10月15日，Meta AI Research发布Muse Spark Open开放权重模型，定位于编程、长周期智能体任务和多步推理。Meta称，该模型采用原生多模态架构，总参数量8160亿、每个令牌激活参数约420亿，并支持100万令牌上下文窗口。Meta官方发布说明
这次发布的重点不只是模型规模，而是将“可运行的智能体”作为主要使用场景。Meta表示，Muse Spark Open可用于复杂软件工程任务，并在本地驱动Muse Code完成开源iOS应用的缺陷修复、新功能开发和完整构建；在视频编辑场景中，模型还被用于逐帧检查素材、挑选片段并生成竖屏裁剪结果。这些案例属于厂商展示，不能等同于独立评测或普遍可复现的生产效果。
在部署方面，Meta称该模型已通过多家API平台提供服务，权重也可从多个模型平台下载，并适配SGLang、vLLM、TensorRT-LLM、Transformers、MLX等推理框架。官方特别强调，借助MLX，模型可以在两台配备M5 Ultra芯片的Mac Studio上运行。其核心依据是统一内存：每台设备最多可使用512GB内存，两台设备合计能够容纳完整模型。但这并不意味着普通开发者可以低成本部署，硬件采购、模型加载、并行推理、散热和持续运行成本仍可能成为实际门槛。
从行业角度看，Muse Spark Open反映出开放权重模型的竞争重点正从“能否对话”转向“能否持续执行任务”。超长上下文有助于处理大型代码库、长流程文档和多轮工具调用，但智能体的可靠性还取决于规划、状态管理、权限控制、工具调用和错误恢复，单纯扩大参数量并不能自动解决这些问题。Meta还表示，该模型采用限制性商业条款，并经过额外安全训练和风险评估；具体安全表现及独立复核结果仍需结合模型卡和后续评测判断。
创业者和行业观察者应关注什么：
1. 任务完成率：重点看智能体能否在较少人工介入下完成真实软件工程流程，而不是只看单轮基准分数。
2. 部署经济性：比较API调用、云端推理与本地双机部署的总成本，尤其关注长上下文和持续运行带来的费用。
3. 工具与权限：评估模型访问代码仓库、文件、终端和外部服务时是否具备细粒度授权、日志审计和中断机制。
4. 开放程度：区分“开放权重”、可修改性和商业许可范围，确认模型能否用于目标产品及再分发。
总结：Muse Spark Open把开放权重模型进一步推向长流程编程和本地智能体方向，降低了部分开发者接触大规模模型的门槛，但其实际价值仍取决于硬件成本、推理效率、许可限制和任务可靠性。现阶段更适合将其视为面向智能体开发的基础模型选项，而不是已经被独立验证的通用生产力方案。
事件及资料日期：事件发生及Meta官方发布于2026年10月15日；资料核验日期为2026年10月17日。
资料来源：Meta AI Research，《Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date》，发布日期：2026-10-15。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
