Muse Spark Open: bisakah model open-weight Meta, dan Muse Code, dijalankan secara lokal?
Meta merilis Muse Spark Open pada 15 Oktober: 816B parameter, lisensi khusus, dan kebutuhan hardware yang tak terjangkau kebanyakan developer. Ini yang dibolehkan lisensinya, apa yang dibutuhkan untuk menjalankannya, dan apa yang sudah dan belum dikatakan Meta soal menjalankan Muse Code di atasnya.
Apa yang dirilis Meta
Pada 15 Oktober 2026, Meta memublikasikan weight Muse Spark Open, model open-weight berukuran besar dari keluarga Muse Spark. Spesifikasi utamanya:
- Ukuran: total 816 miliar parameter, 42 miliar aktif per token (desain mixture-of-experts).
- Konteks: 1 juta token.
- Input: teks, gambar, video, dan audio. Output: teks.
Ini jenis rilis yang berbeda dari Muse Glimmer, model terbuka 30B yang dirilis Meta pada 10 Agustus. Glimmer dirancang untuk berjalan di satu GPU kelas konsumen. Spark Open dirancang untuk berjalan di data center atau di klaster workstation yang serius.
Lisensinya dalam bahasa sederhana
Spark Open dirilis di bawah Muse Model License, lisensi khusus yang ditulis Meta. Ini bukan lisensi open-source yang disetujui OSI, jadi istilah yang tepat adalah “open-weight”. Singkatnya:
- Kamu boleh menjalankan, memodifikasi, fine-tune, distill, dan mendistribusikan ulang model ini, asalkan mengikuti ketentuan lisensi dan kebijakan penggunaan Meta.
- Kamu wajib mencantumkan “Built with Muse Spark Open” di produk yang memakainya.
- Kalau kamu host model berskala besar — perusahaan dengan pendapatan kotor lebih dari $20 juta dalam 12 bulan dari menawarkan model ini sebagai bisnis model-serving — kamu wajib memberi tahu Meta dan menandatangani perjanjian terpisah.
- Output-nya milikmu. Meta tidak mengklaim kepemilikan atas apa yang dihasilkan model.
Bagi sebagian besar tim, klausul pendapatan itu tidak berlaku. Penyedia hosting dan reseller sebaiknya membacanya secara lengkap. Glimmer, sebaliknya, berlisensi Apache 2.0, tanpa label atribusi dan tanpa ambang pendapatan.
Hardware apa yang sebenarnya dibutuhkan?
Banyak. Panduan Meta: sekitar 700 GB memori akselerator di presisi NVFP4 dan sekitar 2 TB di BF16. 42B parameter aktif membuat komputasi per token relatif murah, tapi seluruh 816B parameter tetap harus berada di memori.
Demo Meta sendiri memakai dua Mac Studio M5 Ultra — masing-masing dengan memori hingga 512 GB — yang menjalankan model lewat MLX. Itulah setup paling terjangkau yang pernah ditunjukkan Meta, dan tetap butuh dua mesin kelas teratas. Spark Open bukan model untuk laptop, dan satu GPU gaming kelas atas pun tidak akan sanggup menjalankannya.
Di mana mendapatkannya
- Weight: Hugging Face (gated,
meta-models/Muse-Spark-Open-816B-A42B), Amazon SageMaker AI, Google Cloud Model Garden, dan Microsoft Foundry. - Inference engine: SGLang, vLLM, TensorRT-LLM, Transformers, MLX, llama.cpp, dan Unsloth. Untuk fine-tuning, Meta mengarahkan ke TorchTitan.
- API hosted: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter, dan Together AI. Together mencantumkan $1,25 input, $0,15 cached input, dan $4,25 output per 1M token. Groq membatasi konteks di 131K token, bukan 1M penuh.
Harga Together sama persis dengan tarif Meta sendiri untuk muse-spark-1.3 versi hosted. Kalau yang kamu butuhkan cuma akses per token, open weight tidak membuatnya lebih murah. Nilainya baru terasa kalau kamu perlu self-host, fine-tune, atau menyimpan data di hardware milikmu sendiri.
Bagaimana skornya?
Tabel peluncuran Meta, dengan catatan yang biasa: ini angka dari vendornya sendiri.
| Benchmark | Muse Spark Open | Catatan dari tabel Meta |
|---|---|---|
| Terminal-Bench 2.1 | 76,4 | Kimi K3 memimpin di 85,0 |
| MCP-Atlas | 89,2 | Memimpin perbandingan |
| JobBench | 61,8 | Memimpin perbandingan |
| Artificial Analysis Intelligence Index | 39 | Di bawah GLM-5.3 (45) dan MiMo-V2.6-Pro (46) |
Spark Open tampak paling kuat di penggunaan tool dan tugas bergaya agent, dan lebih lemah di ukuran kecerdasan keseluruhan dibanding model terbuka pesaing terbaik. Sebagai pembanding, VentureBeat menempatkan Spark 1.3 versi hosted di angka 61 pada indeks yang sama, seperti dicatat di ulasan Spark 1.3 kami. Model terbuka ini bukan salinan gratis dari model andalannya.
Bisakah Muse Code dijalankan lokal di atasnya?
Sebagian — menurut klaim Meta, tapi belum dengan panduan dari Meta. Meta bilang Muse Code berjalan di atas Spark Open untuk workflow agentik on-device di hardware Apple. Demonya memperlihatkan agent mengedit aplikasi Mastodon Ice Cubes dan mengoperasikan DaVinci Resolve.
Yang belum dipublikasikan Meta adalah panduan langkah demi langkah: tidak ada konfigurasi provider lokal yang terdokumentasi untuk mengarahkan Muse Code ke endpoint Spark Open yang di-host sendiri. CLI 1.4.2 menambahkan flag --provider dan --model ke muse serve, tapi Meta tidak mendokumentasikannya sebagai jalur ke server Spark Open lokal. Jadi:
- Muse Code yang sepenuhnya offline baru didemokan Meta, belum didokumentasikan. Siap-siap bereksperimen, dan jangan rencanakan rollout untuk tim di atasnya dulu.
- Hardware adalah batas yang sesungguhnya. Demo yang terdokumentasi butuh dua Mac Studio bermemori besar.
- Model langganan tidak ikut. Menjalankan secara lokal tidak memberimu Muse Wonder atau Wonder Full; keduanya hanya tersedia versi hosted.
Kalau ada perubahan, kabarnya akan muncul di docs dan changelog kami.
Spark Open vs. Muse Glimmer vs. Spark 1.3 versi hosted
| Muse Spark Open | Muse Glimmer | Muse Spark 1.3 (hosted) | |
|---|---|---|---|
| Dirilis | 15 Oktober 2026 | 10 Agustus 2026 | 2 September 2026 |
| Ukuran | Total 816B, 42B aktif | 30B | — |
| Lisensi | Muse Model License (khusus) | Apache 2.0 | Proprietary, hanya lewat API dan produk Meta |
| Hardware | ~700 GB (NVFP4) sampai ~2 TB (BF16) | Satu GPU konsumen, ~20 GB setelah di-quantize | Tidak perlu — di-host Meta |
| Konteks | 1M token | — | 1M token |
| Harga | Hardware-mu sendiri, atau $1,25 / $4,25 per 1M di Together AI | Hardware-mu sendiri | $1,25 / $4,25 per 1M (standard) |
| Muse Code | Meta bilang jalan di hardware Apple; belum ada panduan setup | Tidak didokumentasikan untuk Muse Code | Model default |
Untuk siapa?
- Enterprise dan lab yang wajib menyimpan data di infrastruktur sendiri, atau ingin fine-tune maupun distill model agentik berukuran besar.
- Penyedia inference, yang menjelaskan panjangnya daftar host di hari peluncuran — dan klausul pendapatan yang ditujukan untuk mereka.
- Pemilik setup Apple atau GPU yang sangat besar yang ingin bereksperimen dengan agent lokal sebelum ada dokumentasi resmi.
Bagi selain itu, pilihan praktisnya tidak berubah: Spark 1.3 versi hosted lewat Muse Code atau Meta Model API kalau kamu butuh agent-nya, dan Glimmer kalau kamu ingin sesuatu yang jalan di satu GPU. Halaman perbandingan kami menunjukkan posisi semuanya dibanding agent-agent pesaing.