متا Muse Spark Open را متن‌باز کرد؛ مدل ۸۱۶ میلیاردی روی دو Mac Studio

شرکت متا وزنه‌های مدل Muse Spark Open را منتشر کرده؛ مدلی چندوجهی با ۸۱۶ میلیارد پارامتر، پنجره‌ی ۱ میلیون توکنی و ادعای «توانمندترین مدل open-weight آمریکا». ماجرا فقط اندازه‌ی مدل نیست؛ اجرای آن روی دو Mac Studio و مجوز خاصش هم خبر دارد.

۱. چه چیزی منتشر شد؟

متا در ۱۵ اکتبر ۲۰۲۶ وزنه‌های مدل «Muse Spark Open» را به‌صورت عمومی در دسترس گذاشت. این مدل یک شبکه‌ی ترکیب متخصصان (Mixture-of-Experts) با ۸۱۶ میلیارد پارامتر کل است که در هر مرحله فقط ۴۲ میلیارد پارامتر آن فعال می‌شود. به همین دلیل با وجود اندازه‌ی بزرگ، هزینه‌ی محاسباتی هر توکن بسیار کمتر از یک مدل «متراکم» هم‌اندازه است.

متا در معرفی رسمی خود این مدل را «توانمندترین مدل open-weight آمریکا تا امروز» توصیف کرده و می‌گوید آن را برای کدنویسی و کارهای عاملی ساخته است؛ یعنی وظایفی مثل مهندسی نرم‌افزار پیچیده، استدلال چندمرحله‌ای و کارهای طولانی که مدل باید خودش چند گام پشت‌سرهم بردارد. اگر با مفهوم عامل‌ها تازه آشنا شده‌اید، می‌توانید آرشیو اخبار هوش مصنوعی ما را هم دنبال کنید.

۲. مشخصات فنی در یک نگاه

بر اساس کارت مدل، زبان‌مدل ۶۲ لایه، ابعاد پنهان ۸۱۹۲ و ۲۵۶ متخصص دارد که برای هر توکن ۸ تای آن‌ها فعال می‌شود. بخش توجه (attention) از ۱۲۸ سر پرسش و ۱۶ سر کلید-مقدار به‌صورت گروهی استفاده می‌کند. کنار آن یک رمزگذار ادراکی ۱٫۸ میلیارد پارامتری وظیفه‌ی فهم تصویر و ویدیو را بر عهده دارد.

ورودی مدل می‌تواند متن، تصویر، ویدیو و صدا باشد، اما خروجی فقط متن است. داده‌ی آموزش بیش از ۱۰۰ زبان را پوشش می‌دهد و پنجره‌ی زمینه ۱ میلیون توکن است. یک پارامتر reasoning_effort هم وجود دارد که عمق تفکر را در چهار سطح low، medium، high و xhigh تنظیم می‌کند و مقدار پیش‌فرض آن xhigh است.

۳. اجرای محلی روی دو Mac Studio

جذاب‌ترین بخش ماجرا شاید همین باشد. متا می‌گوید با چارچوب MLX اپل، دو دستگاه Mac Studio مجهز به تراشه‌ی M5 Ultra می‌توانند این مدل را اجرا کنند. هر تراشه تا ۵۱۲ گیگابایت حافظه‌ی یکپارچه در اختیار پردازنده‌ی گرافیکی می‌گذارد و پهنای باند حافظه ۱٫۲ ترابایت بر ثانیه است. متا توصیف می‌کند که این دو دستگاه «مثل یک ابررایانه با یک ترابایت حافظه‌ی یکپارچه» رفتار می‌کنند.

برای مقایسه، اجرای محلی بدون این ترفند به کارت گرافیکی با دست‌کم ۷۰۰ گیگابایت حافظه برای قالب NVFP4 یا ۲ ترابایت برای BF16 نیاز دارد. در آزمایش‌های متا، مدل در محیط محلی با ابزار Muse Code روی پروژه‌ی متن‌باز Ice Cubes (یک کلاینت ماستودون برای iOS) باگ‌ها را رفع کرده و ویژگی جدید ساخته است. همچنین نرم‌افزار DaVinci Resolve را برای مرور فیلم و برش عمودی کلیپ‌ها کنترل کرده است.

یک نکته‌ی ظریف: صفحه‌ی رسمی متا از «بهینه‌سازی برای Mac Studio» حرف می‌زند و در متن آن صحبتی از یک شراکت رسمی با اپل نیست. بنابراین عبارت‌هایی مثل «همکاری با اپل» را با احتیاط بخوانید.

۴. بنچمارک‌ها؛ تصویر واقعی‌تر

همه‌ی اعداد این بخش را خود متا گزارش کرده و هنوز آزمون مستقل کامل منتشر نشده است. در شاخص هوش Artificial Analysis مدل امتیاز ۳۹ دارد، در حالی که GLM 5.3 امتیاز ۴۵، Kimi K3 امتیاز ۴۴ و Qwen3.8 امتیاز ۴۰ گرفته‌اند.

آزمون‌های عاملی

نقطه‌ی قوت مدل اینجاست: امتیاز ۶۱٫۸ در JobBench و ۸۹٫۲ در MCP-Atlas که طبق ادعای متا بالاترین اعداد میان مدل‌های فهرست‌شده در کارت است. این با تمرکز اعلام‌شده‌ی مدل روی کارهای عاملی همخوان است.

دانش، استدلال و کدنویسی

در آزمون‌های دانش و استدلال، مدل در GPQA Diamond به ۸۹٫۰ رسیده، در حالی که Qwen3.8 و Kimi K3 عدد ۹۳٫۵ دارند. در کدنویسی هم Terminal-Bench 2.1 برای Muse Spark Open برابر ۷۶٫۴ است، در حالی که Kimi K3 عدد ۸۵٫۰ و GLM 5.3 عدد ۸۳٫۹ را ثبت کرده‌اند. در آزمون‌های DeepSWE و SWE-Atlas-QnA هم Kimi K3 با اعداد ۶۸ و ۶۶ جلوتر از اعداد ۶۰ و ۵۸ این مدل است.

چندوجهی

در بخش بینایی، مدل ۸۰٫۲ در BabyVision و ۶۱٫۵ در VideoMMEv2 گرفته که هر دو کمی پایین‌تر از Kimi K3 (۸۵٫۷ و ۶۵٫۴) است. جمع‌بندی ساده: بر اساس همین جدول، مدل فقط در دو آزمون عاملی بالای جدول است و در بقیه عقب‌تر می‌ایستد.

۵. مجوز Muse Model License

این مجوز با تاریخ ۱۵ اکتبر ۲۰۲۶ استفاده، کپی، تغییر (از جمله فاین‌تیون)، ساخت آثار مشتق، تقطیر و توزیع را مجاز می‌کند، البته با شرط‌هایی. نخست باید عبارت «Built with Muse Spark Open» در رابط کاربری، مستندات، وب‌سایت یا بخش تنظیمات محصول به‌صورت برجسته نمایش داده شود.

دوم، سرویس‌دهنده‌های «هوش مصنوعی به‌عنوان سرویس» که در هر بازه‌ی ۱۲ ماهه‌ی پیوسته درآمد تجمعی بیش از ۲۰ میلیون دلار (همراه با شرکت‌های وابسته) داشته باشند، باید به متا اطلاع دهند و قرارداد کتبی جداگانه امضا کنند. استفاده‌ی داخلی، پژوهش و استفاده از مدل به‌عنوان جزئی از محصول خودتان شامل این بند نمی‌شود. متا هم مالکیتی بر خروجی‌ها ندارد. به همین دلیل بهتر است مدل را «open-weight» بنامیم، نه متن‌باز به معنای کامل آن.

۶. کجا می‌توان از آن استفاده کرد؟

مدل از چند مسیر در دسترس است. سرویس‌های API شامل Baseten، Fireworks AI، Groq، Modal، Nebius، OpenRouter و Together AI هستند. دانلود وزنه‌ها از Amazon SageMaker AI، Google Cloud Model Garden، Hugging Face و Microsoft Foundry Models ممکن است.

موتورهای استنتاج پشتیبانی‌شده هم عبارت‌اند از SGLang، vLLM، TensorRT-LLM، کتابخانه‌ی Transformers، MLX، llama.cpp و Unsloth. برای فاین‌تیون هم PyTorch و TorchTitan معرفی شده‌اند. متا برای SGLang هسته‌های سفارشی Helion ساخته که روی کارت‌های NVIDIA و AMD شتاب ۱٫۰۳ تا ۳٫۹۵ برابری در سطح کرنل ایجاد می‌کند. وزنه‌ها در دو قالب BF16 و NVFP4 عرضه شده‌اند و متا خودش از «تفاوت‌های جزئی کیفیت» در حالت کوانتیزه خبر می‌دهد.

۷. ایمنی و محدودیت‌ها

متا می‌گوید مدل پس‌آموزش ایمنی اضافه دیده و تحت چارچوب «Superintelligence Scaling Framework» ارزیابی شده و آستانه‌های انتشار را برآورده کرده است. طبق گزارش خودش، نرخ رد حمله‌ی جیل‌بریک در آزمون داخلی سایبری ۹۹٫۲ درصد و در مجموع سه آزمون سایبری ۹۴٫۸ درصد است. همچنین بیش از ۹۸ درصد درخواست‌های مضر را در آزمون زیستی SecureBio رد کرده است.

در عین حال متا هشدار می‌دهد این نتایج فقط برای همین نقطه‌ی بازبینی و شرایط آزمون معتبرند و تغییرات بعدی توسط توسعه‌دهندگان می‌تواند ایمنی را کاهش دهد. گزارش ارزیابی کامل هم «به‌زودی» منتشر خواهد شد. محدودیت‌های اعلام‌شده شامل پاسخ‌های احتمالاً نادرست، خطا در استدلال چندمرحله‌ای در سناریوهای جدید، ضعف در زبان‌های خارج از مجموعه‌ی اصلی و تحلیل نامطمئن ویدیوهای بسیار کوتاه یا کم‌کیفیت است. استفاده برای افراد زیر ۱۸ سال هم مجاز نیست.

۸. این خبر برای کاربر ایرانی و توسعه‌دهنده چه معنایی دارد؟

برای توسعه‌دهنده‌ها، مهم‌ترین پیام این است که مدلی در این رده دیگر فقط پشت API بسته نیست. هرچند اجرای آن هنوز سخت‌افزار گران می‌خواهد، ایده‌ی «ابررایانه‌ی رومیزی» یعنی چند دستگاه مک برای مدل‌های عظیم، مسیر تازه‌ای برای تیم‌های کوچک باز می‌کند. برای مقایسه‌ی رویکرد مدل‌های مختلف، مقاله‌ی ChatGPT در برابر DeepSeek می‌تواند مفید باشد.

برای کاربران عادی، نکته این است که رقابت مدل‌های باز و بسته ادامه دارد و قیمت و کیفیت را تحت تأثیر قرار می‌دهد. اگر می‌خواهید بدانید این فناوری‌ها در عمل چه توانایی‌ها و محدودیت‌هایی دارند، توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی را بخوانید. برای کسب‌وکارها هم اهمیت هوش مصنوعی در کسب‌وکار نقطه‌ی شروع خوبی است. توجه کنید که مدل‌های بزرگ هم بدون پرامپت خوب نتیجه‌ی خوبی نمی‌دهند؛ راهنمای نوشتن پرامپت برای مبتدی‌ها و بخش آموزش‌های ChatGPT کمک می‌کند. برای آشنایی با یکی از بازیگران اصلی این رقابت هم OpenAI چیست؟ را ببینید. این نکته را هم فراموش نکنید که توهم توسعه‌دهنده‌ی تنها در برابر مهندس واقعی هنوز در دنیای مدل‌های عاملی صدق می‌کند.

۹. پرسش‌های پرتکرار

آیا Muse Spark Open رایگان است؟

دانلود و استفاده برای بسیاری از توسعه‌دهندگان رایگان است، اما مجوز شرط دارد: نمایش عبارت «Built with Muse Spark Open» و قرارداد جداگانه برای سرویس‌دهنده‌های هوش مصنوعی با درآمد بیش از ۲۰ میلیون دلار.

آیا واقعاً روی دو Mac Studio اجرا می‌شود؟

این ادعای خود متا است. طبق گزارش خود متا، با MLX و دو دستگاه M5 Ultra و حدود یک ترابایت حافظه‌ی یکپارچه ممکن است. آزمون مستقل هنوز دیده نشده است.

آیا از Kimi K3 و GLM 5.3 قوی‌تر است؟

بر اساس جدول خود متا، نه در بیشتر آزمون‌ها. مدل فقط در JobBench و MCP-Atlas جلوتر است.

چه ورودی‌هایی می‌پذیرد؟

متن، تصویر، ویدیو و صدا؛ ولی خروجی فقط متن است.

برای زیر ۱۸ سال مناسب است؟

خیر، طبق سیاست استفاده‌ی متا این مدل برای افراد زیر ۱۸ سال در نظر گرفته نشده است.