Meta veröffentlicht Muse Spark Open mit 816 Milliarden Parametern, davon rund 42 Milliarden aktiv pro Token. Nach Angaben des Herstellers läuft das multimodale Modell mit MLX vollständig auf zwei Apple M5 Ultra Mac Studios. Meta bezeichnet es als sein bislang leistungsfähigstes US-amerikanisches Open-Weight-Modell. Die Aussage zum lokalen Betrieb stammt aus den Herstellertests; ein eigener Hardwaretest liegt diesem Beitrag nicht zugrunde.
Hinter der Veröffentlichung steht Meta, erkennbar an der Hugging-Face-Sammlung mit dem Präfix meta-models und an dem Sicherheitsrahmen, den das Unternehmen in der Ankündigung nennt: Meta Superintelligence Scaling Framework. Entscheidend ist weniger die Zahl der Parameter als der Ort, an dem das Modell laufen soll. Ein Modell dieser Größenklasse war bislang etwas für Rechenzentren. Nun soll es auf dem eigenen Schreibtisch laufen, genauer gesagt auf zwei Apple M5 Ultra Mac Studios, angebunden über das MLX-Framework. Wer sich in den vergangenen zwei Jahren mit offenen Gewichten beschäftigt hat, kennt das Muster: Die interessanten Modelle waren meist kleiner als die geschlossenen Spitzenmodelle, oder sie kamen aus China. Muse Spark Open versucht, beides gleichzeitig zu adressieren.
Was Muse Spark Open technisch ausmacht
Die wichtigste Zahl ist nicht 816 Milliarden, sondern 42 Milliarden. Muse Spark Open ist ein multimodales Modell mit einem Mixture-of-Experts-Aufbau: In den Gewichten stecken viele spezialisierte Teilnetze, für jedes einzelne Token werden aber nur wenige davon aktiviert. Insgesamt 816 Milliarden Parameter liegen bereit, aktiv sind pro Rechenschritt etwa 42 Milliarden. Für die Praxis heißt das: Pro Token wird nur ein Teil der Gewichte berechnet. Das reduziert die aktive Rechenarbeit gegenüber einem dichten Modell gleicher Gesamtgröße; die Qualität folgt daraus nicht automatisch.
Der zweite Baustein ist das Kontextfenster von einer Million Token. Ein Token ist grob ein Wortstück, in Code eher ein paar Zeichen. Eine Million davon entspricht ungefähr einem mittelgroßen Softwareprojekt, mehreren hundert Seiten Dokumentation oder einer langen Folge von Werkzeugaufrufen, im Kontextfenster. Das garantiert noch nicht, dass das Modell jede Information daraus zuverlässig nutzt. Genau dort lag bisher die Schwachstelle agentischer Systeme: Sie verlieren nach einigen Dutzend Schritten den Faden, wiederholen Arbeit oder vergessen eine Bedingung, die vor zwanzig Minuten genannt wurde. Ein großes Kontextfenster löst das nicht von allein, es verschiebt aber die Grenze, ab der ein Modell den Überblick verliert.
Drittens ist Muse Spark Open von Anfang an multimodal angelegt, also nicht nachträglich um Bildverständnis erweitert. Bilder, Screenshots und Videoframes gehören zum normalen Eingabematerial, ebenso Text und Code. In der Ankündigung steht das etwas sperrig als tool-assisted multimodal evaluations. Gemeint ist ein einfacher Punkt: Das Modell kann eine Oberfläche ansehen, ein Protokoll lesen und daraus ableiten, was als Nächstes zu tun ist. Für Automatisierung ist das der Unterschied zwischen einem Textgenerator und einem Werkzeug, das einen Rechner bedienen kann.
Zwei Mac Studios als ein einziger Rechner
Der Apple M5 Ultra Mac Studio ist die Hardware, für die diese Version ausdrücklich optimiert wurde. Apples Unified-Memory-Architektur erlaubt es der integrierten GPU, auf bis zu 512 GB Arbeitsspeicher pro Gerät zuzugreifen, den dieselbe Speicherbank versorgt wie die CPU. Zwei solcher Maschinen ergeben zusammen ein Terabyte zusammenhängenden Speicher, und damit lässt sich ein Modell dieser Größe komplett im Speicher halten. Dabei zählt weniger die reine Rechenleistung als die Bandbreite: 1,2 TB/s pro Chip reichen, um jedem Token die kleine Scheibe an Gewichten zuzuführen, die er tatsächlich braucht.
Nicht die Rechenkerne sind das Problem, sondern der Nachschub an Gewichten. Ist der Speicherpfad zu schmal, stehen die Rechenwerke still, egal wie schnell sie arbeiten könnten. Daran scheitern viele Versuche, große Modelle lokal zu betreiben. Apples Antwort ist die Kombination aus sehr breitem Speicherpfad und einem Speicher, der groß genug für das gesamte Modell ist, statt es stückweise von einer Festplatte nachzuladen.
Die Verbindung zwischen den beiden Maschinen übernimmt das MLX-Framework, das in seiner aktuellen Version für genau diesen Fall optimiert wurde. Für Anwender ist die Startstrecke kurz: Der MLX-Adapter zieht die Gewichte direkt von Hugging Face, es braucht keine Konvertierungsschritte und kein eigenes Verteilsystem. Zwei Mac Studios verhalten sich danach wie ein einzelner Rechner mit einem Terabyte vereinheitlichtem Speicher. Wer diese Hardware nicht besitzt, kann Muse Spark Open trotzdem nutzen, nur über andere Wege.
Agentische KI im echten Projekt statt im Demo-Video
Der Hersteller beschreibt zwei Tests, die bewusst nicht nach Benchmark aussehen. Im ersten Fall arbeitete das Modell über das eigene Coding-Werkzeug an Ice Cubes, einem quelloffenen Mastodon-Client für iOS, und lieferte echte Änderungen ab: Fehlerbehebungen, neue Funktionen und einen vollständigen Build, alles auf dem Gerät. Im zweiten Fall steuerte es DaVinci Resolve von Anfang bis Ende, sah sich Material Frame für Frame an, suchte die stärksten Momente heraus und schnitt sie ins vertikale Format. Das ist ein anderer Anspruch als eine Chat-Antwort. Ein agentisches System muss ein Ziel halten, Zwischenergebnisse prüfen, Fehler bemerken und einen mehrstufigen Plan durchziehen, ohne bei der ersten unerwarteten Meldung stehen zu bleiben.
Das ist mit agentischer KI gemeint, wenn der Begriff nicht als Werbewort verwendet wird. Das Modell plant Schritte, ruft Werkzeuge auf, liest deren Ausgaben und korrigiert sich. Je länger eine solche Kette wird, desto mehr Fehler summieren sich, weshalb lange Aufgaben die eigentliche Prüfung sind. Ein Modell, das in zehn Schritten gut aussieht, aber bei hundert auseinanderfällt, ist für echte Entwicklungsarbeit wenig wert. Die genannten Beispiele sind Versuche des Herstellers, nicht unabhängig geprüft. Sie zeigen, worauf Muse Spark Open ausgerichtet ist: Coding, Softwareentwicklung und Aufgaben, die über Stunden laufen, statt über Sekunden.
Benchmarks, Lizenz und der Weg auf die eigene Maschine
Zur Einordnung veröffentlicht der Hersteller eine Vergleichstabelle, in der Muse Spark Open gegen Inkling, Nemotron 3 Ultra, Beam, Mistral 4 Large, Qwen3.8-2.4T-A95B, GLM 5.3 und Kimi K3 antritt. Gemessen wird in vier Gruppen: agentische Aufgaben, Wissen und Reasoning, Coding sowie multimodal unterstützte Werkzeugnutzung. Solche Tabellen sind Momentaufnahmen und ersetzen keine eigene Prüfung, zumal die Auswahl der Aufgaben das Ergebnis mitbestimmt. Wer damit arbeiten will, sollte den angekündigten Methodikbericht lesen, bevor er Schlüsse für ein konkretes Projekt zieht.
Bei der Lizenz lohnt der zweite Blick. Die Gewichte erscheinen unter der Muse Model License mit eingeschränkten kommerziellen Bedingungen, die vielen Entwicklern eine kostenlose Nutzung erlauben. Kostenlos ist also nicht dasselbe wie bedingungslos. Wer das Modell in ein Produkt einbaut oder als Dienst anbietet, muss die Bedingungen im Detail prüfen, statt sich auf die Kurzfassung in der Ankündigung zu verlassen. Das ist keine Besonderheit dieses Modells, sondern der Normalfall bei offenen Gewichten aus großen Häusern.
Die Bezugswege sind breit aufgestellt. Über API-Plattformen wie Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter und Together AI lässt sich das Modell ausprobieren, ohne eigene Hardware. Die Gewichte selbst gibt es über Amazon SageMaker AI, den Google Cloud Model Garden, Hugging Face und Microsoft Foundry Models. Als Inferenz-Engines werden SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp und Unsloth genannt, mit Optimierungen für AMD, Apple, Intel und NVIDIA. Dazu kommen anpassbare Helion-GPU-Kernel in SGLang, die laut Hersteller das 1,03- bis 3,95-Fache auf Kernel-Ebene und drei Prozent Ende-zu-Ende auf AMD MI350 bringen. Wer nachtrainieren will, nutzt PyTorch mit TorchTitan.
Sicherheit, Kontrolle und die zwei Seiten offener Gewichte
Der Hersteller argumentiert, offene Gewichte seien ein Teil davon, wie Sicherheitsarbeit im Feld vorankommt, und verweist auf zusätzliches Safety-Post-Training speziell für diese Version. Die Ergebnisse zeigten starke Schutzmechanismen über die gemessenen Risikokategorien hinweg. Bewertet wurde nach dem bereits erwähnten Meta Superintelligence Scaling Framework, das die schwerwiegendsten Risiken abdeckt; die Schwellen für eine Veröffentlichung seien erreicht worden. Ein vollständiger Evaluierungsbericht soll folgen, die detaillierten Ergebnisse stehen im Model Card.
Wer offene Gewichte herunterlädt, übernimmt damit auch Verantwortung. Schutzmechanismen sind Teil der Gewichte und damit veränderbar. Was in einer gehosteten API noch durch Filter und Protokolle abgesichert wird, liegt auf dem eigenen Rechner in der Hand des Betreibers. Das ist der Preis dafür, dass die Gewichte offenliegen, und es ist kein theoretisches Problem, sondern eine Frage des Kontexts, in dem das Modell eingesetzt wird. Für Unternehmen heißt das: Der Betrieb eines eigenen Modells ist kein reiner Hardwarekauf, sondern eine organisatorische Aufgabe mit Regeln, Protokollierung und Zuständigkeiten.
Was das konkret bedeutet
Für Einzelpersonen und kleine Teams ändert sich vor allem die Rechnung. Ein Modell der Spitzenklasse lokal zu betreiben war bislang ein Projekt für Spezialisten mit Serverzugang. Mit Muse Spark Open, MLX und zwei passenden Mac Studios wird daraus eine Frage des Budgets und der Geduld, nicht der Infrastruktur. Damit stellt sich die Frage, ob man ein multimodales Modell mit 1M-Token-Kontext überhaupt selbst herunterladen sollte. Man kann, aber es bleibt Arbeit. Zwei Mac Studios sind kein Schnäppchen, Strom und Kühlung kommen hinzu, und ein Modell dieser Größe will gepflegt werden.
Für Entwicklerteams ist der interessantere Punkt, dass agentische KI für Coding und Softwareentwicklung nun auch außerhalb der Cloud denkbar ist. Wer Code nicht an einen Anbieter geben darf, hat jetzt eine Option mehr. Wer wissen will, wie ein Modell auf die eigene Codebasis reagiert, kann es ausprobieren, ohne einen Vertrag zu verhandeln. Der Weg über Hugging Face und MLX ist der kürzeste, der Weg über vLLM oder SGLang auf eigener Serverhardware der flexibelste. Das Modell bleibt in allen Fällen dasselbe.
Muse Spark Open ist kein Beweis, dass große Modelle jetzt überallhin gehören, und die Ankündigung ist kein Grund, die eigenen Rechner aufzurüsten. Es ist ein weiterer Schritt in einer Entwicklung, die seit zwei Jahren läuft: Die besten offenen Gewichte nähern sich den geschlossenen Modellen an, und der Ort, an dem sie laufen, verschiebt sich vom Rechenzentrum zum Schreibtisch. Wer heute mit offenen Gewichten arbeitet, gewinnt vor allem die Möglichkeit, die Grenzen selbst auszuloten. Alles andere entscheidet sich in den Projekten, in denen das Modell eingesetzt wird, nicht in der Tabelle der Ankündigung.
Quelle: research.meta.ai
