欢迎Muse Spark开放：Meta开源前沿多模态混合专家模型

Meta在HuggingFace上放出了Muse Spark Open，这是目前美国开源权重阵营里能力最强的大模型，也是Meta第一次把混合专家（MoE）架构做到这个量级。模型总参数约8160亿，每个token只激活约420亿，上下文窗口最高支持100万token，能同时处理文字、图片、音频和视频输入，输出统一为文本。换句话说，开发者可以用同一个接口，让模型读截图、听语音、看录屏，然后围绕这些内容回答问题或直接干活。 Muse Spark Open的定位很明确：面向智能体编程（agentic coding）。Meta说它是用真实开发者工作流训练出来的，比如跨文件重构、长时间调试，模型能在长任务里自己规划、执行、观察、纠错，甚至带着图片去浏览网页。架构上，语言模型有62层，隐藏维度8192，每层256个专家、每个token选8个，专家占了全部参数的约97%。这意味着部署时显存要按8160亿参数的模型来准备，但推理速度接近420亿参数的模型。BF16版本约1.5TB，需要4个节点、每节点8张H200（张量并行TP=32）；NVFP4版本用4位精度存储，精度损失可忽略，专为英伟达Blackwell GPU设计，单台B200节点就能跑。 对国内出海团队和AI从业者来说，这件事有两层影响。第一，开源权重意味着可以自己部署、微调，不必完全依赖API，数据合规和成本控制上多了一个选项，但1.5TB的BF16权重和H200集群的门槛摆在那里，中小团队更现实的路径是等量化版本或云厂商托管。第二，多模态加超长上下文加智能体编程的组合，正好踩在跨境电商的典型场景上：批量处理商品图、分析竞品视频、自动生成多语言listing、让模型直接读后台截图排查问题。Meta同时给出了llama.cpp、vLLM和SGLang的部署方案，说明它想推的不只是模型本身，还有一套可落地的推理生态。和8月发布的小型稠密模型Muse Glimmer相比，两者共用同一套tokenizer和词表，chat模板也延续下来，只是为新增模态做了扩展，这对已经基于Glimmer做本地化尝试的开发者来说，迁移成本会低不少。