Meta publie Muse Spark Open, un modèle de 816 B aux conditions commerciales restrictives

Meta a publié Muse Spark Open le 15 octobre 2026, introduisant un immense modèle de 816 milliards de paramètres conçu pour des tâches agentiques complexes. L'entreprise positionne cette sortie comme le modèle à poids ouverts le plus performant issu des États-Unis, visant à égaler ou surpasser les performances des alternatives chinoises leaders tout en maintenant une structure de licence distincte.

Ce qu'il s'est passé

Le nouveau modèle dispose de 42 milliards de paramètres actifs et prend en charge une fenêtre de contexte d'un million de jetons. Meta a rendu les poids disponibles au téléchargement via les principales plateformes, notamment Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face et le catalogue de modèles Microsoft Foundry. Les développeurs peuvent également accéder au modèle via des API fournies par des prestataires tels que Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter et Together AI.

Bien que les poids soient accessibles au public, la licence associée, la Muse Model License, impose des restrictions commerciales spécifiques. Les entreprises générant plus de 20 millions de dollars de chiffre d'affaires brut sur toute période consécutive de douze mois doivent notifier Meta et conclure un accord écrit séparé avant de proposer le modèle ou ses dérivés en tant que service. Ce seuil limite effectivement le déploiement commercial sans restriction aux entités plus petites et à l'usage interne en entreprise.

La licence exige également que tout produit ou service construit utilisant Muse Spark Open affiche de manière proéminente la mention « Built with Muse Spark Open » dans son interface utilisateur. Ces termes reflètent les restrictions observées dans les récentes licences de concurrents chinois comme Moonshot pour Kimi K3. La politique interdit explicitement les déploiements militaires et dans les infrastructures critiques, une contrainte que Meta avait déjà introduite pour ses modèles Llama en 2024, mais elle n'inclut pas les interdictions d'utilisation plus larges présentes dans certaines politiques concurrentes.

Comment cela fonctionne

Muse Spark Open utilise une architecture éparse où seuls 42 milliards de ses 816 milliards de paramètres sont actifs lors de chaque étape d'inférence. Cette conception permet au modèle de maintenir une vaste base de connaissances et une capacité de raisonnement tout en réduisant le coût computationnel par jeton par rapport aux modèles denses de taille totale similaire. La fenêtre d'un million de jetons permet au modèle de traiter des bases de code étendues, des documents longs ou des flux de travail agentiques multi-étapes sans perdre le contexte.

Meta a optimisé le modèle pour le codage et le travail agentique, en se concentrant sur les tâches à long terme et le raisonnement multi-étapes. Pour démontrer sa viabilité locale, Meta a collaboré avec Apple pour exécuter le modèle sur deux unités Mac Studio équipées de puces M5 Ultra et de 512 Go de mémoire chacune, reliées entre elles à l'aide du framework MLX. Cette configuration a permis à Meta d'alimenter Muse Code et de diffuser des mises à jour vers le client Mastodon Ice Cubes, bien que ce matériel reste prohibitif pour la plupart des développeurs individuels.

Détails clés

• Taille du modèle : 816 milliards de paramètres au total avec 42 milliards de paramètres actifs.
• Fenêtre de contexte : Prend en charge jusqu'à un million de jetons.
• Seuil de revenus : Les entreprises ayant un chiffre d'affaires annuel brut supérieur à 20 millions de dollars doivent signer un accord séparé pour les offres de services.
• Exigence d'attribution : Les produits doivent afficher « Built with Muse Spark Open » dans l'interface utilisateur.
• Disponibilité : Les poids sont sur Hugging Face, SageMaker, Google Cloud et Microsoft Foundry ; les API sont disponibles via huit grands fournisseurs.
• Démo matérielle : Exécution locale sur deux Mac Studios avec des puces M5 Ultra et 512 Go de RAM chacun.

Pourquoi c'est important

Pour les ingénieurs logiciels et les fondateurs techniques, Muse Spark Open représente une option haute performance pour les flux de travail agentiques qui rivalisent avec les modèles chinois comme Kimi K3, GLM 5.3 et Qwen3.8. Dans les benchmarks axés sur l'utilisation d'outils et les tâches agentiques, tels que JobBench et MCP-Atlas, Muse Spark Open devance ces concurrents. Cependant, il reste en retrait dans les benchmarks de codage pur, obtenant un score de 76,4 sur Terminal-Bench 2.1 contre 85,0 pour Kimi K3. Cela suggère que le modèle est mieux adapté aux tâches de raisonnement complexes et multi-étapes plutôt qu'à la génération de code brute seule.

La structure de licence introduit une frontière de conformité claire pour les startups en croissance. Alors que l'usage interne et l'intégration dans des produits propriétaires restent gratuits pour tous, le franchissement du seuil de 20 millions de dollars de revenus déclenche une exigence de négociation pour les offres basées sur des services. Cela crée une voie prévisible pour la mise à l'échelle mais ajoute des charges juridiques pour les entreprises à succès. La clause d'attribution obligatoire impacte également la conception des produits, nécessitant une marque visible qui peut ne pas s'aligner avec toutes les stratégies de marque blanche.

Ce que vous pouvez faire

• Évaluez Muse Spark Open pour les tâches agentiques et le raisonnement en contexte long où il surpasse les rivaux américains comme Inkling de Thinking Machines.
• Vérifiez le chiffre d'affaires brut de votre entreprise par rapport au seuil de 20 millions de dollars pour déterminer si un accord séparé avec Meta est requis pour les offres de services commerciaux.
• Implémentez l'attribution requise « Built with Muse Spark Open » dans votre interface utilisateur si vous déployez le modèle ou ses dérivés.
• Testez le modèle via des fournisseurs d'API comme Fireworks AI ou Groq avant de vous engager sur les coûts d'infrastructure locale.
• Tenez compte de l'écart de performance en codage si votre cas d'usage principal est la génération de code autonome, car il reste derrière Kimi K3 et GLM 5.3 sur les benchmarks pertinents.
• Surveillez les exigences matérielles si vous planifiez un déploiement local, notant que la performance optimale exige actuellement des configurations haut de gamme comme deux Mac Studios avec 512 Go de RAM.