Meta a publié en accès ouvert un très grand modèle multimodal. Muse Spark Open, présenté dans un billet de Hugging Face du 15 octobre 2026, accepte texte, images, audio et vidéo dans un seul contexte allant jusqu'à 1 million de tokens et répond en texte. Meta le présente comme le modèle américain à poids ouverts le plus performant à ce jour et l'a entraîné pour la programmation par agents : lire des bases de code, déboguer, appeler des outils et mener des refontes sur plusieurs fichiers. Pour les équipes qui veulent des poids de niveau frontière qu'elles peuvent examiner et héberger elles-mêmes, le choix s'élargit nettement.
L'architecture est un mélange d'experts. Sur environ 816 milliards de paramètres (816B), quelque 42 milliards (42B) sont actifs pour chaque token ; chaque bloc contient 256 experts, dont 8 tournent par token, et les experts représentent environ 97 % du total. Un encodeur visuel de 1,8 milliard (1.8 billion) de paramètres traite images et vidéo, échantillonnée par défaut à 2 images par seconde, et un encodeur audio transforme chaque tranche de 80 millisecondes de son en un token : 10 secondes d'audio coûtent donc 125 tokens. L'effort de raisonnement se règle de low à xhigh mais ne peut pas être coupé, et xhigh est la valeur par défaut, si bien que des tâches simples peuvent consommer plus de tokens que nécessaire.
La facture matérielle est l'obstacle pratique. Le checkpoint BF16 pèse environ 1,5 To, et l'exemple Transformers le répartit sur quatre nœuds de huit GPU H200. Une version NVFP4 en 4 bits tient sur un seul nœud B200, et un contexte complet de 1 million de tokens demande environ 266 Go de cache clé-valeur en plus des poids. Les quantifications de la communauté le rendent accessible à un Mac Studio de 512 Go : une version 2 bits occupe environ 304 Go et génère environ 18 tokens par seconde. La plupart y accéderont via des hébergeurs ; notre évaluation de Muse Spark Open indique OpenRouter à $1.25 par million de tokens en entrée et $4.25 par million en sortie.
Il est arrivé la même semaine que Beam de Reflection, un modèle de programmation de 501B sous Apache 2.0, et les deux suggèrent que les laboratoires américains reviennent en tête des poids ouverts. L'entrée native audio et vidéo distingue Muse Spark Open ; la plupart des concurrents ouverts gèrent au mieux texte et images. Il côtoie aussi Meta Muse, l'assistant grand public de l'entreprise, que nous évaluons séparément.
Des questions demeurent. Le billet de Hugging Face ne contient aucun score de benchmark ni comparaison avec d'autres modèles : l'affirmation « le plus performant » repose pour l'instant sur la parole de Meta. La licence n'est ni Apache ni MIT : notre évaluation note que la Muse Model License exige une attribution et fixe un seuil de revenus de $20M pour le proposer en tant que service. vLLM ne prend en charge pour l'instant que le texte et l'image en entrée. Le billet comporte aussi de petites erreurs dans ses exemples de code, signe que l'outillage se met encore en place. Des évaluations indépendantes en programmation et en multimodal devraient précéder tout engagement sérieux.