Meta ouvre les poids de Muse Spark Open, un modèle 816B pensé pour tourner sur deux Mac Studio

15 octobre 2026. Meta publie les poids de Muse Spark Open, un modèle multimodal de 816 milliards de paramètres au total. 42 milliards. Le nombre de paramètres actifs à chaque token, grâce à une architecture mixture-of-experts qui n’active qu’une fraction du modèle. 1 million. La taille du contexte, en tokens. Pourquoi c’est important : Meta repositionne son IA sur le terrain que les laboratoires chinois dominaient depuis deux ans — l’open-weight — et propose un chemin de déploiement inattendu, deux Mac Studio en réseau plutôt qu’un datacenter.

Un modèle « frontier » dont on télécharge les poids

Muse Spark Open est la déclinaison open-weight de la famille Muse, le modèle frontal que Meta a lancé au début du mois. La différence tient en un verbe : télécharger. Là où les modèles fermés — Claude d’Anthropic, ChatGPT d’OpenAI — s’utilisent derrière une API, les poids de Muse Spark Open se récupèrent sur Hugging Face et se modifient localement.

Meta ne fait pas dans la modestie. « C’est le modèle open-weight américain le plus capable à ce jour », écrit Alexandr Wang, le responsable de l’IA du groupe, sur X. Le positionnement vise explicitement la concurrence chinoise : Qwen d’Alibaba, Kimi K3 de Moonshot AI et les modèles GLM de Z.ai tiennent depuis deux ans le haut du panier open-weight, et Meta entend reprendre la main avec un modèle taillé « pour le code et le travail agentique », qui « excelle sur les tâches à long horizon, l’ingénierie logicielle complexe et le raisonnement multi-étapes ».

L’architecture : 816B de paramètres, 42B actifs

Le chiffre qui surprend, 816 milliards de paramètres, cache une réalité plus subtile. Muse Spark Open est un mixture-of-experts : seuls 42 milliards de paramètres sont actifs à chaque token, le reste dormant dans des experts spécialisés que le routeur sollicite à la demande. C’est ce qui rend le modèle exploitable sur du matériel local, malgré une taille totale qui le placerait sinon hors de portée d’un poste de travail.

Les poids sont publiés en BF16 et en NVFP4, une quantification 4 bits pensée pour l’inférence sur du silicium récent. Côté outils, Meta fournit les noyaux Helion pour l’inférence et le support TorchTitan pour le supervised fine-tuning et le reinforcement learning. En clair : il ne s’agit pas d’une simple décharge de poids, mais d’un kit qui couvre l’inférence et l’adaptation, avec un post-entraînement de sûreté supplémentaire par rapport à la version fermée.

Le pari Apple : deux Mac Studio, pas un datacenter

La vraie originalité est ailleurs. Meta annonce que Muse Spark Open est optimisé pour la puce M5 Ultra d’Apple, et que le modèle peut tourner sur deux Mac Studio reliés, formant un « supercalculateur » sur un bureau. C’est un partenariat inhabituel entre les deux groupes, et un signal fort pour l’inférence locale.

Ce choix dit quelque chose de l’évolution du marché. Il y a deux ans, faire tourner un modèle « frontier » en local exigeait un nœud GPU à plusieurs cartes. Aujourd’hui, l’unified memory des puces Apple — plusieurs centaines de gigaoctets accessibles au GPU — devient un chemin crédible vers l’inférence privée : pas de données qui quittent le poste, pas de latence réseau, pas de dépendance à une API. Pour les équipes souveraines ou sensibles, c’est un argument qui pèse lourd face au tout-cloud.

La licence : open-weight n’est pas open source

Il faut lire les conditions avant de crier victoire. Muse Spark Open est publié sous la Muse Model License, qui exige une attribution et, surtout, impose un accord séparé dès que les revenus d’un service construit sur le modèle dépassent 20 millions de dollars. Autrement dit, les poids sont ouverts pour expérimenter et pour auto-héberger, mais la commercialisation à l’échelle repasse par une négociation avec Meta.

C’est la nuance qui sépare l’open-weight de l’open source au sens strict : on peut lire les poids, les exécuter, les adapter, mais la licence ne garantit pas les libertés d’usage commercial illimité qu’une licence OSI offrirait. Le terme « open-weight » est d’ailleurs choisi avec soin — Meta ne revendique pas l’open source, et c’est précisément ce qui lui permet de garder une poignée sur la monétisation en aval.

Ce qu’il faut retenir

Sur les benchmarks, le tableau est nuancé. Muse Spark Open mène sur les tâches agentiques, mais reste derrière des rivaux comme Kimi K3 sur certains exercices de code et de raisonnement. Le choix d’un modèle ne se joue donc pas sur un score unique : il dépend de ce que vous voulez en faire, et de l’endroit où vous voulez le faire tourner.

Pour un homelab ou une équipe qui veut un modèle frontier en local, Muse Spark Open est l’option la plus crédible du moment côté américain — à condition d’avoir le matériel. Pour un produit commercial destiné à dépasser les 20 millions de dollars de revenus, la licence devient un coût à modéliser dès le premier jour. Et pour du code pur, un Kimi K3 ou un Qwen récent reste souvent plus efficace au jeton.

Verdict

Si vous voulez de l’inférence locale de niveau frontier, et que vous avez deux Mac Studio M5 Ultra sous la main, Muse Spark Open est le modèle à tester en priorité : c’est le meilleur open-weight américain disponible, et le support Apple silicon est assumé. Si vous construisez un service qui sera revendu, calculez d’abord le coût de la Muse Model License une fois le seuil de 20 millions de dollars franchi — l’open-weight est réel, la gratuité commerciale ne l’est pas. Si vous n’avez que du code à produire sans contrainte de localité, restez sur les meilleurs modèles de code du moment ; la supériorité agentique de Muse Spark Open ne paie pas encore partout.

Références

• Meta AI Research — Introducing Muse Spark Open
• PyTorch — Muse Spark Is Now an Open-Weights Model
• Hugging Face — meta-models/Muse-Spark-Open-816B-A42B
• The Guardian — Meta releases Muse Spark Open, a new open-weight AI model (16 octobre 2026)
• Unite.AI — Meta’s 816B-Parameter Muse Spark Open Weights Are Now Public