Meta hat ein sehr großes multimodales Modell offen veröffentlicht. Muse Spark Open, vorgestellt in einem Hugging-Face-Beitrag vom 15. Oktober 2026, nimmt Text, Bilder, Audio und Video in einem einzigen Kontext von bis zu 1 Million Tokens auf und antwortet in Text. Meta bezeichnet es als bislang leistungsfähigstes US-Modell mit offenen Gewichten und hat es für agentisches Programmieren trainiert: Codebasen lesen, debuggen, Werkzeuge aufrufen und Refactorings über mehrere Dateien durcharbeiten. Für Teams, die Gewichte in Frontier-Größe prüfen und selbst hosten wollen, erweitert das die Auswahl deutlich.
Die Architektur ist ein Mixture-of-Experts-Modell. Von etwa 816 Milliarden Parametern (816B) sind pro Token rund 42 Milliarden (42B) aktiv; jeder Expertenblock enthält 256 Experten, von denen 8 pro Token laufen, und die Experten machen etwa 97% der Gesamtzahl aus. Ein Bild-Encoder mit 1,8 Milliarden (1.8 billion) Parametern verarbeitet Bilder und Video, standardmäßig mit 2 Bildern pro Sekunde abgetastet, und ein Audio-Encoder macht aus je 80 Millisekunden Ton ein Token, 10 Sekunden Audio kosten also 125 Tokens. Der Denkaufwand lässt sich von low bis xhigh einstellen, aber nicht abschalten, und xhigh ist voreingestellt, sodass einfache Aufgaben mehr Tokens verbrauchen können als nötig.
Die Hardware ist die praktische Hürde. Der BF16-Checkpoint umfasst etwa 1,5 TB, und das Transformers-Beispiel verteilt ihn auf vier Knoten mit je acht H200-GPUs. Eine 4-Bit-Version in NVFP4 passt auf einen einzelnen B200-Knoten, und ein voller Kontext von 1 Million Tokens braucht zusätzlich zu den Gewichten etwa 266 GB Key-Value-Cache. Quantisierungen aus der Community bringen es in Reichweite eines Mac Studio mit 512 GB: Eine 2-Bit-Fassung belegt etwa 304 GB und erzeugt rund 18 Tokens pro Sekunde. Die meisten werden es über Anbieter nutzen; unsere Besprechung von Muse Spark Open nennt OpenRouter mit $1.25 pro Million Eingabe-Tokens und $4.25 pro Million Ausgabe-Tokens.
Es erschien in derselben Woche wie Reflections Beam, ein Coding-Modell mit 501B unter Apache 2.0, und zusammen deuten beide darauf hin, dass US-Labore wieder an der Spitze offener Gewichte mitspielen. Native Audio- und Videoeingabe hebt Muse Spark Open ab; die meisten offenen Konkurrenten verarbeiten höchstens Text und Bilder. Daneben steht Meta Muse, der Verbraucher-Assistent des Unternehmens, den wir gesondert besprechen.
Einige Fragen bleiben. Der Hugging-Face-Beitrag enthält keine Benchmarkwerte und keinen Vergleich mit anderen Modellen, die Aussage "leistungsfähigstes" beruht also vorerst auf Metas Wort. Die Lizenz ist weder Apache noch MIT: Laut unserer Besprechung verlangt die Muse Model License Namensnennung und setzt eine Umsatzschwelle von $20M für das Anbieten als Dienst. vLLM unterstützt derzeit nur Text- und Bildeingaben. Zudem enthält der Beitrag kleine Fehler in den Codebeispielen, ein Zeichen, dass sich die Werkzeuge noch einspielen. Vor einer ernsthaften Festlegung sollten unabhängige Tests zu Programmier- und multimodalen Aufgaben vorliegen.