一太字节的赌局：当一个 8160 亿参数的模型搬进桌面

一张双层蓝光光盘装 50GB。要把一个模型完整塞进电脑，你得准备二十来张。Meta 刚刚发布的 Muse Spark Open，总参数 8160 亿，激活参数 420 亿，上下文窗口 100 万 token。它装进桌面的方式，是两台苹果 Mac Studio 各出 512GB 统一内存，合起来 1TB。按 BF16 精度算，8160 亿参数光权重就要约 1.6TB，桌面放不下；能放下的那一份，是压缩到 NVFP4 的版本。这不是一次普通的开源发布，这是把"个人电脑跑顶级模型"从口号变成了一份硬件采购单。

🖥️ 两台机器像一个大脑：权重不动，只有中间结果在跑

Meta 官方博客把这件事说得很直白：Muse Spark Open 是同类模型中第一个能在桌面运行的，靠的是最新版 MLX 框架和两颗 M5 Ultra 芯片。每台 Mac Studio 的统一内存架构让集成 GPU 最高可用 512GB，两台凑出 1TB；芯片的 1.2TB/s 内存带宽，够读出每个 token 需要的那一小片权重。

真正巧妙的是分工方式。模型是混合专家架构，每 token 只激活 420 亿参数。MLX 的张量并行把每一层切成两半，两台机器各存一半权重、各算一半，权重从来不搬家，只在两台机器之间以微秒级往返传输很小的中间结果。Thunderbolt 5 加 RDMA 负责把这两台机器绑成一台。除了这个 2×512GB 的组合，官方还给了另一条路：四台 256GB 的 Mac Studio，同样凑 1TB。云端则是另一番景象：单节点四张 Blackwell GPU，用 TensorRT-LLM 把注意力切四路、把 256 个专家铺到四张卡上。

三条部署路线摆在一起，门槛高下立见：

🧪 不连网能干什么：改 iOS 应用，剪竖版视频

本地跑分再好听，也要看干活。Meta 用自家 Muse Code（由 Muse Spark Open 驱动）测了一批完全在设备上运行的智能体工作流。两个例子有具体画面：给开源 Mastodon 客户端 Ice Cubes 提交真实的 iOS 改动，从修 bug 和加功能，一直到完整构建；端到端操控达芬奇剪辑软件，模型逐帧审阅素材，挑出最强的镜头，再裁成竖版。

这两件事的共同点是长链条、多步骤，而且全程不出本机。对一个 420 亿激活参数的模型来说，这意味着编码智能体的主战场开始从云端向桌面渗漏。当然，样本是官方自选的演示，没有第三方复现，速度数据（每秒多少 token）也没有披露，能说的是"跑起来了"，还不能说"跑得快"。

📊 记分卡与护栏：开源的位置在次强

Meta 给了一份对标的官方记分卡，比较对象有 Inkling 与 Nemotron 3 Ultra，有 Beam 与 Mistral 4 Large，还有 Qwen3.8-2.4T-A95B、GLM 5.3 与 Kimi K3。据 aireleasetracker 对这份记分卡的转录，Muse Spark Open 在 FrontierCode v1.1 主集拿到 53.3%、扩展集 64.5%，Terminal-Bench 4.0 为 57.9%，SWE-Marathon v1.1 为 31.9%，FrontierSWE V2 为 25.3%。（这些数字由第三方站点转录自家记分卡，未能逐项核对原图，且各家 harness 不同，横向比较只能看个大概。）

有意思的一个对照：Artificial Analysis 用自家 Stirrup 框架跑 FrontierCode 1.1，Claude Opus 5.5 的平均分是 52%。同一把尺子的名义下，53.3% 略高半分，但两边 harness 不同，这个"略高"说明不了谁更强，只能说明开源权重已经挤进了同一个讨论区间。

护栏方面，Meta 说开放权重有额外考量，因此这个版本做了额外的安全后训练，评估覆盖 Meta Superintelligence Scaling Framework 里最严重的风险类别，并称达到了发布门槛，详细结果在模型卡里，完整评估报告"稍后提供"。许可用的是 Muse Model License，带有限商业条款，很多开发者可以免费用。分发也铺得很开。API 一侧七家：Baseten 与 Fireworks AI 打头，Groq、Modal 与 Nebius 跟上，OpenRouter 和 Together AI 收尾。权重一侧四处：Amazon SageMaker AI 与 Google Cloud Model Garden 托管，Hugging Face 和 Microsoft Foundry Models 也上架。推理引擎这一侧，SGLang 与 vLLM 打头，TensorRT-LLM、Hugging Face Transformers 与 Apple MLX 紧随，llama.cpp 和 Unsloth 也能跑；芯片侧照顾到 AMD 与 Intel，NVIDIA 和苹果的芯片也没被落下。SGLang 里还带了自动调优的 Helion GPU 内核，官方数字是内核级加速 1.03 到 3.95 倍，AMD MI350 上端到端快 3%。

🪜 一层一层看：这次发布的真实位置

把以上信息排成一条阶梯，这个模型的定位就清楚了：

Meta 首席 AI 官 Alexandr Wang 把分层原则说了出来：公司原则上不会把最强性能的模型开源，但会持续向开发者社区开放性能稍低的版本。换句话说，这次开源的定位从第一天就是"次强"，它不如同一周的 Muse Wonder 先进，这一点 Meta 自己承认。扎克伯格的叙事则更激进：让高性能 AI 摆脱云端服务器依赖，让本地设备也拥有强大模型能力。

分发生态的铺开程度，本身就是这次发布的一半正文。把它摊开是一张四层清单：

对围观者的实际意义有三层。其一，编码智能体的"端侧主权"从叙事变成了硬件规格竞争，1TB 内存就是新的入场券，普通消费级 Mac 连门都进不去，这一点环球网的报道说得很直接。其二，开源权重的"美国最强"这顶帽子，本身是对开源格局的一次喊话，Qwen、GLM、Kimi 这些名字出现在对标列表里，说明 Meta 眼中的对手已经换了阵营。其三，对整个工具链是实在的利好：七种推理引擎、四种芯片和自动调优内核，意味着"下载权重"到"跑起来"之间的摩擦被认真对待过。

没被回答的问题同样重要：本地跑的速度到底多快、Muse Model License 的商业边界划在哪、完整安全评估报告何时给出、以及那个 1TB 门槛什么时候能降下来。这些问题决定它是开发者的生产力，还是一场昂贵的演示。

信源与限定：规格、部署、演示与许可等均来自 Meta 研究博客与开发者博客（2026-10-15）；记分卡数字来自 aireleasetracker 对 Meta 记分卡的转录，未逐项核对原图；FrontierCode 对比数字来自 Artificial Analysis 口径的转述；"不如 Muse Wonder 先进"与 Alexandr Wang 的分层原则来自界面新闻转述；本地速度与许可细则未披露，完整安全报告也未见发布。本文所有换算（BF16 约 1.6TB、512GB×2=1TB）为按披露参数的自行计算。