Metaが非常に大きなマルチモーダルモデルを公開しました。2026年10月15日のHugging Faceの解説記事で紹介されたMuse Spark Openは、テキスト、画像、音声、動画を最大100万トークン(1 million)の1つのコンテキストで受け取り、テキストで答えます。Metaはこれを米国製オープンウェイトモデルとして過去最高の性能と位置づけ、コードベースの読解、デバッグ、ツール呼び出し、複数ファイルにまたがるリファクタリングといったエージェント型コーディング向けに学習させました。中身を確認し自前でホストできるフロンティア級の重みを求めるチームにとって、選択肢は大きく広がります。
アーキテクチャはMixture of Expertsです。約816B(8,160億)のパラメータのうち、トークンごとに動くのは約42B(420億)です。各エキスパートブロックには256のエキスパートがあり、トークンごとに8つが動きます。エキスパートは全体の約97%を占めます。1.8B(18億)パラメータの視覚エンコーダーが画像と動画(既定で毎秒2フレームでサンプリング)を処理し、音声エンコーダーは80ミリ秒ごとの音を1トークンに変えるため、10秒の音声は125トークンになります。推論の強さはlowからxhighまで設定できますが、オフにはできず既定値はxhighなので、単純な作業でも必要以上にトークンを使うことがあります。
実際の壁はハードウェアです。BF16のチェックポイントは約1.5 TBで、Transformersの例ではH200 GPUを8基ずつ積んだ4ノードに分散させます。4ビットのNVFP4版はB200の1ノードに収まりますが、100万トークンのフル コンテキストには重みとは別に約266 GBのKVキャッシュが必要です。コミュニティによる量子化版なら512 GBのMac Studioでも手が届き、2ビット版は約304 GBを使って毎秒約18トークンを生成します。多くの人はホスティング事業者経由で使うことになるでしょう。当サイトのMuse Spark Openのレビューでは、OpenRouterの料金を入力100万トークンあたり$1.25、出力100万トークンあたり$4.25としています。
同じ週にはReflectionのBeam(Apache 2.0の501Bコーディングモデル)も登場しました。両者は、オープンウェイトの最上位で、米国のラボが再び競い始めたことを示唆しています。Muse Spark Openの特徴は音声と動画をネイティブに入力できる点で、オープンな競合の多くはせいぜいテキストと画像までです。同社の一般向けアシスタントMeta Museとも並び立つ存在で、こちらは別途レビューしています。
疑問も残ります。Hugging Faceの記事にはベンチマークのスコアも他モデルとの比較もなく、「最も高性能」という主張は今のところMetaの言葉に頼るしかありません。ライセンスはApacheでもMITでもなく、当サイトのレビューによれば、Muse Model Licenseは帰属表示を求め、サービスとして提供する場合に$20Mの収益しきい値を設けています。vLLMは現時点でテキストと画像の入力にしか対応していません。記事のコード例には小さな誤りもあり、ツール周りはまだ固まりきっていないようです。本格的に採用する前に、コーディングとマルチモーダル作業での独立した評価を待つべきです。