Nyhet

Meta släpper Muse Spark Open – öppen multimodal AI-modell med 816 miljarder parametrar

Meta har släppt Muse Spark Open, en öppen viktad (open-weight) AI-modell som tar text, bilder, ljud och video som indata och svarar med text. Modellen har cirka 816 miljarder parametrar, varav cirka 42 miljarder är aktiva per token, och hanterar upp till en miljon tokens kontext. Hugging Face presenterade modellen den 15 oktober 2026.

Det viktigaste i korthet

• Muse Spark Open är en open-weight mixture-of-experts-modell från Meta med cirka 816 miljarder parametrar, cirka 42 miljarder aktiva per token.

• Indata kan vara text, bilder, ljud och video. Utdata är text.

• Kontextfönstret är upp till 1 miljon tokens.

• Modellen har 256 experter per MoE-lager, och 8 väljs per token.

• Två checkpoints finns: BF16 (cirka 1,5 TB) och NVFP4 för NVIDIA Blackwell-GPU:er.

• Enligt Hugging Face är modellen den mest kapabla amerikanska open-weight-modellen hittills.

Vad har hänt

Muse Spark Open är den största modellen i Metas Muse-serie. I augusti släppte Meta Muse Glimmer, en liten tät modell avsedd för lokal körning. Muse Spark Open använder samma tokenizer och ordförråd, men går över till en expertarkitektur i mycket större skala. Enligt Hugging Face är Muse Spark Open den mest kapabla amerikanska open-weight-modellen hittills.

Meta beskriver modellen som optimerad för kodning och tränad på verkliga utvecklararbetsflöden, till exempel refaktorering över flera filer och långa felsökningspass. Den är byggd för agentarbete: planera, agera, observera och rätta sig själv under långa uppgifter, även med webbsurfning med bilder. Samma modell kan läsa en skärmdump, lyssna på ett röstmeddelande eller titta på en skärminspelning medan den arbetar med kod. Den kan också anropa verktyg, både med enbart text och med multimodala indata.

Arkitekturen har 62 lager och dimensionen 8192. I varje lager ersätts det täta nätverket från Muse Glimmer av ett MoE-block med 256 experter, där en router väljer 8 per token. Experterna står för cirka 97 procent av parametrarna. Alla experter måste ligga i minnet, så driften kräver minne för en modell på 816 miljarder parametrar, men hastigheten motsvarar en modell på 42 miljarder, enligt Hugging Face.

Bilder och videobildrutor omvandlas av en perception encoder med 1,8 miljarder parametrar. Nytt jämfört med Muse Glimmer är en ljudkodare: den ger en ljudtoken var 80:e millisekund, alltså 12,5 per sekund, och processorn förväntar sig mono vid 24 kHz. Därmed kan video med ljud hanteras. Video samplas som standard med 2 bilder per sekund, högst 96 bildrutor, och inställningen kan ändras.

BF16-checkpointen är cirka 1,5 TB. NVFP4-varianten lagrar parametrarna i 4 bitar med försumbar noggrannhetsförlust, enligt Hugging Face. I transformers körs BF16 på fyra noder med åtta H200-GPU:er vardera, medan NVFP4 körs på en enda B200-nod. Recept finns för llama.cpp, vLLM och SGLang. KV-cachen för en full kontext på en miljon tokens uppskattas till cirka 266 GB.

Resonemangsnivån kan ställas till low, medium, high eller xhigh (standard). Det går inte att stänga av resonemang helt.

Vad det betyder för dig i Sverige

Källan tar inte upp något specifikt om Sverige. Eftersom modellens vikter är öppna och beskrivs med stöd i transformers, llama.cpp, vLLM och SGLang kan svenska utvecklare och företag i princip testa den med vanliga verktyg. Kraven på hårdvara är dock höga: även den komprimerade NVFP4-varianten kräver enligt källan en B200-nod. För den som vill köra AI lokalt pekar källan i stället på den mindre Muse Glimmer.

Det här vet vi inte än

Källan anger ingen licens, inga priser och ingen tillgänglighet i Sverige eller EU. Den redovisar inga jämförande prestandaresultat som styrker påståendet om att modellen är den mest kapabla amerikanska open-weight-modellen. Det framgår inte heller hur bra modellen hanterar svenska. Inlägget säger sig visa hur man finjusterar modellen och vad Hugging Face byggt med den, men den delen ingår inte i den tillgängliga texten.