Meta「Muse Spark Open」とは？仕様・ライセンス・Mac Studioでの動かし方
Metaは2026年10月15日、Muse Spark Openを公開しました。総パラメータ数8160億（816B）、アクティブパラメータ420億（42B）の混合エキスパート（MoE）モデルで、100万トークンのコンテキストウィンドウを備え、重みはHugging Faceからダウンロードできます。Metaの主力であるMuse Sparkシリーズとしては初のオープンリリースで、Appleは同日、2台のMac Studioで動かすための手順を公開しました。ただしMeta自身の数値でも、コーディング性能では中国の最上位オープンモデルに及ばず、ライセンスにはホスティング企業を対象とした売上条項が含まれています。
要点
- Muse Spark Openは、ネイティブにマルチモーダルなオープンウェイトの推論モデルです（総パラメータ816B、アクティブ42B、256のエキスパートのうちトークンごとに8つが稼働）。テキスト、画像、動画、音声を入力でき、テキストを出力します。
- Metaのモデルカードによると、Artificial Analysis Intelligence Indexのスコアは39で、GLM 5.3（45）、Kimi K3（44）、Qwen3.8（40）を下回ります。一方、ツール利用（MCP-Atlas 89.2）と、Metaが報告した安全性テストではトップです。
- NVFP4の重みをサーバーで動かすには、少なくとも700GBのGPUメモリが必要です。Appleの計測では、M5 Ultra搭載のMac Studio 2台で毎秒約25トークン、4台で約37トークンでした。
- Muse Model Licenseはほとんどの開発者にとって無料ですが、売上2000万ドル超の企業が「model-as-a-service」としてホスティング提供する場合は、Metaとの別途契約が必要です。
- OpenRouterでの価格は、入力100万トークンあたり1.25ドル、出力100万トークンあたり4.25ドルです。
Metaが実際に公開したもの
Muse Spark Openを開発したのは、Meta Superintelligence Labs（MSL）です。マーク・ザッカーバーグ氏が2025年6月に設立した組織で、元Scale AI CEOのアレクサンダー・ワン氏が最高AI責任者を務めています。MSL初のモデルであるMuse Sparkは2026年4月8日、Meta AIアシスタントを支えるクローズドモデルとして登場しました。これはオープンなLlamaの伝統からの転換であり、Implicatorによると、ワン氏は5月に、Muse Sparkは安全性チェックに引っかかったため「オープンソース化には適していない」と述べていました。
それから6か月後、Metaはこのモデルをオープンにしました。PyTorchブログによると、Muse Spark OpenはMuse Spark 1.3とベースモデルを共有しています。そのうえで、「システム側のガードレールなしの単体モデルとして」耐えられるよう、追加の安全性ポストトレーニングが施されました。Metaは研究ブログで、このモデルを「現時点で最も高性能な米国製オープンウェイトモデル」と呼んでいます。「米国製」という限定には意味があります。Meta自身のベンチマークの一部でも、中国のオープンモデルのほうが依然として高いスコアを記録しているからです。
また、これはMetaの最高性能モデルでもありません。Implicatorの報道によると、ワン氏は発表時に「これらは私たちが開発・公開してきた中で最も高性能なモデルではない」と語っています。Metaの新しいMuse Wonderモデルは、引き続きクローズドのままです。
Muse Spark Openの仕様とアーキテクチャ
Hugging Faceのモデルカードには、発表記事よりも詳しい情報が掲載されています。
| 項目 | Muse Spark Open |
|---|---|
| 総パラメータ / アクティブパラメータ | 816B / 42B |
| アーキテクチャ | Mixture-of-Experts Transformerと1.8BのPerception Encoder |
| エキスパート | 256（トークンごとに8つが稼働） |
| レイヤー数 | 62 |
| アテンション | Grouped-query（クエリヘッド128、KVヘッド16）、ゲート付きアテンション、QK-norm |
| コンテキストウィンドウ | 推論時100万トークン |
| 入力 / 出力 | テキスト、画像、動画、音声を入力、テキストを出力 |
| 言語 | 100以上の言語のデータで学習 |
| 公開された重み | BF16およびNVFP4 |
| 推論の強度（Reasoning effort） | low、medium、high、xhigh（デフォルトはxhigh） |
混合エキスパート（MoE）とは、モデルを多数の小さな「エキスパート」サブネットワークに分割し、ルーターが各トークンをそのうちの少数だけに振り分ける仕組みです。Muse Spark Openは816Bのパラメータを保持していますが、1トークンあたりに使うのは約42Bです。そのため計算量はおおむね42Bモデル並みですが、メモリは816B分すべてが必要になります。ローカルで動かすのに大量のハードウェアが要るのはこのためです。
Metaによると、このモデルはエージェント型のコーディング、つまり複数ファイルにまたがるリファクタリング、デバッグセッション、長時間にわたるタスク向けに学習されています。PyTorchの記事はさらに、Webの閲覧、サブエージェントの生成と連携、デスクトップ・モバイル・ブラウザをまたいだコンピューター操作も可能だと説明しています。行動に移る前には、何をするつもりなのかを述べる独立したコメンタリーを書き出します。コーディングやエージェント用途では、temperature 1.0、top_p 1.0、推論設定はhighまたはxhighが推奨されています。
ベンチマーク：Muse Spark Openが勝る分野と劣る分野
Meta自身のモデルカードによると、Muse Spark Openはツール利用と安全性ではほかのオープンウェイトモデルを上回る一方、コーディングではKimi K3とGLM 5.3に及びません。数値はすべてxhighの推論強度で測定されたもので、TechCrunchも指摘しているとおり、発表時点ではいずれも第三者による再現は行われていませんでした。
| ベンチマーク | Muse Spark Open | Qwen3.8 | GLM 5.3 | Kimi K3 | Nemotron 3 Ultra |
|---|---|---|---|---|---|
| AA Intelligence Index | 39 | 40 | 45 | 44 | 23 |
| Terminal-Bench 2.1 | 76.4 | 82.0 | 83.9 | 85.0 | 53.9 |
| DeepSWE 1.1 | 60 | 57 | 67 | 68 | n/a |
| MCP-Atlas（ツール利用） | 89.2 | 84.5 | 84.2 | 82.3 | 63.1 |
| JobBench | 61.8 | 52.7 | 61.4 | 54.3 | 27.2 |
| HLE（ツールあり） | 61.0 | 56.2 | 62.5 | 56.0 | 37.4 |
| GPQA Diamond | 89.0 | 93.5 | 91.7 | 93.5 | 86.7 |
| StrongREJECT v2（低いほど安全） | 0.5 | 65.6 | 62.9 | 66.6 | 80.7 |
ターミナル操作とソフトウェアエンジニアリングのテストでは、Muse Spark OpenはKimi K3やGLM 5.3に7〜9ポイントの差をつけられています。一方、ツール呼び出し（MCP-Atlas）、JobBench、そしてツールなしのHLE-Diamond推論テスト（Kimi K3の22.2に対し26.1）では上回っています。最も差が大きいのは安全性です。適応型のジェイルブレイクテストであるStrongREJECT v2で、Metaが報告したMuse Spark Openのスコアは0.5で、表中のほかのオープンモデルは62.9〜80.7でした。
クローズドのMuse Spark 1.3は同じベースモデルを共有しており、ワン氏もオープン版はMetaの最上位モデルではないと述べています。現時点で最も強力なオープンのコーディングモデルが必要なら、Meta自身の表が示す答えはKimi K3かGLM 5.3です。Muse Spark Openの強みは、ツール利用、安全性チューニング、そして米国企業がライセンス元であることにあります。NVIDIAのNemotron 3発表を追っていた方は、Muse Spark Openが最も大きな差をつけて上回っている比較対象がNemotron 3 Ultraである点に注目してください。
Muse Spark Openを動かす：サーバー、API、2台のMac Studio
ハードウェア要件
モデルカードには2つの数値が示されています。NVFP4の重みには少なくとも700GBのVRAM、BF16には少なくとも2TBが必要です。実際には、マルチGPUのサーバーノードが前提になります。Metaは、NVIDIA、AMD、Intel、Appleのハードウェア向けに、SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、Apple MLX、llama.cpp、Unslothでの最適化サポートを挙げています。
PyTorchは、独自のカーネル言語であるHelionで書かれたカスタムカーネルを、RoPEやRMSNormなどの演算向けに提供しました。PyTorchチームの報告によると、NVIDIA GB300ではカーネル単位で1.03〜3.95倍の高速化を実現し、AMD MI350ではエンドツーエンドのスループットが3%向上しました。TorchTitanは、このモデルの教師ありファインチューニング、LoRA、強化学習に対応しています。
Mac Studioでの構成
今回の発表で最も話題になったのは、Appleからの情報です。Appleの機械学習研究の記事では、M5 Ultraチップを搭載した複数のMac Studioを接続してMuse Spark Openを動かす様子が紹介されています。各マシンは最大512GBのユニファイドメモリを搭載でき、帯域幅は1.2TB/sです。NVFP4モデルには約493GBが必要なため、複数台に分割して載せる必要があります。
これを可能にしているのがネットワークです。macOS 26.2ではThunderbolt 5経由の低レイテンシーなRDMAドライバが追加され、MLX v0.30.1以降はjacclバックエンドを通じてこれを利用します。Appleは2種類の並列化方式を試しました。
| 構成（M5 Ultra搭載Mac Studio） | デコード速度 | 最初のトークンまでの時間 |
|---|---|---|
| 2台、パイプライン並列 | 15.74トークン/秒 | 8.4秒 |
| 2台、テンソル並列 | 24.99トークン/秒 | 8.2秒 |
| 4台、テンソル並列 | 36.73トークン/秒 | 4.8秒 |
パイプライン並列は、モデルをレイヤー単位で分割する方式です。テンソル並列は各レイヤーを複数のマシンに分割する方式で、より高速ですが低レイテンシーな接続が必要になります。Appleは、各マシンのペアを2本のThunderboltケーブルで接続しました。なお、これらはAppleのラボで行われた短い生成テストであり、長時間のエージェントセッションではありません。
Appleの記事では、1つのコマンドでモデルをローカルに提供しています。
mlx.launch --hostfile hostfile.json --backend jaccl --env MLX_METAL_FAST_SYNCH=1 -- \
mlx_lm.server --model meta-models/Muse-Spark-Open-816B-A42B-NVFP4 --port 8080
これでhttp://127.0.0.1:8080/v1にOpenAI互換のエンドポイントが公開されます。AppleはこれをOpenCodeエージェントに接続し、ローカルでのコーディングに利用しています。
Implicatorの報道によると、Appleの2台構成の手順が前提とする512GBのMac Studio構成は、発表時点で米国のApple Storeでは「近日発売」と表示されていました。つまり「デスクトップで動く」というMetaの説明は事実ですが、それを所有している開発者はごく少数というデスクトップ環境に限った話です。
ホスティングの選択肢
多くの人はAPIを使うことになるでしょう。Metaは、ローンチ時のプロバイダーとしてBaseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AIを挙げています。Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Modelsからもダウンロードできます。OpenRouterでの価格は入力100万トークンあたり1.25ドル、出力100万トークンあたり4.25ドルで、コンテキストは1,048,576トークンです。
Muse Model License：できること、できないこと
Muse Spark Openは、Apache 2.0やMITでは提供されていません。採用しているのはMuse Model Licenseで、モデルカードには次の条件が明記されています。
- ファインチューニング、派生モデルの作成、蒸留は許可されており、Metaは出力の所有権を主張しません。
- 製品やドキュメントには「Built with Muse Spark Open」と目立つように表示する必要があります。
- 企業とその関連会社がこのモデルをホスティングサービスとして第三者に提供し、任意の12か月間の総売上が2000万ドルを超える場合は、事前にMetaへ通知し、別途契約を結ぶ必要があります。社内利用、研究、自社製品の機能への組み込みは対象外です。
- ユーザー数の上限はありません。Llamaのコミュニティライセンスでは、月間アクティブユーザーが7億人を超えると別途ライセンスが必要でした。Museのライセンスはこの基準をなくし、売上の基準に置き換えています。
- 利用規定（Acceptable Use Policy）により、マルウェア、兵器、なりすましなどの用途は禁止されており、18歳未満のユーザーは利用対象として想定されていません。
モデルの上に製品を構築するスタートアップにとって、この条件は十分に現実的です。一方、アクセスを再販するクラウド企業や推論サービス企業にとっては、2000万ドルのラインこそ弁護士と一緒に確認すべき条項です。ちなみに、Metaが8月に公開した小型モデルのMuse Glimmer（30B）は、通常のApache 2.0ライセンスを採用しています。
開発者にとってMuse Spark Openが意味すること
Muse Spark Openは、100万トークンのコンテキストウィンドウ、音声・動画のネイティブ入力、強力なツール呼び出しを備えた、大規模な米国製オープンウェイトモデルを開発者にもたらします。データ管理のためにセルフホストが必要なチームや、モデルの出自に関する調達ルールがあるチームにとって、Metaは再び有力な選択肢になりました。
とはいえMeta自身の数値でも、コーディングでは依然として中国のモデルがリードしており、自前で動かすにはサーバークラスのメモリか、最上位構成のMacを複数台用意する必要があります。多くのチームにとって現実的なのは、APIを通じて、すでに使っているモデルと自社のタスクで比較検証することです。Mistralのコーディングモデルも比較対象の一つで、Devstral 2とVibe CLIの記事で取り上げています。
よくある質問
Muse Spark Openは無料で商用利用できますか？
おおむね可能です。Muse Model Licenseでは、「Built with Muse Spark Open」の表示を条件に、商用利用、ファインチューニング、蒸留が認められています。例外は、売上2000万ドル超の企業がこのモデルをホスティングサービスとして他者に提供する場合で、事前にMetaとの別途契約が必要です。
Muse Spark Openに必要なメモリはどれくらいですか？
モデルカードによると、NVFP4の重みには少なくとも700GBのGPUメモリ、BF16には少なくとも2TBが必要です。Appleの計測では、MLXでのNVFP4モデルのサイズは約493GBで、Thunderbolt 5で接続した2台または4台のM5 Ultra搭載Mac Studioで動作させています。
Muse Spark OpenはKimi K3やGLM 5.3より優れていますか？
Meta自身のモデルカードによれば、コーディングでは劣ります。Terminal-Bench 2.1のスコアは76.4で、Kimi K3の85.0、GLM 5.3の83.9を下回り、Artificial Analysis Intelligence Indexでも39と、それぞれ44と45に及びません。一方、ツール利用（MCP-Atlas 89.2）と、Metaが報告したジェイルブレイク耐性テストではトップです。
Muse Spark OpenとMuse Sparkの違いは何ですか？
Muse SparkはMetaのクローズドモデルで、2026年4月に初めて公開されました。PyTorchチームによると、Muse Spark OpenはMuse Spark 1.3とベースモデルを共有していますが、Metaのシステムレベルのガードレールなしで動作できるよう、追加の安全性ポストトレーニングが施されています。
Muse Spark Openはどこでダウンロードできますか？
重みはHugging Faceのmeta-models/Muse-Spark-Open-816B-A42Bで公開されているほか、Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Modelsからも入手できます。ホスティング型のAPIとしては、OpenRouter、Together AI、Fireworks AI、Groq、Baseten、Modal、Nebiusが利用できます。
出典
- Meta Research: Introducing Muse Spark Open
- Hugging Face: Muse-Spark-Open-816B-A42B model card
- PyTorch blog: Muse Spark Is Now an Open-Weights Model
- Apple Machine Learning Research: distributed inference with MLX
- TechCrunch: Meta launches an open-weight AI model that runs on Macs
- Implicator: Muse Spark Open trails Chinese rivals at coding
- OpenRouter: Muse Spark Open
- Wikipedia: Meta Superintelligence Labs
- Meta Llama 3 Community License