Metaがオープンウェイトモデル「Muse Spark Open」を公開 — 性能・実行環境・ライセンスの要点整理
Metaは2026年10月15日、オープンウェイトモデル「Muse Spark Open」の重みを公開しました。総パラメーター8,160億・トークンごとの有効パラメーター420億のMoE（Mixture-of-Experts、トークンごとに一部の専門家ネットワークだけを使う構成）モデルで、コンテキスト長は100万トークン、入力はテキスト・画像・動画・音声に対応します。評価結果を見る限り、コーディング単体のベンチマークでは中国発の大型オープンモデルに及ばない一方、ツール利用やエージェント的タスク、安全性の指標では上位に立ちます。自前で動かすにはNVFP4版でも700GB以上のVRAMが要るため、多くのチームはまずホステッドAPIか量子化版での評価から入るのが現実的です。商用利用は無償で認められますが、表示義務とMaaS条項の確認が前提になります。
公開されたもの: 重み・実行基盤・追加学習が同時に揃った
Muse Spark Openは、MetaのMuse Sparkシリーズのオープンウェイト版です。モデルカードによると、62層・隠れ次元8192の構成で、MoE層あたり256のエキスパートからトークンごとに8つを選びます。視覚入力は18億パラメーターのPerception Encoderが担当し、出力はテキストのみです。推論時の推奨設定はtemperature 1.0・top_p 1.0で、思考量を決めるreasoning_effortはlow/medium/high/xhighの4段階、既定値はxhighです。複雑なコーディングやエージェント処理ではhigh以上、速度を優先する用途ではlowかmediumが推奨されています。
注目すべきは、重みの公開と同時に周辺の実装が揃っている点です。SGLang、vLLM、TensorRT-LLM、Hugging Face Transformers、MLX、llama.cpp、Unslothが公開初日から対応し、追加学習もTorchTitan、NVIDIA NeMo AutoModel、Hugging Face TRLなどで可能です。SGLang向けのDFlash V2、vLLM向けのDSparkというドラフトモデル（本体の代わりに先回りして複数トークンを提案し、本体が一括検証する仕組み）も同時に提供されています。「公開されたが動かす手段がない」という状態を避ける設計で、評価を始めるまでの時間は短くなっています。
ベンチマークは得意・不得意がはっきり分かれる
Metaがモデルカードで公開した比較表では、同規模のオープンウェイトモデルに対して傾向が明確に分かれます。
- エージェント的なツール利用のMCP-Atlasは89.2で、Qwen3.8（84.5）、GLM 5.3（84.2）、Kimi K3（82.3）を上回る
- 業務タスクのJobBenchは61.8。ただしGLM 5.3の61.4との差は0.4ポイント
- 端末上の作業を評価するTerminal-Bench 2.1は76.4で、Kimi K3（85.0）、GLM 5.3（83.9）、Qwen3.8（82.0）を下回る
- ソフトウェア開発のDeepSWE 1.1は60で、Qwenは上回るがGLM・Kimiには届かない
- 総合指標のArtificial Analysis Intelligence Indexは39で、GLM 5.3（45）・Kimi K3（44）より低い
- 安全性では差が大きく、適応的攻撃に対するStrongREJECT v2は0.5（低いほど良い）で、比較対象の60台を大きく下回る
つまり「最高性能の汎用モデル」ではなく、ツールを呼んで結果を確かめながら進む用途に寄った選択肢と読むのが妥当です。なお、DeepSWEなどはモデルごとに実行環境（ハーネス）が異なるため、数値をそのままモデル単体の能力差として比較はできません。自社のタスクで検証する前提で見るべき数字です。
どこで動かすか: 4つの選択肢と必要なもの
重みが公開されていても、実行コストは小さくありません。Metaの開発者向け資料によると、BF16版は約1.6TB、NVFP4版（エキスパート部分のみ精度を下げたもの）は約530GB。モデルカードの推奨VRAMはNVFP4で700GB以上、BF16で2TBです。
- GPUサーバー: NVFP4版をBlackwell Ultra 4基、またはH200 8基で提供可能。1ノードを超える規模ではNVIDIA Dynamoでprefillとdecodeを分離する構成が案内されています
- Apple Silicon: M5 Ultra搭載Mac Studio（512GB）2台、または256GB構成4台で合計1TBの統合メモリーを確保し、MLXで各層を分割して実行。Thunderbolt 5とRDMAで直結し、重みは移動させず中間結果だけをやり取りします
- 量子化してローカル実行: UnslothのDynamic GGUFは2bitまで圧縮でき、最小構成はシステムRAMとVRAM合計で約300GB。精度の低下は避けられないため、検証用途向けです
- ホステッドAPI: Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AIが公開初日から対応。ハードウェアを調達する前に評価できます
データを外に出さないことが要件なら自前実行、性能や挙動の見極めが先なら推論APIというのが素直な切り分けです。重みの入手先はHugging Faceのほか、Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Modelsがあり、既存のクラウド環境に合わせて選べます。
ライセンスで確認すべき3点
Muse Model Licenseは、利用・改変・ファインチューニング・蒸留・派生モデルの作成・再配布・販売を幅広く認めます。ただし条件が付きます。
- 表示義務: このモデルや派生モデルを使う製品・サービスのUI、または付随するドキュメント・Webサイト・設定画面に「Built with Muse Spark Open」を目立つ形で表示する必要があります
- ライセンスとUsage Policyの同梱: 著作権表示・ライセンス・利用ポリシーを複製物や派生物に含め、ポリシーに準拠する必要があります
- MaaS条項: APIなどで第三者にモデルへのアクセスと出力を提供する事業を営み、かつ自社と関連会社の合算総売上高が連続する12か月間で2,000万米ドルを超える場合、提供開始前にMetaへ通知し別途書面契約を結ぶ必要があります。内部利用・研究・MaaSに当たらない商用利用、そして自社プロダクトの機能としてモデルを組み込む利用は対象外と明記されています
受託開発や自社サービスへの組み込みであれば、通常はMaaS条項の対象外です。一方で「モデル自体をAPIとして売る」形態に近づく場合は、売上規模の条件を事前に確認しておく必要があります。なお、出力物についてMetaは所有権を主張しないと明記されています。
エージェントとして運用するときの前提
Metaは、オープンウェイト版に追加の安全性事後学習を施し、システム側の保護策がない状態でも悪用に耐えるようにしたと説明しています。サイバー関連の内部ベンチマークでは99.2%のジェイルブレイクを拒否したとされます。それでもモデルカードは、用途に応じたガードレールを組み合わせたAIシステムの一部として配備するよう推奨しています。具体的な推奨事項は実務に直結します。
- 取り消せない操作には人間の確認（human-in-the-loop）を挟む
- 利用者向けアプリでは生の思考過程（chain-of-thought）をそのまま出さない
- 内部のアシスタントメッセージをユーザー入力から保護し、多層の対策を組む
- 公開時の評価はすべての構成を網羅しておらず、ファインチューニング後のモデルに評価結果をそのまま当てはめない
最後の点は見落としやすい部分です。追加学習で安全性が低下する可能性があるため、改変したモデルを本番に出すなら自前の安全性テストが前提になります。
検討を進める手順
いきなりハードウェアを調達する必要はありません。順序としては、まずホステッドAPIで自社の実タスク（既存コードベースでの修正、社内ツールのMCP連携など）を試し、reasoning_effortを変えながら品質と応答時間の折り合いを探ります。次に、そこで得た結果を既存の商用モデルやKimi K3・GLM 5.3などと比べ、乗り換える理由が「性能」なのか「データを外に出さないこと」なのかを言語化します。自前実行に進むのは、後者が理由として残った場合です。その段階で初めて、NVFP4版700GBというVRAM要件や、Mac Studio複数台構成の実現性を検討すれば十分です。並行して、法務にMuse Model Licenseの第2項・第3項を共有し、表示義務とMaaS条項の該当可否を確認しておくと、本番投入の直前で止まる事態を避けられます。
