A Meta liberou em aberto um modelo multimodal muito grande. O Muse Spark Open, descrito num texto do Hugging Face de 15 de outubro de 2026, aceita texto, imagens, áudio e vídeo num único contexto de até 1 milhão de tokens e responde em texto. A Meta o apresenta como o modelo de pesos abertos americano mais capaz até agora e o treinou para programação com agentes: ler bases de código, depurar, chamar ferramentas e fazer refatorações em vários arquivos. Para equipes que querem pesos em escala de fronteira que possam inspecionar e hospedar por conta própria, a escolha fica bem maior.
A arquitetura é uma mistura de especialistas. De cerca de 816 bilhões de parâmetros (816B), aproximadamente 42 bilhões (42B) ficam ativos a cada token; cada bloco tem 256 especialistas, dos quais 8 rodam por token, e os especialistas respondem por cerca de 97% do total. Um codificador visual de 1,8 bilhão (1.8 billion) de parâmetros trata imagens e vídeo, amostrado por padrão a 2 quadros por segundo, e um codificador de áudio transforma cada 80 milissegundos de som num token, então 10 segundos de áudio custam 125 tokens. O esforço de raciocínio vai de low a xhigh, mas não pode ser desligado, e xhigh é o padrão, então tarefas simples podem gastar mais tokens do que precisam.
A conta de hardware é a barreira prática. O checkpoint BF16 tem cerca de 1,5 TB, e o exemplo do Transformers o distribui por quatro nós de oito GPUs H200. Uma versão NVFP4 de 4 bits cabe num único nó B200, e um contexto completo de 1 milhão de tokens exige cerca de 266 GB de cache de chave e valor além dos pesos. Quantizações da comunidade o deixam ao alcance de um Mac Studio de 512 GB: uma versão de 2 bits usa cerca de 304 GB e gera cerca de 18 tokens por segundo. A maioria vai acessá-lo por provedores; nossa análise do Muse Spark Open registra o OpenRouter a $1.25 por milhão de tokens de entrada e $4.25 por milhão de saída.
Ele chegou na mesma semana que o Beam, da Reflection, um modelo de programação de 501B sob Apache 2.0, e juntos sugerem que os laboratórios dos EUA voltaram a disputar o topo dos pesos abertos. A entrada nativa de áudio e vídeo é o que diferencia o Muse Spark Open; a maioria dos rivais abertos lida no máximo com texto e imagens. Ele também convive com o Meta Muse, o assistente de consumo da empresa, que analisamos à parte.
Restam dúvidas. O texto do Hugging Face não traz notas de benchmark nem comparação com outros modelos, então o "mais capaz" depende por ora da palavra da Meta. A licença não é Apache nem MIT: nossa análise aponta que a Muse Model License exige atribuição e define um limite de receita de $20M para oferecê-lo como serviço. O vLLM por enquanto aceita só entrada de texto e imagem. O texto também tem pequenos erros nos exemplos de código, sinal de que as ferramentas ainda estão se acertando. Avaliações independentes de programação e de tarefas multimodais devem vir antes de qualquer compromisso sério.