Muse Spark Open di Meta: modello da 816 miliardi di parametri con pesi aperti, anche su desktop

Meta ha rilasciato Muse Spark Open, un modello multimodale con pesi aperti da 816 miliardi di parametri totali, di cui 42 miliardi attivi per ogni token, e una finestra di contesto da un milione di token. L’annuncio, firmato dai Meta Superintelligence Labs, è del 15 ottobre 2026 e arriva con una promessa precisa: far girare un modello di questa classe su una scrivania, senza passare da un datacenter.

Per chi segue il mondo AI è una notizia che va oltre il solito lancio di un nuovo modello. Cambia il rapporto tra modelli di frontiera e hardware di consumo avanzato, e riapre la discussione su cosa significhi davvero “aperto” quando i pesi sono scaricabili ma la licenza pone dei limiti.

Cos’è Muse Spark Open e come è fatto

Muse Spark Open è la versione a pesi aperti della famiglia Muse di Meta, quella che comprende anche Muse Spark, Muse Spark 1.1, Muse Spark 1.2 e il generatore di immagini Muse Image. Secondo la scheda pubblicata da Meta Research, è un modello nativamente multimodale, pensato soprattutto per il coding e per i compiti agentici: attività lunghe, ingegneria del software complessa e ragionamento in più passaggi.

I numeri sono quelli di un’architettura a miscela di esperti: 816 miliardi di parametri complessivi, ma solo 42 miliardi attivati a ogni inferenza. In pratica il modello ha una conoscenza molto ampia a disposizione, mentre il costo di calcolo per ogni risposta resta più vicino a quello di un modello decisamente più piccolo.

La finestra da un milione di token

Il contesto da un milione di token è la seconda caratteristica che pesa. Permette di dare in pasto al modello interi repository, lunghe cronologie di lavoro o grandi raccolte di documenti senza spezzettarli. Per un agente che deve lavorare per ore su un progetto software, poter tenere tutto nella memoria di lavoro fa la differenza tra un assistente utile e uno che perde il filo.

Meta non fornisce, nel testo dell’annuncio, cifre di benchmark leggibili, ma rimanda a una sezione dedicata e a un rapporto sulla metodologia di valutazione. Per questo conviene aspettare le verifiche indipendenti prima di trarre conclusioni sulle prestazioni reali rispetto ai modelli chiusi.

Il vero titolo: un modello da 816 miliardi su una scrivania

L’aspetto che Meta mette più in evidenza riguarda l’hardware. L’azienda sostiene che Muse Spark Open sia il primo modello della sua classe a girare su un desktop, usando due Mac Studio con chip Apple M5 Ultra collegati tra loro e il framework MLX di Apple. Ogni macchina può mettere a disposizione della GPU integrata fino a 512 GB di memoria unificata, quindi due unità insieme arrivano a circa un terabyte, abbastanza per contenere l’intero modello.

La larghezza di banda della memoria, che per questi modelli conta quanto la potenza di calcolo, è indicata in 1,2 TB al secondo per ciascun M5 Ultra. Meta descrive le due macchine come un unico sistema.

Cosa hanno provato davvero

Per mostrare che non si tratta solo di una dimostrazione teorica, Meta ha messo alla prova flussi di lavoro agentici in locale con Muse Code, il suo strumento per lo sviluppo. Tra gli esempi citati ci sono la correzione di bug in un’app iOS, l’aggiunta di funzioni e la compilazione completa di Ice Cubes, un client Mastodon open source, oltre alla revisione frame per frame di filmati di DaVinci Resolve per ritagliare in verticale i momenti migliori.

Sono dimostrazioni scelte dall’azienda stessa, quindi vanno lette come tali. Il punto, però, resta: un agente di coding di livello alto che lavora sui tuoi file senza inviarli a nessun server è un’idea con implicazioni concrete per privacy, costi e dipendenza dai fornitori.

Se vuoi capire cosa serve per provare un modello in locale, nella nostra guida su come eseguire un LLM in locale sul tuo computer trovi le basi, anche se qui parliamo di un’altra scala di hardware.

Dove si scarica e dove si usa

La distribuzione è ampia fin dal primo giorno. Per le API ospitate Meta cita Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI. I pesi si possono scaricare tramite Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face e Microsoft Foundry Models, dove il modello compare con l’identificativo Muse-Spark-Open-816B-A42B.

Sul fronte software c’è il supporto a SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp e Unsloth, con ottimizzazioni per hardware AMD, Apple, Intel e NVIDIA. Per il fine-tuning Meta indica PyTorch, compreso TorchTitan.

C’è anche un dettaglio tecnico interessante: in SGLang sono stati inseriti kernel GPU Helion regolabili automaticamente, con accelerazioni dichiarate da 1,03 a 3,95 volte a livello di singolo kernel su GPU NVIDIA e AMD, e un miglioramento del 3% end-to-end su AMD MI350. Sono cifre fornite da Meta, e il guadagno complessivo, come si vede, è più modesto dei picchi sul singolo kernel.

Licenza e sicurezza: cosa significa “aperto”

I pesi sono pubblicati con la Muse Model License, che Meta descrive come dotata di condizioni commerciali limitate, pur consentendo a molti sviluppatori di usare il modello gratuitamente. Non è quindi una licenza permissiva classica come quelle usate per altri modelli aperti: prima di integrarlo in un prodotto è sensato leggere i termini con attenzione.

Sul piano della sicurezza, l’azienda riconosce che i pesi aperti portano un rischio in più, perché chiunque può modificare il modello e rimuovere le protezioni. Per questo ha applicato un post-addestramento di sicurezza aggiuntivo e ha valutato il modello secondo il proprio Meta Superintelligence Scaling Framework, dichiarando di aver rispettato le soglie di rilascio. I risultati dettagliati sono nella model card su Hugging Face, mentre il rapporto completo di valutazione è annunciato come “disponibile a breve”.

È un tema che il settore sta affrontando su più fronti. Il rilascio di pesi aperti molto potenti alimenta il dibattito sulla governance, come si vede anche nelle recenti prese di posizione raccolte nel nostro articolo sulla lettera dei 400 scienziati per un ente internazionale di contenimento dell’AI.

Il contesto: Meta, Muse e la corsa ai modelli aperti

Muse Spark Open si inserisce in una serie di mosse di Meta nelle ultime settimane. Pochi giorni fa abbiamo raccontato i nuovi modelli della famiglia nel nostro approfondimento su Muse Wonder e le funzioni Active Memory e Active Focus, e all’inizio del mese i sei paper di matematica legati a Muse Spark e ai problemi aperti.

Sul versante dei concorrenti, la gara ai pesi aperti di grande scala è molto affollata: Mistral Large 4 da un trilione di parametri è atteso con pesi aperti il 27 ottobre, e Microsoft ha appena presentato il suo MAI-Base-2, pur senza pesi aperti. Meta, dal canto suo, si presenta come l’azienda con il modello aperto statunitense più capace, un’affermazione che resta un posizionamento dell’azienda.

Cosa cambia concretamente per te

Per uno sviluppatore, la novità principale è la possibilità di sperimentare con un modello di frontiera senza dipendere da un’API. Per un’azienda attenta ai dati sensibili, significa valutare uno scenario in cui il codice e i documenti non lasciano mai la sede. Per chi si occupa di infrastruttura, è un nuovo banco di prova per l’inferenza distribuita su più macchine con memoria unificata.

Va detto con chiarezza che due Mac Studio di fascia altissima non sono un’attrezzatura da hobbista, e che la comodità del “desktop” va misurata sul costo e sulla velocità effettiva, dati che l’annuncio non quantifica. Il valore del rilascio sta più nella direzione che nei numeri: i modelli enormi stanno scendendo dal cloud verso postazioni di lavoro individuali.

In sintesi, Muse Spark Open è un passo concreto verso modelli di grande scala eseguibili in locale, con una distribuzione ampia e un’attenzione dichiarata alla sicurezza, ma con una licenza da leggere bene e prestazioni ancora da verificare in modo indipendente.

Conclusioni

Il rilascio di Muse Spark Open conferma che la competizione sui modelli aperti si sposta sull’esecuzione locale e sull’ecosistema di strumenti attorno ai pesi, non solo sulla dimensione dei parametri. Il consiglio è di consultare la fonte primaria di Meta, leggere la model card su Hugging Face e aspettare i primi test indipendenti prima di scegliere se adottarlo nei tuoi progetti.

Seguici per gli aggiornamenti: appena arriveranno il rapporto di valutazione completo e i primi confronti di terze parti, ti racconteremo cosa dicono davvero i risultati.