น้ำหนักโมเดล Muse Spark Open ขนาด 816 พันล้านพารามิเตอร์ของ Meta เปิดให้ใช้งานสาธารณะแล้ว

เมื่อวันที่ 15 ตุลาคม 2026 Meta เผยแพร่น้ำหนักของ Muse Spark Open ซึ่งเป็นโมเดลแบบเปิดเผยน้ำหนักที่รองรับหลายโมดัลโดยกำเนิด มีพารามิเตอร์ทั้งหมด 816 พันล้านตัว พารามิเตอร์ที่ทำงานอยู่ 42 พันล้านตัว และหน้าต่างบริบทขนาด 1 ล้านโทเค็น งานวิจัยด้าน AI ของ Meta ระบุว่าโมเดลนี้เป็นโมเดลแบบเปิดเผยน้ำหนักจากสหรัฐฯ ที่มีความสามารถสูงสุดจนถึงปัจจุบัน โดยพัฒนาขึ้นสำหรับการเขียนโค้ดและงานแบบเอเจนต์ เช่น งานที่ต้องดำเนินการต่อเนื่องเป็นเวลานาน วิศวกรรมซอฟต์แวร์ที่ซับซ้อน และการให้เหตุผลแบบหลายขั้นตอน

สถาปัตยกรรมและข้อมูลฝึก

ตามที่ระบุในเอกสารรายละเอียดโมเดล ซึ่งเผยแพร่โดย Meta Superintelligence Labs นั้น Muse Spark Open เป็น Transformer แบบ Mixture-of-Experts ที่ทำงานร่วมกับ Perception Encoder โมเดลภาษามี 62 เลเยอร์ มิติแฝง 8192 และผู้เชี่ยวชาญ 256 ตัว โดยเปิดใช้งาน 8 ตัวต่อโทเคนผ่านการกำหนดเส้นทางแบบ top-k บล็อก attention ใช้ gated attention พร้อม QK-norm มีหัว query 128 หัว และหัว key-value 16 หัวในรูปแบบ grouped-query โดยแต่ละหัวมีมิติ 64 ขนาดคำศัพท์คือ 202,048 และมี embedding ขาเข้าและขาออกที่ไม่ผูกเข้าด้วยกัน ส่วน Perception Encoder มีพารามิเตอร์ 1.8 พันล้านตัวใน 50 เลเยอร์ มิติแฝง 1536 จำนวนหัว 16 ขนาดแพตช์ 14×14 และมิติเอาต์พุต 4096 ทั้งยังใช้ sparse attention ที่มีตัวคูณ 4 ซึ่งหมายความว่าทุกเลเยอร์ที่สี่และเลเยอร์สุดท้ายจะใช้ full attention

โมเดลรับอินพุตได้ทั้งข้อความ ภาพ วิดีโอ และเสียง และสร้างเอาต์พุตเป็นข้อความ ตามเอกสารรายละเอียดโมเดล ข้อมูลฝึกประกอบด้วยข้อความ ภาพ เสียง และวิดีโอจากแหล่งข้อมูลสาธารณะ การเก็บข้อมูลจากอินเทอร์เน็ต บุคคลที่สาม ผลิตภัณฑ์และบริการของ Meta เอง รวมถึงข้อมูลที่สร้างขึ้นสังเคราะห์ ครอบคลุมมากกว่า 100 ภาษา โดยผ่านการคัดสรรซึ่งรวมถึงการทำความสะอาด การประมวลผล การกำจัดข้อมูลซ้ำ และการกรอง พารามิเตอร์ reasoning_effort ใช้ควบคุมระดับการคิดของโมเดลก่อนตอบ โดยมีการตั้งค่าระดับ low, medium, high และ xhigh ซึ่งกำหนด xhigh เป็นค่าเริ่มต้น หากใช้ค่าอื่น โมเดลจะแสดงข้อผิดพลาด Meta แนะนำให้ตั้ง temperature เป็น 1.0, top_p เป็น 1.0 และปิดใช้ top_k สำหรับการใช้งานส่วนใหญ่ พร้อมแนะนำให้ใช้ reasoning effort ระดับ high หรือ xhigh สำหรับการแก้ปัญหาซับซ้อน การเขียนโค้ด และงานที่ทำงานเป็นตัวแทน

ความพร้อมใช้งานและการปรับแต่งสำหรับ Apple Silicon

สามารถใช้งาน Muse Spark Open ผ่านแพลตฟอร์ม API ได้แก่ Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter และ Together AI และดาวน์โหลดน้ำหนักโมเดลได้จาก Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face และ Microsoft Foundry Models โมเดลทำงานบนเอนจินอนุมานต่าง ๆ ซึ่งรวมถึง SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp และ Unsloth โดยมีการปรับแต่งให้เหมาะกับชิปของ AMD, Apple, Intel และ NVIDIA และนักพัฒนายังสามารถปรับแต่งโมเดลเพิ่มเติมได้ด้วย TorchTitan ของ PyTorch น้ำหนักโมเดลมีให้ในรูปแบบ BF16 และ NVFP4 การใช้งานในเครื่องต้องใช้ GPU ที่มี VRAM อย่างน้อย 700GB สำหรับ NVFP4 หรือ 2TB สำหรับ BF16

Meta ระบุว่า Muse Spark Open เป็นโมเดลรุ่นแรกในระดับเดียวกันที่ทำงานบนคอมพิวเตอร์เดสก์ท็อปได้ โดยใช้ Mac Studio ที่มีชิป Apple M5 Ultra จำนวนสองเครื่องร่วมกับเฟรมเวิร์ก MLX รุ่นล่าสุด ซึ่งดึงน้ำหนักโมเดลจาก Hugging Face โดยตรง สถาปัตยกรรมหน่วยความจำรวมของ Apple ช่วยให้ GPU ที่ผสานอยู่ใน M5 Ultra ใช้หน่วยความจำได้สูงสุด 512GB ต่อ Mac Studio และ Meta ระบุว่าแบนด์วิดท์หน่วยความจำ 1.2TB/s ของชิปช่วยให้คอมพิวเตอร์สองเครื่องเก็บโมเดลทั้งชุดและทำงานเป็นระบบเดียวที่มีหน่วยความจำรวม 1TB ได้

Meta ระบุว่าได้ทดสอบเวิร์กโฟลว์การทำงานแบบตัวแทนที่ทำงานทั้งหมดบนอุปกรณ์ด้วย Muse Code ซึ่งขับเคลื่อนโดย Muse Spark Open ในการทดสอบหนึ่ง ระบบได้ส่งมอบการเปลี่ยนแปลง iOS ที่ใช้งานได้จริงให้กับ Ice Cubes ซึ่งเป็นไคลเอนต์ Mastodon แบบโอเพนซอร์ส ครอบคลุมการแก้ไขข้อบกพร่อง ฟีเจอร์ใหม่ และการสร้างแอปฉบับสมบูรณ์ ส่วนการทดสอบอีกครั้ง ระบบควบคุม DaVinci Resolve ตั้งแต่ต้นจนจบ โดยตรวจดูฟุตเทจทีละเฟรมเพื่อเลือกช่วงที่โดดเด่นและจัดเฟรมใหม่เป็นภาพแนวตั้ง นอกจากนี้ รุ่นเปิดน้ำหนักยังมาพร้อมเคอร์เนล GPU Helion แบบกำหนดเองที่ปรับแต่งอัตโนมัติได้ใน SGLang โดย Meta รายงานว่าเคอร์เนลเหล่านี้เพิ่มความเร็วในระดับเคอร์เนลได้ 1.03 ถึง 3.95 เท่าบน GPU ของ NVIDIA และ AMD และเพิ่มความเร็วโดยรวมตั้งแต่ต้นจนจบได้ 3% บน AMD MI350

ผลการทดสอบและความปลอดภัยที่ Meta รายงาน

เอกสารรายละเอียดโมเดลเปรียบเทียบ Muse Spark Open ซึ่งทำงานด้วย reasoning effort ระดับ xhigh กับ Inkling, Nemotron 3 Ultra, Beam, Mistral Large 4, Qwen3.8-2.4T-A95B, GLM 5.3 และ Kimi K3 Meta รายงานคะแนน 39 ในดัชนี Artificial Analysis Intelligence Index โดยตารางเดียวกันระบุว่า GLM 5.3 ได้ 45 คะแนน Kimi K3 ได้ 44 คะแนน และ Qwen3.8-2.4T-A95B ได้ 40 คะแนน ในการประเมินการทำงานแบบตัวแทน Meta รายงานคะแนน 61.8 ใน JobBench และ 89.2 ใน MCP-Atlas ซึ่งเป็นคะแนนสูงสุดในการทดสอบเหล่านี้เมื่อเทียบกับโมเดลที่แสดงในตารางของเอกสาร สำหรับความรู้และการให้เหตุผล Meta รายงานคะแนน 26.1 ใน HLE-Diamond โดยไม่ใช้เครื่องมือ 25 ใน AA Omniscience และ 89.0 ใน GPQA Diamond ซึ่งตารางระบุว่า Qwen3.8-2.4T-A95B และ Kimi K3 ได้คะแนนเท่ากันที่ 93.5

ในการทดสอบการเขียนโค้ด Meta รายงานคะแนน 76.4 ใน Terminal-Bench 2.1 ซึ่งเอกสารระบุว่า Kimi K3 ได้ 85.0 คะแนน และ GLM 5.3 ได้ 83.9 คะแนน นอกจากนี้ยังได้ 60 คะแนนใน DeepSWE 1.1 และ 58 คะแนนใน SWE-Atlas-QnA ซึ่งเอกสารระบุว่า Kimi K3 ได้ 68 และ 66 คะแนนตามลำดับ ในการทดสอบหลายรูปแบบข้อมูลที่ใช้เครื่องมือช่วย Meta รายงานคะแนน 50.0 ใน ZeroBench, 73.6 ใน SimpleVQA และ 80.2 ใน BabyVision เทียบกับ 85.7 คะแนนของ Kimi K3 ในตาราง รวมถึง 61.5 ใน VideoMMEv2 เทียบกับ 65.4 คะแนนของ Kimi K3 ตามที่ระบุไว้

Meta ระบุว่าเวอร์ชันที่เปิดเผยน้ำหนักโมเดลผ่านการฝึกต่อเพื่อเพิ่มความปลอดภัยเพิ่มเติม และได้รับการประเมินในด้านความปลอดภัยของเนื้อหา ความเสี่ยงจากการทำงานแบบเอเจนต์ ความเป็นส่วนตัว และความพร้อม ตามกรอบ Meta Superintelligence Scaling Framework โดยผ่านเกณฑ์ที่กรอบดังกล่าวกำหนดไว้สำหรับการเผยแพร่ การ์ดข้อมูลโมเดลระบุว่า Muse Spark Open ปฏิเสธคำสั่งเจลเบรกได้ 99.2% ในการทดสอบไซเบอร์ภายในของ Meta และ 94.8% เมื่อรวมผลจากชุดย่อยด้านไซเบอร์ของ PolyGuard, RedCode และ CyberBench 2024 โดยในการทดสอบเดียวกัน การ์ดข้อมูลระบุว่า Kimi K3 ทำได้ 75.5% และ 70.2% ตามลำดับ

Meta รายงานว่าโมเดลปฏิเสธคำขอที่เป็นอันตรายได้มากกว่า 98% ในการทดสอบ BioTIER ของ SecureBio และมากกว่า 99% ในการทดสอบเคมีแบบเทิร์นเดียวภายในองค์กร นอกจากนี้ยังปฏิเสธคำขอด้านชีววิทยาที่เป็นอันตรายได้มากกว่า 97% และคำขอด้านเคมีที่เป็นอันตรายได้ 98% ในการทดสอบภายในแบบหลายเทิร์นที่ใช้เอเจนต์ การ์ดข้อมูลรายงานอัตราความซื่อตรง 98.1% ในการทดสอบ MASK อัตราการประพฤติมิชอบ 0% ในการทดสอบ Agentic Misalignment และคะแนน 0.5 ใน StrongREJECT v2 ซึ่งคะแนนยิ่งต่ำยิ่งดี Meta เตือนว่าผลลัพธ์ดังกล่าวสะท้อนคุณลักษณะของจุดตรวจสอบโมเดลที่เผยแพร่ภายใต้เงื่อนไขการทดสอบที่ใช้ และการดัดแปลงในขั้นตอนต่อไปอาจทำให้ความปลอดภัยลดลง อีกทั้งแนะนำให้นำโมเดลไปใช้งานเป็นส่วนหนึ่งของระบบ AI ที่กว้างขึ้น โดยมีมาตรการป้องกันที่เหมาะกับกรณีใช้งาน

เงื่อนไขการอนุญาตใช้และข้อจำกัดที่ระบุไว้

น้ำหนักโมเดลเผยแพร่ภายใต้ Muse Model License ลงวันที่ 15 ตุลาคม 2026 ซึ่งอนุญาตให้ใช้งาน คัดลอก ดัดแปลง รวมถึงปรับแต่งโมเดลเพิ่มเติม สร้างผลงานดัดแปลง กลั่นความรู้จากโมเดล และเผยแพร่ได้โดยไม่เสียค่าใช้จ่าย ทั้งนี้ต้องเป็นไปตามเงื่อนไข ผู้ได้รับอนุญาตต้องแสดงข้อความ “Built with Muse Spark Open” อย่างเด่นชัดในส่วนติดต่อผู้ใช้ของผลิตภัณฑ์หรือบริการแต่ละรายการที่ใช้ซอฟต์แวร์หรือผลงานดัดแปลงจากซอฟต์แวร์ดังกล่าว หรือแสดงไว้ในเอกสารประกอบ เว็บไซต์ หรือเมนูการตั้งค่า

ผู้ได้รับอนุญาตที่ให้บริการโมเดลปัญญาประดิษฐ์ และมีรายได้รวมก่อนหักค่าใช้จ่ายเมื่อรวมกับบริษัทในเครือเกิน 20 ล้านดอลลาร์ในช่วงเวลา 12 เดือนติดต่อกันใด ๆ ต้องแจ้ง Meta และทำข้อตกลงเป็นลายลักษณ์อักษรแยกต่างหากก่อนนำซอฟต์แวร์ไปใช้ในธุรกิจดังกล่าว ข้อกำหนดนี้ไม่ครอบคลุมการใช้งานภายใน การวิจัย หรือกิจกรรมเชิงพาณิชย์อื่นที่ไม่ใช่บริการโมเดล และไม่ครอบคลุมการใช้ซอฟต์แวร์เป็นส่วนประกอบที่ขับเคลื่อนผลิตภัณฑ์ของผู้ได้รับอนุญาตเอง ใบอนุญาตระบุว่า Meta ไม่มีกรรมสิทธิ์เหนือผลลัพธ์ที่ซอฟต์แวร์สร้างขึ้น

นโยบายการใช้งานที่แนบมาระบุว่าโมเดลนี้ไม่ได้ออกแบบมาสำหรับผู้ที่มีอายุต่ำกว่า 18 ปี และห้ามใช้งานในกรณีต่าง ๆ ซึ่งรวมถึงกิจกรรมที่ผิดกฎหมาย การสร้างมัลแวร์ การพัฒนาอาวุธ การดำเนินงานโครงสร้างพื้นฐานสำคัญ และการหลอกลวงโดยเจตนา เช่น การฉ้อโกง การเผยแพร่ข้อมูลบิดเบือน และการปลอมแปลงตัวตน ข้อจำกัดที่ Meta ระบุไว้ ได้แก่ การตอบที่อาจไม่ถูกต้อง มีอคติ หรือไม่เหมาะสม ข้อผิดพลาดในการให้เหตุผลหลายขั้นตอนในสถานการณ์ใหม่ ประสิทธิภาพที่ลดลงในภาษาที่ไม่ได้อยู่ในกลุ่มภาษาที่รองรับอย่างเต็มที่ คุณภาพที่แตกต่างเล็กน้อยเมื่ออนุมานด้วยโมเดลควอนไทซ์ และความสามารถในการดูวิดีโอที่สั้นมากหรือมีความละเอียดต่ำซึ่งไม่น่าเชื่อถือ Meta ระบุว่าจะเผยแพร่รายงานการประเมินฉบับเต็มในเร็ว ๆ นี้