Muse Spark Open 必要スペック早見表

Metaが2026年10月15日に公開したオープンウェイトモデル「Muse Spark Open」（総816B・アクティブ42BのMoE）をローカルで動かす場合、公式の目安はBF16で約2TB、NVFP4（4bit）で最低700GBのVRAMだ。Metaは「米国発のオープンウェイトモデルとして現時点で最高性能」と位置づけ、公式にはMac Studio（M5 Ultra・統合メモリ512GB）2台でMLX経由の動作が最適化されている。GGUFの2bit級なら合計約300GBのメモリに収まるという報告もある。

つまり個人のPCや単体GPUで動かす規模ではなく、現実的な選択肢はMac Studio 2台、H200やB200を8枚前後積んだサーバー、あるいは各社のAPIだ。本稿ではMetaの公式情報、報告ベースの数値、当サイトによる推定を分けて記載する。FP8やKVキャッシュなど公式値のない箇所は「推定」と明記し、モデルカードに載っていない事項は「未公表」とする。

重みの容量は「総パラメータ816B × 1パラメータあたりのバイト数」で見積もれる。公式の700GBや2TBにはKVキャッシュと実行時のオーバーヘッドを含む余裕が見込まれているため、下表は公式値・報告値・推定値を分けて並べた。

手元のGPU・Macで動くかをすぐ確かめたい場合は、モデル・量子化・コンテキスト長を選ぶだけで必要VRAMを試算できるVRAM計算ツール（無料・登録不要）も用意している。Muse Spark Openもモデル一覧から選択できる。

構成例の合否は、合計メモリを公式の700GBと推定のFP8容量に照らした当サイトの判断で、実機での検証値ではない。BF16は約2TBで、B200×8でも1,536GBに届かない。

Muse Spark Openは、Metaのモデルファミリー「Muse」のオープンウェイト版だ。MoE構造のTransformerにPerception Encoderを組み合わせ、テキスト・画像・動画・音声を入力できる（出力はテキスト）。100以上の言語で学習されているが、すべての言語が評価されているわけではない。Hugging Faceのリポジトリは meta-models/Muse-Spark-Open-816B-A42B で、Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Modelsでも提供される。

MoEは1トークンごとに256エキスパートのうち8つしか使わないが、どれが選ばれるかは入力次第で変わる。そのため原則として全エキスパートを常駐させる必要があり、必要メモリは総パラメータ（816B）で決まる。アクティブ42Bが効くのは速度の側で、4bitなら1トークンあたり読み出す重みは約21GB（42B × 0.5byte）にとどまる。メモリ要求は800B級、計算量は40B級という二面性を持つ。

公式が示す4bit形式はNVFP4で、MetaとAppleがMLX向けに用意した形式とされる。重みだけなら816B × 0.5byte ≒ 408GBだが、スケール係数などのメタデータとKVキャッシュ、実行時の領域を見込んで公式は最低700GBとしている。2bit級はUnsloth Dynamic GGUFで合計約300GBに収まると報告されており、llama.cpp、Ollama、LM Studio、Janで量子化版を使える。ただし2bit級は品質低下が大きくなりやすく、推論を使う用途では4bit以上が無難だ。

量子化の基本はMistral Large 4の必要スペック記事でも整理している。同じ1T級でも、Muse Spark Openは4bitで700GB級と公式値があるぶん、見積もりの誤差を気にせず構成を決めやすい。

Metaは、M5 Ultra搭載のMac Studio（統合メモリ512GB）2台、合計約1TB・メモリ帯域1.2TB/sの構成で動かすことを公式に最適化している。MLX（mlx-lm）経由でNVFP4を使い、2台合計で毎秒約15.7〜25トークンの生成速度が報告されている（報告ベース、条件によって変わる）。1台あたり512GBでは4bit版（最低700GB）は載らないため、2台を分散推論で束ねるのが前提だ。

デモとしては、Metaのコーディング用ターミナル「Muse Code」が、オープンソースのiOS向けMastodonクライアント「Ice Cubes」でのバグ修正と機能追加、DaVinci Resolveを操作した映像の確認・クロップをオンデバイスで実行する様子が公開された。台数間の接続方式や必要なネットワーク帯域、長コンテキスト時の速度は公式情報として確認できておらず、本稿では未公表とする。

GPUサーバーでは、4bit（NVFP4）ならH200×5〜8、B200×4〜8が候補になる。FP8（約816GB）はH200×8の1,128GBに載るが、残りは約300GBで、後述の長コンテキストでは余裕が小さい。BF16はB200×8でも不足する。並列化の方式（テンソル並列・エキスパート並列）によっては枚数が2の累乗に制約されるため、H200×5のような構成が使えるかはフレームワーク次第だ。

MetaはカスタムのHelionカーネルをSGLangに提供しており、カーネル単位でNVIDIAとAMDで1.03〜3.95倍の高速化、AMD MI350ではエンドツーエンドで3%の改善が報告されている。端から端までの高速化は限定的なので、導入の決め手にするよりは、AMDでも動かせる選択肢が増えた程度に見ておくのがよい。

KVキャッシュは、層数62 × KVヘッド16 × ヘッド次元64 × 2（KとV）× 2byte（BF16）で、1トークンあたり約254KBと推定できる（当サイトの計算で、公式値ではない）。

GQA（KVヘッド16）のおかげで、128Kなら約33GBに収まる。一方、1Mを使い切ると約260GBが重みに上乗せされ、4bitの700GBに足すと960GB前後になる。同時リクエスト数に比例して増えるため、1Mを本格運用するならH200×8やB200×8級が現実的だ。仕組みはKVキャッシュとコンテキスト長のVRAM解説を参照してほしい。

対応フレームワークは、SGLang、vLLM、Transformers（AutoModelForMultimodalLM）、TensorRT-LLM、MLX（mlx-lm）、llama.cpp、Unsloth。ファインチューニングはPyTorchとTorchTitanで行える。以下はMetaが示すコマンドだ。まずvLLM。

次にSGLangで、OpenAI互換のサーバーをポート30000で起動する。

Dockerを使う場合は、Docker Model Runnerで1行で起動できる。

Mac Studio 2台のMLX構成は、mlx-lmの分散実行機能を使う。2台をつなぐ具体的なコマンドと設定はMetaのモデルカードおよびmlx-lmのドキュメントで確認してほしい（本稿の時点で当サイトは実機検証していない）。推奨のサンプリング設定はtemperature 1.0、top_p 1.0、top_kは無効で、推論強度はlow／medium／high／xhighから選ぶ（既定はxhigh）。

APIで使えるプロバイダーは、Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AIだ。トークン単価は確認できていないため、各社の料金ページで入力・出力の単価を比べてほしい。上記のハードを揃えるとMac Studio 2台でも数百万円規模、H200×8なら桁が一つ上がるため、多くの中小企業ではまずAPIで品質を評価するほうが投資判断を誤りにくい。自前運用が向くのは、機密データを社外に出せない、毎日大量に処理するなど明確な理由がある場合だ。

同じMetaのクローズドなAPIモデルについてはMuse Spark 1.3の料金とベンチマーク記事、手元で動かせる小型モデルはMuse Glimmer 30Bの必要スペック記事にまとめている。

ライセンスはMetaの独自ライセンス「Muse Model License」で、OSI定義のオープンソースではない。利用、改変、ファインチューニング、蒸留、再配布、販売が認められる。主な条件は次のとおりだ。

- 製品などに「Built with Muse Spark Open」の表示が必要
- 直近12か月のいずれかで総収益が2,000万米ドルを超え、かつ第三者にAPIで提供する（Model-as-a-Service）場合は、Metaへの通知と別途の契約が必要
- 社内利用、研究、自社製品への組み込みは上記の対象外
- 出力の所有権をMetaは主張しない
- 利用ポリシーで、兵器、マルウェア、重要インフラの運用、詐欺・偽情報・なりすましを禁止。18歳未満は対象外

Kimi K3のライセンスと似ていると報じられている。自社サービスに組み込む中小企業なら、通常は2,000万ドル級の収益条項に当たらないが、契約形態によって解釈が変わりうるため、事業で使う前にライセンス全文を確認してほしい。

以下はMetaのモデルカードに載るxhighでのベンチマーク値で、開発元による発表だ。独立した第三者の追試はまだ確認できず、完全な評価レポートも「近日公開」とされている。

読み取れる傾向は、エージェントのツール利用（MCP-Atlas）と有害依頼の拒否（StrongREJECT）が強く、コーディング系ではKimi K3やGLM 5.3に及ばないという点だ。総合指標のAA Intelligence Indexは39で、Qwen3.8-2.4Tの40とほぼ並び、Mistral Large 4の38をわずかに上回る。コーディングエージェント用途ならKimi K3、ツール連携や安全性重視ならMuse Spark Openという使い分けが考えられるが、自社データでの検証が前提だ。

メモリの軽さでは、501BのReflection Beamが大きく優位だ。Muse Spark Openはその約1.6倍の重みを持ち、1T級のMistral Large 4よりは軽い。ライセンスの自由度ではApache 2.0のBeamが上で、Muse Spark Openは表示義務と収益条件がある。

- メモリ0に近い・まず試したい: プロバイダーのAPI（OpenRouter、Together AI、Fireworks AIなど）。単価は各社で確認
- Mac環境で自前運用したい: Mac Studio M5 Ultra 512GB × 2台（MLX・NVFP4、公式対応）
- GPUサーバーで本格運用: H200×8またはB200×4〜8。1Mコンテキストを使うならH200×8以上
- 品質より動作を優先: 2bit級GGUFを合計約300GBのメモリで（品質低下は覚悟）
- クラウドの管理基盤に載せたい: Amazon SageMaker AI、Google Cloud Model Garden、Microsoft Foundry Models

- 起動時にOOM: 重みが載っていない。精度を一段下げる（FP8から4bitへ）か、台数・枚数を増やす
- 途中からOOM: KVキャッシュが原因の可能性が高い。コンテキスト長の上限を下げる、同時リクエストを減らす、KVのFP8化を検討する
- 画像・動画・音声入力で落ちる: Perception Encoder（1.8B）と入力トークン分が加わる。解像度や同時入力数を減らす
- Macで遅い・不安定: 台数間の接続がボトルネックになりやすい。他のアプリを閉じ、メモリ圧縮が発生していないか確認する
- 出力が乱れる: サンプリングをtemperature 1.0、top_p 1.0、top_k無効に戻す。2bit級は劣化が大きいので4bitを試す
- フレームワークが非対応と言われる: vLLM・SGLangなどを最新版に更新する

Muse Spark Openは総816B・アクティブ42BのMoEで、公式の目安はBF16が約2TB、NVFP4が最低700GBだ。Mac Studio M5 Ultra 512GB×2台がMLXで公式に最適化されており、2bit級GGUFなら約300GBという報告もある。ライセンスは独自で、2,000万ドル超の収益とAPI提供を同時に満たす場合のみ別契約が必要になる。ベンチマークはツール利用が強く、コーディング系ではKimi K3などに劣る。多くの利用者はまずAPIで評価し、必要なら自前運用を検討する順序が合理的だ。