spark Open | Anmerkung aus Metas Tabelle |
|---|---|---|
| Terminal-Bench 2.1 | 76,4 | Kimi K3 führt mit 85,0 |
| MCP-Atlas | 89,2 | Führt den Vergleich an |
| JobBench | 61,8 | Führt den Vergleich an |
| Artificial Analysis Intelligence Index | 39 | Hinter GLM-5.3 (45) und MiMo-V2.6-Pro (46) |
Am stärksten wirkt Spark Open bei Tool-Nutzung und agentischen Aufgaben, bei Gesamtmaßen für Intelligenz dagegen schwächer als die besten konkurrierenden offenen Modelle. Zum Vergleich: VentureBeat sah das gehostete Spark 1.3 auf demselben Index bei 61, wie in unserem Beitrag zu Spark 1.3 erwähnt. Das offene Modell ist keine kostenlose Kopie des Flaggschiffs.
Kann Muse Code lokal darauf laufen?
Teilweise — laut Meta ja, aber noch ohne Anleitung von Meta. Meta sagt, Muse Code laufe auf Spark Open für agentische Workflows direkt auf Apple-Hardware. In den Demos bearbeitete der Agent die Mastodon-App Ice Cubes und bediente DaVinci Resolve.
Was Meta nicht veröffentlicht hat, ist eine Schritt-für-Schritt-Einrichtung: Es gibt keine dokumentierte Konfiguration für einen lokalen Provider, die zeigt, wie du Muse Code auf einen selbst gehosteten Spark-Open-Endpunkt richtest. CLI 1.4.2 hat muse serve zwar die Flags --provider und --model spendiert, Meta dokumentiert sie aber nicht als Weg zu einem lokalen Spark-Open-Server. Das heißt:
- Ein komplett offline laufendes Muse Code hat Meta vorgeführt, aber nicht dokumentiert. Rechne mit Experimentieren und plane noch keinen Rollout im Team darauf.
- Die eigentliche Grenze ist die Hardware. Die dokumentierte Demo brauchte zwei Mac Studios mit viel Speicher.
- Abo-Modelle sind nicht dabei. Lokal bekommst du weder Muse Wonder noch Wonder Full; die gibt es nur gehostet.
Sollte sich das ändern, siehst du es in den Docs und in unserem Changelog.
Spark Open vs. Muse Glimmer vs. gehostetes Spark 1.3
| Muse Spark Open | Muse Glimmer | Muse Spark 1.3 (gehostet) | |
|---|---|---|---|
| Veröffentlicht | 15. Oktober 2026 | 10. August 2026 | 2. September 2026 |
| Größe | 816B insgesamt, 42B aktiv | 30B | — |
| Lizenz | Muse Model License (eigene Lizenz) | Apache 2.0 | Proprietär, nur API und Meta-Produkte |
| Hardware | ~700 GB (NVFP4) bis ~2 TB (BF16) | Eine Consumer-GPU, ~20 GB quantisiert | Keine — Meta hostet es |
| Kontext | 1M Token | — | 1M Token |
| Preis | Deine Hardware oder 1,25 $ / 4,25 $ pro 1M bei Together AI | Deine Hardware | 1,25 $ / 4,25 $ pro 1M (Standard) |
| Muse Code | Läuft laut Meta auf Apple-Hardware; keine dokumentierte Einrichtung | Nicht für Muse Code dokumentiert | Das Standardmodell |
Für wen ist es gedacht?
- Unternehmen und Labore, die Daten auf eigener Infrastruktur halten müssen oder ein großes agentisches Modell feintunen oder destillieren wollen.
- Inferenz-Anbieter — das erklärt die lange Liste der Hoster am Launch-Tag, und auch die Umsatzklausel, die auf sie zielt.
- Besitzer sehr großer Apple- oder GPU-Setups, die schon vor einer offiziellen Dokumentation mit einem lokalen Agenten experimentieren wollen.
Für alle anderen hat sich an den praktischen Optionen nichts geändert: das gehostete Spark 1.3 über Muse Code oder die Meta Model API, wenn du den Agenten willst, und Glimmer, wenn du etwas suchst, das auf einer einzelnen GPU läuft. Wie sich all das gegen konkurrierende Agenten schlägt, zeigt unsere Vergleichsseite.