Muse Spark Open: hardware, licenza e test del modello Meta

👁 111 letture

Con Muse Spark Open, Meta propone a ottobre 2026 i pesi scaricabili di un imponente modello multimodale, accompagnato da requisiti hardware impegnativi e da una licenza proprietaria. Il 19 ottobre ho messo alla prova Muse Spark via API: ha ottenuto un punteggio di 11/12 nel mio test in lingua polacca. L’unico punto perso è dovuto a una risposta rimasta vuota dopo aver esaurito il budget di token assegnato.

Cosa ha rilasciato Meta con Muse Spark Open

Muse Spark Open è stato reso disponibile il 15 ottobre 2026. Si tratta di un’architettura mixture-of-experts (MoE) pensata per la scrittura di codice, l’uso di tool e compiti complessi a lungo raggio. La finestra di contesto pubblicizzata da un milione di token descrive la quantità massima di contesto teoricamente gestibile dall’architettura, non necessariamente ciò che ogni singola installazione locale può elaborare in modo efficiente. Il repository ufficiale mette a disposizione i checkpoint e le istruzioni per eseguire il modello al di fuori dei servizi di Meta. Fa parte di un gruppo di quattro rilasci a pesi aperti avvenuti nella stessa settimana, che ho messo a confronto diretto nella mia panoramica sui modelli IA a pesi aperti di ottobre 2026; per la variante proprietaria in cloud, puoi leggere la mia recensione di Muse Spark 1.3.

La distinzione tra parametri totali e parametri attivi è cruciale. Il modello non esegue calcoli su tutti gli 816 miliardi di parametri a ogni singolo token: ne attiva infatti una porzione ridotta. Ciononostante, l’intera struttura degli esperti deve rimanere caricata in memoria; di conseguenza, il dato dei 42 miliardi attivi non permette affatto di ridurre lo spazio di archiviazione su disco o il quantitativo minimo di VRAM necessaria.

La scheda tecnica del modello Meta Muse descrive input multimodali e risposte testuali. Nel mio test ho inviato esclusivamente prompt di testo. I risultati non consentono quindi di trarre conclusioni sulla capacità di interpretare screenshot, grafici o registrazioni audio, per quanto queste funzioni siano parte integrante della presentazione del prodotto: valutare queste caratteristiche richiede benchmark e sessioni di prova dedicate.

I requisiti hardware dietro l’annuncio su Mac

Stando alla scheda tecnica di Meta verificata il 20 ottobre, l’esecuzione in formato NVFP4 richiede circa 700 GB di memoria GPU, mentre per il formato BF16 ne servono circa 2 TB. Meta descrive inoltre una configurazione tramite framework MLX distribuita su due sistemi Mac Studio con chip M5 Ultra, ciascuno dotato di 512 GB di memoria unificata. Si tratta di un’indicazione tecnica chiara, ma ben lontana dalla portata di un comune computer personale.

Questi requisiti e scenari sono quelli pubblicati da Meta, non misurazioni nate da un mio banco di prova hardware. Non ho eseguito Muse Spark Open su macchine locali. Il comportamento registrato via API non fornisce quindi indicazioni sulla velocità effettiva dell’ambiente Mac, sul suo consumo energetico o sulle prestazioni con contesti particolarmente ampi.

Quando si pianifica la memoria, è fondamentale non confondere lo spazio occupato dal semplice checkpoint con l’ingombro del servizio in esecuzione. La cronologia della conversazione, i buffer di calcolo e le richieste concorrenti incidono pesantemente sul consumo totale. Un sistema capace di caricare i pesi potrebbe dover ridurre il contesto o limitare gli utenti simultanei rispetto a quanto suggerito dai dati nominali. I processi di quantizzazione mitigano questo vincolo ma non lo annullano. Se il tuo obiettivo è eseguire un modello su una normale scheda video per PC, puoi consultare la mia guida all’IA locale.

La licenza impone vincoli commerciali importanti

A differenza di altri progetti distribuiti sotto licenza MIT, questo modello adotta la licenza Muse Model License. Il testo autorizza l’uso, la modifica, il fine-tuning e la ridistribuzione nel rispetto delle condizioni indicate. Tra queste, compare l’obbligo di mostrare la dicitura “Built with Muse Spark Open” nell’interfaccia dell’applicazione o nella relativa documentazione approvata, insieme al rispetto delle norme d’uso (usage policy).

Inoltre, è richiesto un accordo commerciale separato per le realtà che offrono servizi di tipo “model-as-a-service”, qualora i ricavi complessivi del licenziatario e delle sue affiliate superino i 20 milioni di dollari in un periodo consecutivo di 12 mesi. Il testo della licenza esclude da questa clausola l’uso interno aziendale e le funzionalità applicative che non costituiscono una rivendita diretta di accesso al modello. La differenza chiave riguarda la natura del modello di business, non la semplice integrazione tecnica di una chiamata API.

Di conseguenza, la valutazione della licenza deve far parte della pianificazione dell’infrastruttura. Chi intende utilizzare il modello per flussi di lavoro interni si trova in una posizione diversa rispetto a chi commercializza l’accesso diretto ai pesi. La disponibilità dei file da scaricare non garantisce automaticamente che ogni iniziativa commerciale rientri nei termini standard previsti da Meta.

Cosa è successo nel mio test in lingua polacca con Muse Spark

Il 19 ottobre ho inviato 12 brevi prompt via API, formulati interamente in lingua polacca. Tutti i modelli inclusi nel confronto hanno ricevuto le identiche richieste a temperatura 0, con un limite massimo di 6.000 completion token comprensivi sia della fase di ragionamento che della risposta finale. Ho effettuato una singola esecuzione per ciascun task. Muse Spark Open ha fornito risposte corrette e accettate su 11 compiti, mentre in un caso non ha prodotto alcuna risposta finale. Per esaminare i dettagli del confronto con DeepSeek, Nemotron e Step 5 puoi leggere il mio test di quattro modelli aperti.

La richiesta non completata chiedeva quanti secondi ci sono in 2,5 ore. La chiamata registrata è durata 126,3 secondi, ha consumato l’intero massimale di 6.000 completion token e ha restituito un campo di risposta completamente vuoto. Il risultato atteso era 9.000. Si è trattato di un’interruzione per superamento del budget assegnato: dai log non risulta che il modello abbia fornito un numero errato in modo convinto, ma che abbia esaurito lo spazio a disposizione durante il ragionamento.

Sulle 12 richieste, ho misurato un tempo mediano di risposta pari a 8,05 secondi. L’utilizzo totale registrato è stato di 12.241 completion token, per una spesa complessiva pari a 0,0542454 USD (circa 0,0542 $). Questa cifra riflette il costo storico registrato per la mia specifica esecuzione via API e non costituisce una tariffa ufficiale dei servizi diretti di Meta. Va ricordato che le chiamate hanno utilizzato backend di erogazione differenti, il che limita la portata delle considerazioni sui tempi di elaborazione del modello puro.

Il punteggio finale tiene conto di una correzione nei criteri di valutazione. Nel compito ortografico, il prompt attendeva inizialmente la forma “wziąć”, ma la formulazione proposta dal modello (“Weź parasol, bo na pewno będzie padać.”, che significa “Prendi l’ombrello, perché sicuramente pioverà”) è un’espressione valida e corretta in polacco. L’ho pertanto considerata valida. Questo aggiustamento ha corretto il punteggio finale senza modificare né rigenerare l’output originale del sistema.

Un altro elemento da considerare è la tolleranza del validatore rispetto al testo aggiuntivo: il sistema di verifica ha controllato i contenuti ed estratto i dati JSON senza penalizzare le deviazioni formali minori nella presentazione. Qualora la tua applicazione richieda strutture sintattiche tassative, sarà necessario impostare regole di controllo ben più rigide di quelle impiegate in questa prova.

Chi dovrebbe valutarlo

Muse Spark Open rappresenta un’opzione rilevante soprattutto per i team che hanno la necessità di mantenere il controllo diretto sui pesi del modello e dispongono dell’infrastruttura adeguata per gestirli. L’enfasi posta da Meta sull’integrazione di tool complessi suggerisce di testarlo all’interno di pipeline operative complete, monitorando anche la capacità di correggere errori durante le chiamate esterne. Un semplice quesito aritmetico non può esaurire una valutazione di questo tipo.

• Per i deployment interni, verifica il comportamento del modello sui tuoi documenti reali e con le autorizzazioni concrete assegnate ai tool.
• In caso di fine-tuning, esamina con cura le clausole di licenza e misura se l’addestramento porta effettivi miglioramenti nei task scelti.
• Per i servizi interattivi, monitora attentamente i tempi di attesa e i casi di risposta vuota insieme alla correttezza delle risposte valide.
• Se prevedi un’installazione locale, calcola il budget hardware sull’intero sistema in esecuzione e non solo sulle dimensioni del file scaricato.

L’errore riscontrato nel mio test dimostra inoltre l’importanza di calibrare i parametri di reasoning. Aumentare il tetto massimo di token potrebbe consentire al modello di completare la generazione, mentre ridurre l’intensità del ragionamento preliminare potrebbe evitare sprechi di calcolo. Nessuna di queste due modifiche è stata inclusa nella sessione del 19 ottobre, pertanto non possono essere considerate soluzioni dimostrate; andranno verificate in un secondo momento registrando tempi e costi effettivi.

FAQ

Muse Spark Open può funzionare su un Mac?

Meta ha documentato una configurazione basata su due Mac Studio M5 Ultra dotati di 512 GB ciascuno, sfruttando MLX. Non è corretto presumere che possa girare su altri modelli Mac senza aver prima verificato la memoria unificata disponibile e il supporto software.

Il risultato di 11/12 indica che è inferiore alla concorrenza nel comprendere il polacco?

In questa specifica sessione ha completato meno task rispetto a DeepSeek e Nemotron. Il numero di compiti è tuttavia troppo contenuto per stabilire una graduatoria linguistica generale; inoltre, l’unica prova non superata è dipesa dal raggiungimento del limite massimo di token.

Si tratta di un benchmark in lingua inglese?

No. Sebbene questo articolo sia scritto per il mio blog, il test è stato svolto inviando prompt in lingua polacca. Non ho valutato la scrittura in inglese, la resa nelle traduzioni né le abilità multimodali.

// continua a leggereMiMo, Qwen3.8 Max, GLM-5.3 e Muse Spark: test modelli AIMagazineNemotron 3.5 Super VL vs Step 5: pesi, licenze e testStato dell'IAConfronto LLM in polacco: 4 modelli, 12 compiti e risultatiStato dell'IA