Meta lança o Muse Spark Open: modelo open-weight de 816B que roda em dois Mac Studio M5 Ultra

Fala aí, beleza? A Meta liberou os pesos do Muse Spark Open, um MoE de 816B parâmetros com 42B ativos por token, e documentou ele rodando localmente em dois Mac Studio M5 Ultra via MLX 😀

O lançamento foi em 15/10/2026 e os pesos estão no Hugging Face desde esse dia

O modelo tem janela de contexto de 1M de tokens e o foco declarado é programação e agentes

A Meta chama ele de modelo open-weight mais capaz dos EUA (afirmação da própria empresa, no título do anúncio oficial)

Porém as avaliações independentes contam uma história mais pé no chão: ele lidera entre os open-weight americanos, mas fica atrás de modelos abertos chineses

A cobertura do TechCrunch destacou que o modelo foi projetado para funcionar com Macs, rodando melhor em Mac Studio com M5 Ultra

O que é o Muse Spark Open e o que a Meta anunciou

É um modelo de pesos abertos da Meta com arquitetura MoE (Mixture of Experts), feito para programação, agentes e raciocínio em várias etapas

Mas o que é MoE mesmo?

Em vez de usar o modelo inteiro a cada token, ele tem vários "especialistas" e ativa só alguns por vez

No caso dele são 256 especialistas, com 8 ativos por token

Por isso o número total é 816B parâmetros, mas só 42B trabalham em cada token, o que alivia MUITO o custo de inferência

Outros pontos do anúncio:

• Contexto: 1M de tokens, segundo o anúncio oficial da Meta
• Modalidades: segundo a Meta, é nativamente multimodal; a MarkTechPost detalha que a entrada aceita texto, imagem, vídeo e áudio, com saída somente em texto
• Foco declarado: tarefas de longo horizonte, engenharia de software complexa e raciocínio em várias etapas

Onde ele fica na família da Meta?

O Muse Spark Open é uma categoria diferente do Muse Glimmer, modelo aberto denso de 30B da Meta: enquanto o Spark Open é um MoE de 816B parâmetros totais (42B ativos), o Glimmer é denso e bem menor

As fontes consultadas nesta revisão não confirmam uma comparação direta e atual de pontuação entre os dois modelos no Artificial Analysis Intelligence Index, então evite repetir números de diferença entre eles sem checar a fonte original

Como o Muse Spark Open roda em dois Mac Studio M5 Ultra

A resposta curta: memória unificada

Segundo a Meta, com a versão mais recente do framework MLX, a GPU integrada do M5 Ultra consegue usar até 512 GB de memória por Mac Studio

Aí duas máquinas juntas comportam o modelo inteiro

Não é exatamente um PC da Nasa, mas também não é o notebook do dia a dia haha

Vale um alerta: até esta revisão, não encontramos benchmarks de velocidade (tokens por segundo) publicados pela Meta ou confirmados por fontes independentes consultadas, então não dá pra afirmar quão rápido ele roda nessa configuração: só que ele roda

E o checkpoint NVFP4?

Segundo a Latent Space, o checkpoint NVFP4 tem cerca de 530 GB, porque só os especialistas são quantizados

Ele roda em 4x Blackwell Ultra, 8x H200 ou nos dois Mac Studio M5 Ultra de 512 GB via MLX

Pra quem quer algo menor, a Unsloth publicou quantizações, e a UD-IQ1_S tem 176 GB

Tome cuidado: tamanho de arquivo não diz nada sobre qualidade, então teste antes de confiar nela pra trabalho sério

Onde usar: pesos, motores de inferência e APIs

Dá pra baixar os pesos, rodar num motor de inferência ou simplesmente chamar via API

Onde baixar os pesos?

• Hugging Face, no repositório meta-models/Muse-Spark-Open-816B-A42B
• Amazon SageMaker AI
• Google Cloud Model Garden
• Microsoft Foundry Models

Quais motores e hardware têm suporte?

• otimizado para SGLang, vLLM, TensorRT-LLM e Hugging Face Transformers
• otimização para NVIDIA, AMD, Intel e Apple
• MLX, no caso do Apple silicon
• llama.cpp com suporte a GGUF já no dia do lançamento
• quantizações da Unsloth

Quais provedores de API e quanto custa?

No lançamento, a Meta listou Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI como provedores

Segundo a MarkTechPost e o próprio blog da Together AI, no lançamento o preço no OpenRouter, Together AI, Fireworks AI e Baseten era de US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de tokens de saída

Together AI, Fireworks AI e Baseten também listam US$ 0,15 por milhão de tokens de entrada em cache

Preço de lançamento costuma mudar, então confira na página do provedor antes de fechar qualquer conta

Desempenho: onde o Muse Spark Open lidera e onde fica atrás

Ele é o melhor open-weight dos EUA, mas não é o melhor open-weight do mundo

Segundo a Latent Space e a MarkTechPost, no Artificial Analysis Intelligence Index ele marca 39 pontos e aparece como o open-weight número 1 dos EUA

Já na própria tabela divulgada pela Meta, ele fica atrás de pelo menos três modelos abertos chineses:

• GLM-5.3: 45
• Kimi K3: 44
• Qwen3.8: 40

Vale registrar um dado de outra fonte, de outra data: segundo o Artificial Analysis, citado pelo The Batch em 21/09/2026, o MiMo-V2.6-Pro, da Xiaomi, marcava 46 pontos nessa época e aparecia como o open-weight mais bem colocado do índice. Esse número não está na tabela da Meta e não confirmamos se ele segue na liderança hoje

Onde ele se destaca?

Eficiência de tokens

Segundo o Artificial Analysis, ele usa 40 mil tokens de saída por tarefa do Intelligence Index, o menor número entre os nove open-weight de maior pontuação

Na prática, menos token gerado é conta de API menor 🙂

E em agentes e código?

Aqui o quadro é misto, e quem mostra isso é a própria tabela da Meta

Ele lidera o MCP-Atlas, com 89,2, e fica à frente do GLM 5.3 no JobBench (61,8 contra 61,4)

Mas fica atrás de Kimi K3, GLM 5.3 e Qwen3.8 no Terminal-Bench 2.1 (76,4, contra 85,0, 83,9 e 82,0, respectivamente) e atrás de Kimi K3 e GLM 5.3 no DeepSWE 1.1 (60, contra 67,5 e 66,9)

Ou seja: se o seu plano é usar ele como motor de agente de código, compare com Kimi K3 e GLM 5.3 antes de adotar

Licença Muse Model License: o que é permitido e o que exige

Não é uma licença open source padrão, é uma licença própria da Meta chamada Muse Model License

Segundo a cobertura da MarkTechPost e da Latent Space, ela:

• permite uso, fine-tuning, destilação e redistribuição
• exige que produtos exibam "Built with Muse Spark Open"
• exige acordo separado com a Meta para provedores de modelo como serviço com receita acima de US$ 20 milhões em 12 meses

Pra uso comercial, leia o texto oficial da licença inteiro antes, beleza?

Resumo de licença ajuda a entender, mas não substitui o documento

O que o Muse Spark Open muda para desenvolvedores

Depende MUITO do seu perfil, então bora por partes

Quem quer rodar um modelo grande localmente

Agora existe um caminho documentado pela Meta pra rodar um modelo desse porte em Apple silicon

A condição é ter dois Mac Studio M5 Ultra de 512 GB, então não é pra todo mundo

Quem usa via API

Você ganha uma opção multimodal (segundo a Meta), com contexto de 1M de tokens, vários provedores e preço de lançamento listado

Somando com a boa eficiência de tokens, pode sair interessante pra quem processa muito texto

Quem constrói agentes de código

Aqui é onde vale mais cautela

Se tu já mexeu com function calling no Muse Glimmer e pensa em subir de modelo, olhe os resultados em código no terminal e engenharia de software longa, onde ele fica atrás de Kimi K3 e GLM 5.3

O MCP-Atlas forte é um bom sinal pra uso de ferramentas, mas não resolve tudo sozinho

Empresas que revendem acesso ao modelo

Se você oferece o modelo como serviço, confira o limite de US$ 20 milhões de receita em 12 meses

Passou disso, precisa de acordo separado com a Meta

Mais lançamentos de modelos no canal

Se tu curte acompanhar essa corrida de modelos, lá no canal do Hora de Codar tem um vídeo sobre o lançamento do GPT-6 Sol e do Luna, da OpenAI, e o corte de preços que veio junto

Conclusão

Antes de pensar em comprar dois Mac Studio, faça o caminho barato primeiro

Abra o repositório do modelo no Hugging Face e a listagem dele no OpenRouter, e confira licença, requisitos e preço atual

Depois pegue uma tarefa real do seu fluxo (um bug, uma refatoração, um agente que você já usa) e rode via API, comparando com Kimi K3 ou GLM 5.3

Se o resultado justificar, aí sim vale pensar em hardware local 😉

Até o próximo post!

Quer aprender mais sobre inteligência artificial e programação na prática? Conheça o canal Hora de Codar no YouTube e acompanhe os próximos vídeos.