Muse Spark : modèle 816B de Meta, matériel et test

👁 120 lectures

Avec Muse Spark Open, Meta propose depuis octobre 2026 les poids téléchargeables d’un très grand modèle multimodal, assorti d’exigences matérielles considérables et d’une licence spécifique. Je l’ai testé via l’API le 19 octobre : il a obtenu un score de 11/12 lors de mon test en polonais. Le point manquant provient d’une réponse vide après épuisement du budget de jetons alloué.

Ce que Meta propose avec Muse Spark Open

Muse Spark Open a été publié le 15 octobre 2026. Il s’agit d’un modèle à mélange d’experts (MoE) conçu pour le code, l’appel d’outils et les tâches complexes au long cours. Sa fenêtre de contexte d’un million de jetons décrit ce que l’architecture est capable de traiter en théorie, et non ce que chaque infrastructure locale peut faire tourner de manière fluide. Le dépôt officiel fournit les poids et la documentation nécessaire pour l’exécuter hors de l’écosystème applicatif de Meta. Il fait partie des quatre lancements majeurs de poids ouverts survenus cette semaine-là, réunis dans mon dossier sur les modèles IA open-weight d’octobre 2026 ; la variante hébergée par Meta fait quant à elle l’objet de mon analyse de Muse Spark 1.3.

La distinction entre paramètres totaux et paramètres actifs est essentielle. Le modèle n’exécute pas l’intégralité de ses 816 milliards de paramètres pour chaque jeton produit : il n’active qu’une sélection plus restreinte. Cependant, la totalité des experts demeure présente dans le fichier de sauvegarde (checkpoint). Les 42 milliards de paramètres actifs ne permettent donc pas de sous-estimer la taille du téléchargement ni l’empreinte mémoire requise.

La fiche technique de Meta Muse mentionne des entrées multimodales et une sortie sous forme de texte. Mon propre test s’est limité à des requêtes textuelles. Il ne permet donc pas de juger de la lecture de captures d’écran, de l’interprétation de graphiques ou de la compréhension d’enregistrements audio, même si ces fonctions font partie des atouts mis en avant par l’éditeur. Ces aspects exigent des protocoles et des barèmes distincts.

Les exigences matérielles derrière l’exemple Mac

D’après la fiche technique officielle de Meta vérifiée le 20 octobre, la variante NVFP4 requiert environ 700 Go de mémoire GPU, tandis que la version BF16 réclame environ 2 To. Meta illustre également le fonctionnement du modèle avec le framework MLX réparti sur deux Mac Studio M5 Ultra dotés chacun de 512 Go de mémoire unifiée. Cet exemple a le mérite d’être concret, mais il dépasse très largement la configuration d’un ordinateur personnel standard.

Ces données reflètent les configurations et exigences publiées par Meta, et non des mesures matérielles issues de mon banc d’essai. Je n’ai pas exécuté Muse Spark Open en local. Les relevés obtenus via l’API ne renseignent donc ni sur la vitesse réelle d’une installation Mac, ni sur sa consommation électrique, ni sur son comportement face à un contexte saturé.

Le dimensionnement de la mémoire doit également faire la part entre le simple checkpoint et le service applicatif en exploitation. L’historique des conversations, les tampons de calcul et les requêtes concurrentes augmentent tous la charge. Une machine capable de charger les poids bruts peut néanmoins devoir restreindre son contexte utile ou le nombre d’utilisateurs simultanés. La quantification permet d’adapter ces contraintes, mais ne les supprime pas. Si vous cherchez un modèle réellement exploitable sur un processeur graphique grand public, consultez plutôt mon guide de l’IA locale.

Une licence assortie de clauses précises

Muse Spark Open n’est pas distribué sous licence MIT, mais sous la Muse Model License. Le texte autorise l’utilisation, la modification, le réglage fin (fine-tuning) et la redistribution sous réserve de respecter ses critères. Il impose notamment la mention obligatoire « Built with Muse Spark Open » au sein de l’interface du produit ou dans un emplacement autorisé équivalent, et intègre une politique d’utilisation acceptable.

Un contrat distinct devient obligatoire pour les fournisseurs de modèles en tant que service (Model-as-a-Service) dès lors que le chiffre d’affaires cumulé de l’entité et de ses filiales dépasse 20 millions de dollars sur une période de 12 mois consécutifs. La licence liste plusieurs dérogations, notamment pour les usages strictement internes ou l’intégration de fonctions au sein de produits tiers qui ne constituent pas eux-mêmes des services de revente de modèles. La distinction repose sur la nature réelle de l’activité commerciale, et non sur le simple appel d’une interface de programmation.

Cette composante juridique doit s’intégrer dès la phase d’évaluation technique. Une équipe qui étudie des automatisations internes et une société commerciale distribuant un accès brut au modèle font face à des obligations divergentes. Télécharger le checkpoint ne garantit pas que votre cadre commercial réponde automatiquement aux termes standards de l’accord.

Mon banc d’essai de Muse Spark en polonais

Le 19 octobre, j’ai soumis 12 requêtes courtes en polonais via l’API. Chaque modèle comparé a reçu exactement les mêmes tâches, avec une température réglée à 0 et un plafond de 6 000 jetons de complétion (couvrant la réflexion et la réponse finale réunies). Chaque tâche a fait l’objet d’une seule exécution. Muse Spark Open a renvoyé des réponses validées sur 11 tâches, mais n’a fourni aucune réponse finale sur la dernière. Le comparatif détaillé face à DeepSeek, Nemotron et Step 5 est accessible dans mon test de quatre modèles ouverts en polonais.

L’échec constaté concerne une question demandant combien de secondes contiennent 2,5 heures. La requête enregistrée a duré 126,3 secondes, a atteint exactement 6 000 jetons de complétion et a restitué un champ de contenu vide. La réponse exacte attendue était 9 000. Il s’agit d’une rupture de budget alloué : les journaux n’indiquent pas que le modèle a formulé avec assurance un nombre erroné, mais qu’il s’est arrêté avant de conclure.

Sur l’ensemble des 12 requêtes, la durée médiane s’est établie à 8,05 secondes. L’utilisation cumulée a totalisé 12 241 jetons de complétion pour un coût enregistré de 0,0542454 dollar (soit environ 0,0542 dollar). Cette somme représente la dépense historique réelle de cette session via l’API, et non les tarifs directs actuels de Meta. Par ailleurs, les requêtes transitant par des serveurs d’inférence distincts, les temps mesurés ne constituent pas un reflet pur de la vitesse intrinsèque brute de l’architecture.

Le résultat final tient compte d’une correction apportée au barème initial. L’exercice d’orthographe attendait initialement la forme « wziąć », mais la formulation « Weź parasol, bo na pewno będzie padać. » (Prends un parapluie car il va certainement pleuvoir) constitue une phrase polonaise tout à fait correcte à l’impératif. Je l’ai acceptée. Cette décision a ajusté la note sans qu’il soit nécessaire de relancer ou d’altérer la réponse produite par le modèle.

Un autre point de méthode mérite d’être souligné : l’évaluation a toléré des variations légères de mise en page. Le script a contrôlé l’exactitude des éléments et extrait les structures JSON au lieu de rejeter strictement les écarts de présentation. Une application nécessitant un formatage rigide sans la moindre déviation devra appliquer des règles de contrôle bien plus strictes que celles de ce test exploratoire.

À qui s’adresse ce modèle ?

Muse Spark Open présente un intérêt direct pour les organisations qui souhaitent conserver la maîtrise totale de leurs poids et disposent du matériel nécessaire pour assumer leur hébergement. L’accent mis par Meta sur les chaînes d’outils et l’autonomie incite à tester le modèle sur des scénarios opérationnels complets, incluant la gestion d’erreurs d’API et la production de résultats synthétiques. Un problème d’arithmétique élémentaire ne saurait résumer ces capacités.

• Pour un déploiement interne : réalisez vos bancs d’essai sur les documents métier réels et les autorisations réelles que manipulera l’outil.
• Pour un réglage fin (fine-tuning) : analysez les obligations de licence et vérifiez si l’entraînement apporte un gain mesurable sur vos tâches cibles.
• Pour un usage interactif : surveillez l’apparition de réponses vides et les délais de traitement trop longs au même titre que les bonnes réponses.
• Pour un déploiement sur site : prévoyez l’infrastructure nécessaire à l’ensemble du service en charge, et non pas uniquement au stockage initial des poids.

L’échec mesuré sur le problème temporel met également en avant l’importance d’encadrer les étapes de raisonnement. Autoriser une limite de sortie plus généreuse permettrait sans doute au système d’achever son calcul, tandis qu’un niveau de raisonnement plus sobre réduirait les calculs superflus. Ces pistes n’ayant pas été testées lors de cette session, elles ne constituent pas des solutions vérifiées. Elles feront l’objet d’évaluations ultérieures intégrant les temps de latence et les coûts associés.

FAQ

Muse Spark Open peut-il tourner sur un ordinateur Mac ?

Meta a documenté une méthode d’exécution s’appuyant sur deux Mac Studio M5 Ultra dotés de 512 Go de mémoire chacun, interconnectés via MLX. Cela ne permet pas de déduire une compatibilité générale avec les autres Mac sans vérifier préalablement l’adéquation de la mémoire disponible et des environnements logiciels.

Un score de 11/12 indique-t-il que le modèle est inférieur à ses rivaux en polonais ?

Il a validé moins d’exercices que DeepSeek et Nemotron au cours de cette session spécifique. Néanmoins, cet échantillon restreint de requêtes ne constitue pas un classement linguistique global, d’autant que le seul échec relevé découle de l’interruption au plafond de jetons.

Ce test évalue-t-il les performances en langue anglaise ?

Non. Même si cet article commente les résultats pour un public francophone, mon banc d’essai a été réalisé exclusivement en polonais. Il n’a pas mesuré la rédaction en anglais, la traduction ou le traitement d’images et de flux multimodaux.

// lire la suiteMiMo, Qwen3.8 Max, GLM-5.3 et Muse Spark : test en polonaisBenchmarksAnthropic prépare son introduction en Bourse sous le symbole ANTActualitésDeepSeek V4.1 Flash 1017 : prix API, Search et mon testActualités