Text & Reasoning

Muse Spark Open

Muse Spark Open erweitert Metas Angebot um herunterladbare multimodale Gewichte. Ein eigener Betrieb bleibt eine große Infrastrukturaufgabe: Eingaben aus mehreren Medien ändern nichts daran, dass Runtime, Speicher und Lizenz zusammenpassen müssen.

Wie kannst du es nutzen?

Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.

Aktuell · offene GewichteQuellenstand 2026-10-19

Meta im Verzeichnis

Tokenwerk / Text & Reasoning · Quellenstand 2026-10-19

EingabeText, Bild, Audio, Video

AusgabeText

Kontext1.048.576 Tokens

Technische Daten

Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.

„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.

Version & Identität
Hersteller	Meta
Modellfamilie	Muse
Modell-/API-ID	`meta-models/Muse-Spark-Open-816B-A42B`
Status	Aktuell · offene Gewichte

Ein- & Ausgabe
Modellart	Text & Reasoning
Eingabe	Text, Bild, Audio, Video
Ausgabe	Text

Dokumentierte Limits
Kontext	1.048.576 Tokens
Maximaler Output / Horizont	Nicht bestätigt

Zugang & Betrieb
Bereitstellung	Self-Hosting oder gehostete Inferenzpartner; Lizenzbedingungen prüfen
Gewichte	Offene Gewichte dokumentiert
Lizenz	Muse Model License und Acceptable Use Policy

Daten im Überblick

Die Grafik zeigt die im Profil dokumentierten Grenzen. Kontext und maximale Ausgabe sind keine addierbaren Budgets und keine Qualitätsbewertung. Zusätzliche Bedingungen stehen im Datenblatt.

Kontext: 1.048.576 Tokens
Maximaler Output / Horizont: Nicht bestätigt

Datenbasis: Herstellerangaben im Quellenstand 2026-10-19. Quellen zu diesem Profil ↓

Tokenwerk-Datenbild · Dokumentierte Limits · kein eigener Benchmark.

Einsatz und Grenzen

Meta hat Muse Spark Open am 15. Oktober 2026 veröffentlicht. Die Dokumentation beschreibt Text-, Bild-, Audio- und Videoeingaben sowie Textausgabe. Ein konkreter gehosteter Anbieter oder eine Runtime kann davon nur einen Teil bereitstellen.

Meta dokumentiert 816 Milliarden Gesamtparameter und 42 Milliarden aktive Parameter pro Token. Die aktive Zahl beschreibt den ausgewählten Rechenpfad und ist kein Gewichtespeicherbedarf. Die Dokumentation trennt BF16 und NVFP4 mit unterschiedlichen Speicher- und Hardwarekonfigurationen. Der Auswahlguide für lokale KI-Modelle vertieft die Prüfung von Aufgabe, Gewichteformat, Speicher und Lizenz vor einem eigenen Versuch.

Als Wege sind Selbstbetrieb und gehostete Inferenzpartner dokumentiert. Ein Partnerzugang hat eigene Modellnamen, Tarife und Medienfunktionen. Der hier angegebene Repository-Name ist keine universelle API-ID für alle Partner.

Die Veröffentlichung steht unter der Muse Model License und einer Acceptable Use Policy. Offene Gewichte werden damit nicht als uneingeschränktes Open-Source-Paket dargestellt. Prüfe die geltenden Bedingungen und die tatsächlich freigeschalteten Medienfunktionen vor einer Integration.

Vor deiner Auswahl

Checkpoint, Partner oder selbst betriebene Runtime getrennt dokumentieren.
Gewichte, KV-Cache und Laufzeit in die Speicherplanung aufnehmen.
Bei Medienprüfungen jede behauptete Bild- oder Audioaussage an der Vorlage kontrollieren.

Was kostet Muse Spark Open?

Bereitstellung / kein bestätigter API-EinheitspreisSelbstbetrieb: Infrastrukturkosten statt bestätigtem Tokenpreis

Offene Gewichte sind kein kostenloser Betrieb. Hardware, Laufzeit, Speicher und gegebenenfalls gehostete Anbieter separat kalkulieren.

Vergleiche ein konkretes Deployment mit seinem tatsächlichen Verbrauch. Angaben zu Gewichten, Speicher und Kontext sind keine gemessene Latenz oder zugesicherte Anwendungsqualität.

Zugang: Self-Hosting oder gehostete Inferenzpartner; Lizenzbedingungen prüfen. Eine öffentlich dokumentierte Modell-ID bestätigt keine Freischaltung deines Kontos.

Praxis: Vorschläge und Beschlüsse im Protokoll trennen

Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark

Ein Protokoll soll Entscheidungen sichtbar machen und darf eine diskutierte Idee nicht nachträglich beschließen. Unsere kurze, fiktive Besprechung enthält einen bestätigten Auftrag, eine ausdrücklich abgelehnte Ausgabe und einen Vorschlag ohne Freigabe. Die Aufgabe bleibt bewusst klein: Wer hat was tatsächlich übernommen, und welche Frist ist belegt?

Vorbereitung

Meta bietet Muse Spark Open als offene Gewichte und über gehostete Anbieter an. Die Dokumentation unterscheidet Gesamtparameter, aktive Parameter und Speicherbedarf: Nur ein Teil der Experten ist pro Token aktiv, trotzdem müssen beim Serving die vollständigen Gewichte berücksichtigt werden. Für den Textversuch kannst du einen bereits eingerichteten, ausdrücklich ausgewiesenen Zugang verwenden. Das Beispiel ist keine Empfehlung, das Modell ohne Hardwareplanung auf einen Alltagsrechner zu laden.

Fiktives Protokoll · keine reale Bestellung.

Halte Modellversion, gewählten Zugang und Einstellungen fest. Nutze nur die fiktiven Angaben dieser Vorlage.
Bearbeite die Aufgabe und speichere den geforderten JSON-Teil unverändert als antwort.json. Bei einer freien Antwort erstellst du den Prüfteil selbst und kennzeichnest das.
Vergleiche mit dem Soll und prüfe mindestens einen veränderten Eingabefall. Ein bestandener Beispielsatz ersetzt keine Abnahme auf deinen eigenen Daten.

Aufgabe zum Kopieren

Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.

Lies das fiktive Protokoll:
Lea: Ich schlage vor, zehn Kameras zu kaufen.
Omar: Der Kauf ist nicht freigegeben.
Lea: Ich erstelle stattdessen eine Liste vorhandener Geräte.
Omar: Die Liste ist beauftragt. Einen Termin legen wir später fest.
Gib JSON: beauftragte_aufgabe (exakt "Liste vorhandener Geräte"), verantwortlich, frist (fehlend null), kauf_freigegeben (bool), vorgeschlagene_kameras (Zahl). Keine Bestellung auslösen.

Vorlage herunterladen Lokalen JSON-Prüfer herunterladen

Lösung und Prüfkriterien ansehen

Zehn Kameras sind nur ein Vorschlag.
Lea übernimmt die Liste; ein Termin fehlt.
Eine Zusammenfassung erteilt keine neue Freigabe und löst keine Aktion aus.

{
  "beauftragte_aufgabe": "Liste vorhandener Geräte",
  "verantwortlich": "Lea",
  "frist": null,
  "kauf_freigegeben": false,
  "vorgeschlagene_kameras": 10
}

Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.

Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.

Typische Fehler bei dieser Aufgabe
Beobachtung	Was du prüfst
Der Kauf wird als beschlossen ausgegeben	Prüfe die ausdrückliche Ablehnung und den Wechsel zur Bestandsliste.
Omar wird als Bearbeiter genannt	Unterscheide Auftraggeber und Person, die die Aufgabe übernimmt.
Eine Frist wird ergänzt	Später festlegen ist kein konkretes Datum.

Passende Anleitungen

Wie ein Entwurf vor einer Aktion geprüft wird, zeigt die Lektion zu menschliche Freigaben im Workflow.

Bevor du dich für Selbstbetrieb oder einen Anbieter entscheidest, kannst du KI-Tools nach Aufgabe und Datenweg auswählen.

Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.

Herstellerunterlagen zur Ergänzung: Muse Spark Open - Meta Model API (Abruf 2026-10-22) · Hardware platforms - Meta Model API (Abruf 2026-10-22).

LernpfadLokale KI betreiben PraxisprojektLokalen Assistenten vorbereiten VertiefenModelle fair bewerten

Quellen und Prüfstand

Die verlinkten Herstellerunterlagen wurden für dieses Profil ausgewertet. Ältere Versionen und Einführungstexte dienen der Einordnung; aktuelle technische Angaben haben Vorrang. Abrufdaten stehen an den Quellen. Die Grafik ist redaktionell, kein Leistungstest.

Muse Spark Open - Meta Model APIAbruf 2026-10-19
Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date | Meta AI ResearchAbruf 2026-10-19
Get the model - Meta Model APIAbruf 2026-10-19
Hardware platforms - Meta Model APIAbruf 2026-10-19

Häufige Fragen

Was ist Muse Spark Open?

Offene Muse-Spark-Gewichte für multimodale Eingaben und Textausgabe. 816 Milliarden Gesamtparameter: Selbstbetrieb braucht Server- oder verteilte Hardware.

Welche Eingaben und Ausgaben unterstützt es?

Eingabe: Text, Bild, Audio, Video. Ausgabe: Text. Entscheidend bleibt die Unterstützung im konkreten Endpunkt bzw. in der verwendeten Runtime.

Wie wird Muse Spark Open bereitgestellt?

Self-Hosting oder gehostete Inferenzpartner; Lizenzbedingungen prüfen. Offene Gewichte sind kein kostenloser Betrieb. Hardware, Laufzeit, Speicher und gegebenenfalls gehostete Anbieter separat kalkulieren.

Ist das hier ein eigener Leistungstest?

Nein. Das Profil ordnet die genannten Herstellerquellen vom 19. Oktober 2026 ein. Die Übung und Grafik sind redaktionell erstellt; es wurde keine Modellinferenz ausgeführt.

Wie groß ist das Kontextfenster von Muse Spark Open?

Im dokumentierten Quellenstand: 1.048.576 Tokens. Kontext laut Meta-Dokumentation. Runtime, Präzision und Medienverarbeitung müssen beim gewählten Deployment unterstützt sein. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.

Wie prüfst du Muse Spark Open für deine Aufgabe?

Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.

Kann ich Muse Spark Open wie ein kleines Laptop-Modell installieren?

Die offizielle Dokumentation beschreibt sehr große Gewichte und Serverkonfigurationen. Plane Format, vollständige Gewichte, Kontext und Laufzeit gemeinsam; aktive Parameter allein ergeben keine Speicherempfehlung.

Ist die Protokollauswertung ein multimodaler Test?

Nein. Hier wird ein kurzer Text verarbeitet. Audio- oder Videoeingaben erfordern eine gesondert unterstützte und geprüfte Integration.

Bestätigt die Übung eine Freigabe für meine Anwendung?

Nein. Das Protokoll und sein Soll sind erfunden. Eigene Datenwege, Rechte, Lizenz und Abnahmekriterien musst du für deinen konkreten Einsatz prüfen.

Weitere Meta-Modelle

Alle anzeigen →