本文依 Hugging Face 模型卡與外媒報導整理，阿正老師尚未實際下載或執行這個模型；Meta 官方公告頁這次沒能讀取，凡是來自 Meta 自己的數字，文中都會標示「官方自述」。
2026 年 10 月 15 日，Meta 把一個很大的 AI 模型「開放權重」了：Muse Spark Open，總參數 8,160 億、每次實際動用 420 億，還支援 100 萬 token 的超長上下文。「開放權重」意思是任何人都能把模型檔下載回去自己跑、自己微調，不用只靠 Meta 的雲端。
聽起來很棒，但一般人會有三個疑問：這個模型到底有多強？家裡電腦跑得動嗎？授權能不能商用？這篇用白話整理，順便幫你判斷「要不要理它」。
文章目錄
一、Muse Spark Open 是什麼？
Muse 是 Meta 近期的 AI 模型品牌。先前的 Muse Spark、Muse Wonder 都是只能透過 Meta 的服務使用的封閉模型，這次的 Muse Spark Open 則是第一個把完整權重公開下載的大型版本。模型採用「混合專家（MoE）」架構：可以想成一間有很多專科醫師的醫院，每次只叫其中幾位出來看診，所以總規模雖然大，實際運算量沒有 816B 那麼誇張。
| 官方網站 | https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B（Hugging Face 模型卡） |
| 發表日期 | 2026-10-15（依模型卡與授權文件日期） |
| 模型規模 | 總參數 816B、啟用參數 42B，MoE 架構，搭配 Perception Encoder |
| 輸入／輸出 | 輸入可為文字、圖片、影片、音訊；輸出為文字。上下文長度 100 萬 token |
| 語言／繁體中文 | 模型卡寫「訓練資料涵蓋 100 多種語言」，但未特別點名中文，繁體中文品質待確認 |
| 費用 | 權重可免費下載（受 Muse Model License 規範）；各 API 平台價格待確認 |
| 軟體下載 | Meta 官方 Hugging Face 模型頁（這是模型權重，一般人不建議直接下載） |
✅ 優點
- 權重公開，可自行微調、蒸餾與部署
- 支援文字、圖片、影片、音訊輸入與 100 萬 token 上下文
- Meta 稱代理人（Agent）類測試表現突出
⚠️ 缺點
- 自己跑至少要 700GB 顯示記憶體，個人電腦幾乎不可能
- 授權有署名與大型服務商限制，不是 Apache 2.0 那種寬鬆授權
- 綜合指數落後多款開放模型
二、授權條件：能不能商用？
Muse Spark Open 使用 Meta 自訂的 Muse Model License，不是常見的 MIT 或 Apache 2.0。依 Hugging Face 模型卡整理，重點如下：
- 允許使用、修改（含微調）、蒸餾與再散布。
- 產品、文件或設定頁需要標示「Built with Muse Spark Open」。
- 若你把模型當成「模型即服務」對外販售，且公司 12 個月內總營收超過 2,000 萬美元，必須先通知 Meta 並簽另一份協議；內部使用、研究，以及嵌入自家產品的功能不在此限。
- Meta 不主張輸出內容的所有權，但使用須遵守可接受使用政策，且模型不適用於 18 歲以下使用者。
三、硬體門檻：你的電腦跑得動嗎？
模型卡寫得很直白：跑 NVFP4（壓縮過的精簡格式）至少需要 700GB 顯示記憶體，跑完整 BF16 則要約 2TB。Meta 另外說，它針對「兩台 Apple M5 Ultra Mac Studio（每台最高 512GB 統一記憶體）串在一起」做了 MLX 最佳化，等於約 1TB 記憶體的桌上型組合。
拿阿正老師手邊的設備對照：RTX 5070 只有 12GB、Mac mini 最多 24GB，離 700GB 差了幾十倍，所以結論很簡單——一般家用電腦不用想。Hugging Face 頁面雖然列了約 10 個給 llama.cpp、LM Studio、Jan、Ollama 用的量化版本，但實際大小與所需記憶體待確認，建議下載前先看檔案大小。
想了解本地跑 AI 的基本功，可以先看看阿正老師之前的整理：Ollama 安裝教學、LM Studio 教學，以及 Mac 用戶適用的 Ollama 0.40 MLX 預設更新。要在家跑得動的 Meta 模型，則可以看 Muse Glimmer 30B 本地 AI 介紹。
四、哪裡能用：API 與下載平台
依 Unite.AI 與 Constellation Research 整理，目前有兩條路：
- 走 API（最省事）：Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI 都已列為提供平台，價格各家不同，本文未查到統一報價，待確認。
- 下載權重：Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Models。
- 推論引擎：SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、Apple MLX、llama.cpp、Unsloth。
五、成績單：Meta 說的 vs 排名
以下數字多半來自 Meta 在模型卡公布的比較表（官方展示數據，不是阿正老師的實測）：
- Artificial Analysis 智慧指數 39 分，落後 GLM 5.3（45）、Kimi K3（44）與 Qwen3.8-2.4T-A95B（40）。
- 代理人類測試：OSWorld Verified 80.4、MCP-Atlas 89.2（Meta 比較表中最高）、JobBench 61.8。
- 研究生程度科學題 GPQA Diamond 89.0，低於 Qwen 與 Kimi K3 的 93.5；寫程式的 Terminal-Bench 2.1 為 76.4，低於 Kimi K3 的 85.0 與 GLM 5.3 的 83.9。
換句話說：它擅長「操作電腦、串工具」這類代理人工作，但綜合推理與寫程式並沒有贏過同級開放模型。Meta 也說完整評測報告還在後面，所以數字之後可能調整。
六、跟其他開放模型比一比
| 項目 | Muse Spark Open | GLM 5.3 | Kimi K3 |
|---|---|---|---|
| 智慧指數（Meta 比較表） | 39 | 45 | 44 |
| Terminal-Bench 2.1 | 76.4 | 83.9 | 85.0 |
| MCP-Atlas（代理人） | 89.2（表中最高） | 待確認 | 待確認 |
| 能否下載權重 | 可（Muse Model License） | 依 Z.ai 授權，待確認 | 依 Moonshot 授權，待確認 |
| 家用電腦可跑 | 否（≥700GB） | 待確認 | 待確認 |
想看另外兩款的背景，可以參考阿正老師先前的 Kimi K3 介紹 與 GLM-5.3 寫程式 AI 介紹；Meta 另一條封閉路線的新模型則在 Muse Wonder 介紹。
七、阿正老師的總結
一般用戶、只想試試看
→ 透過 OpenRouter 等 API 平台試用。不用下載、不用買硬體，先確認價格與帳號規定。
企業或研究單位，想自建私有 AI
→ 評估自行部署。先算好 700GB 以上記憶體的成本，並讓法務看過 Muse Model License。
想在自己電腦上跑本地 AI 的人
→ 選小一點的模型。這款不適合，改看 Ollama、LM Studio 搭配 30B 以下的模型比較實際。
開放了，但門檻很高
Muse Spark Open 讓 Meta 重新回到開放權重陣營，對企業客製很有吸引力；但對一般人來說，真正有感的是它出現在各 API 平台。本文為官方資料與外媒整理，數字可能隨 Meta 後續評測報告調整，閱讀時請留意最後更新月份。
歡迎在下面留言跟阿正老師分享！
