Muse Spark Open: dá para rodar localmente o modelo de pesos abertos da Meta — e o Muse Code?
A Meta lançou o Muse Spark Open em 15 de outubro: 816B de parâmetros, uma licença própria e uma exigência de hardware que a maioria dos desenvolvedores não consegue atender. Veja o que a licença permite, o que é preciso para rodá-lo e o que a Meta disse — e não disse — sobre usar o Muse Code com ele.
O que a Meta lançou
Em 15 de outubro de 2026, a Meta publicou os pesos do Muse Spark Open, um grande modelo de pesos abertos da família Muse Spark. As principais especificações:
- Tamanho: 816 bilhões de parâmetros no total, 42 bilhões ativos por token (arquitetura mixture-of-experts).
- Contexto: 1 milhão de tokens.
- Entrada: texto, imagens, vídeo e áudio. Saída: texto.
É um lançamento de outra natureza que o do Muse Glimmer, o modelo aberto de 30B que a Meta lançou em 10 de agosto. O Glimmer foi feito para rodar numa única GPU de consumo. O Spark Open foi feito para rodar num data center ou num cluster de workstations parrudas.
A licença, sem juridiquês
O Spark Open sai sob a Muse Model License, uma licença própria escrita pela Meta. Ela não é uma licença open source aprovada pela OSI, então o termo correto é “pesos abertos”. Na prática:
- Você pode rodar, modificar, fazer fine-tuning, destilar e redistribuir o modelo, desde que siga as condições da licença e a política de uso da Meta.
- Você precisa exibir “Built with Muse Spark Open” nos produtos que o utilizam.
- Se você é um grande host de modelos — uma empresa com mais de US$ 20 milhões de receita bruta em 12 meses oferecendo o modelo como negócio de model serving —, precisa notificar a Meta e assinar um acordo separado.
- As saídas são suas. A Meta não reivindica a propriedade do que o modelo gera.
Para a maioria dos times, a cláusula de receita não se aplica. Provedores de hospedagem e revendedores devem lê-la por inteiro. O Glimmer, em comparação, é Apache 2.0, sem selo de atribuição e sem limite de receita.
De que hardware ele precisa de verdade?
Muito. A orientação da Meta é de cerca de 700 GB de memória de acelerador em precisão NVFP4 e uns 2 TB em BF16. Os 42B de parâmetros ativos deixam cada token relativamente barato de calcular, mas os 816B de parâmetros precisam ficar todos na memória.
A demo da própria Meta usou dois Mac Studio com M5 Ultra — com até 512 GB de memória cada — rodando o modelo com MLX. É o setup mais acessível que a Meta mostrou, e ainda assim exige duas máquinas topo de linha. O Spark Open não é modelo para notebook, e uma única GPU gamer de ponta não dá conta dele.
Onde conseguir
- Pesos: Hugging Face (com acesso restrito,
meta-models/Muse-Spark-Open-816B-A42B), Amazon SageMaker AI, Google Cloud Model Garden e Microsoft Foundry. - Engines de inferência: SGLang, vLLM, TensorRT-LLM, Transformers, MLX, llama.cpp e Unsloth. Para fine-tuning, a Meta indica o TorchTitan.
- APIs hospedadas: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI. A Together cobra US$ 1,25 de entrada, US$ 0,15 de entrada em cache e US$ 4,25 de saída por 1M de tokens. A Groq limita o contexto a 131K tokens, em vez do 1M completo.
O preço da Together é o mesmo que a Meta cobra pelo muse-spark-1.3 hospedado. Se tudo o que você quer é acesso por token, os pesos abertos não saem mais baratos. Eles compensam quando você precisa hospedar por conta própria, fazer fine-tuning ou manter os dados no seu próprio hardware.
Como ele se sai nos benchmarks?
A tabela de lançamento da Meta, com a ressalva de sempre de que são números do próprio fornecedor:
| Benchmark | Muse Spark Open | Observação da tabela da Meta |
|---|---|---|
| Terminal-Bench 2.1 | 76,4 | Kimi K3 lidera com 85,0 |
| MCP-Atlas | 89,2 | Lidera a comparação |
| JobBench | 61,8 | Lidera a comparação |
| Artificial Analysis Intelligence Index | 39 | Abaixo do GLM-5.3 (45) e do MiMo-V2.6-Pro (46) |
O Spark Open parece mais forte em uso de ferramentas e tarefas de agente, e mais fraco em medidas de inteligência geral que os melhores modelos abertos rivais. Para comparar, a VentureBeat colocou o Spark 1.3 hospedado em 61 no mesmo índice, como registramos no nosso texto sobre o Spark 1.3. O modelo aberto não é uma cópia gratuita do carro-chefe.
Dá para rodar o Muse Code localmente com ele?
Em parte — segundo a Meta, mas ainda sem instruções da Meta. A empresa diz que o Muse Code roda sobre o Spark Open em fluxos agênticos no próprio dispositivo, em hardware Apple. As demos mostraram o agente editando o app Ice Cubes, cliente do Mastodon, e operando o DaVinci Resolve.
O que a Meta não publicou é um passo a passo: não existe uma configuração documentada de provedor local que diga como apontar o Muse Code para um endpoint do Spark Open hospedado por você. O CLI 1.4.2 acrescentou as flags --provider e --model ao muse serve, mas a Meta não as documenta como caminho para um servidor local do Spark Open. Então:
- Muse Code totalmente offline é algo que a Meta demonstrou, não documentou. Conte com experimentação e não planeje uma implantação no time em cima disso por enquanto.
- O hardware é o limite real. A demo documentada precisou de dois Mac Studio com muita memória.
- Os modelos da assinatura não vêm junto. Rodar localmente não dá acesso ao Muse Wonder nem ao Wonder Full; esses são só hospedados.
Se isso mudar, vai aparecer na documentação e no nosso changelog.
Spark Open vs. Muse Glimmer vs. Spark 1.3 hospedado
| Muse Spark Open | Muse Glimmer | Muse Spark 1.3 (hospedado) | |
|---|---|---|---|
| Lançamento | 15 de outubro de 2026 | 10 de agosto de 2026 | 2 de setembro de 2026 |
| Tamanho | 816B no total, 42B ativos | 30B | — |
| Licença | Muse Model License (própria) | Apache 2.0 | Proprietária, só via API e produtos da Meta |
| Hardware | ~700 GB (NVFP4) a ~2 TB (BF16) | Uma GPU de consumo, ~20 GB quantizado | Nenhum — a Meta hospeda |
| Contexto | 1M de tokens | — | 1M de tokens |
| Preço | Seu hardware, ou US$ 1,25 / US$ 4,25 por 1M na Together AI | Seu hardware | US$ 1,25 / US$ 4,25 por 1M (standard) |
| Muse Code | A Meta diz que roda em hardware Apple; sem setup documentado | Não documentado para o Muse Code | O modelo padrão |
Para quem ele é?
- Empresas e laboratórios que precisam manter os dados na própria infraestrutura, ou querem fazer fine-tuning ou destilar um grande modelo agêntico.
- Provedores de inferência, o que explica a longa lista de hosts no dia do lançamento — e a cláusula de receita voltada a eles.
- Donos de setups Apple ou de GPU muito grandes que querem experimentar com um agente local antes da documentação oficial.
Para todo o resto, as opções práticas não mudaram: o Spark 1.3 hospedado, pelo Muse Code ou pela Meta Model API, se você quer o agente, e o Glimmer, se você quer algo que rode numa GPU só. Nossa página de comparação mostra como tudo isso se compara aos agentes rivais.