Muse Spark Open : Meta publie un modèle open-weight

Meta a publié le 15 octobre 2026 Muse Spark Open, un modèle de langage open-weight dont les poids sont téléchargeables, et qu'il présente comme « le modèle open-weight américain le plus performant à ce jour ». Conçu pour le code et les tâches agentiques, il se distingue par sa taille et par une fenêtre de contexte d'un million de tokens. Tour d'horizon de ce que l'on sait, d'après l'annonce de Meta.

Un modèle de type mixture d'experts

Muse Spark Open compte 816 milliards de paramètres au total, dont 42 milliards actifs à chaque inférence : c'est l'architecture dite de « mixture d'experts », qui n'active qu'une partie du réseau pour chaque token afin de limiter le coût de calcul. Pour un rappel des notions de base, voir notre dossier comprendre les grands modèles de langage.

Meta le décrit comme nativement multimodal et affirme qu'il excelle dans « les tâches de longue haleine, l'ingénierie logicielle complexe et le raisonnement en plusieurs étapes ». Selon TechCrunch, l'entreprise l'a notamment testé avec Muse Code, son terminal de programmation assistée, sur un client Mastodon (corrections de bugs, nouvelles fonctions, compilation complète). Ces performances proviennent des évaluations de Meta et n'ont pas encore été vérifiées de manière indépendante.

Une licence ouverte, mais encadrée

« Open-weight » ne signifie pas open source. Meta diffuse les poids sous la Muse Model License, assortie de « conditions commerciales limitées » : l'usage est gratuit pour de nombreux développeurs, mais la licence pose des restrictions qu'il convient de lire avant tout déploiement en production. Côté sécurité, Meta indique avoir ajouté un post-entraînement spécifique, justement parce que des poids diffusés ne peuvent plus être retirés. Le modèle a été évalué dans le cadre du Meta Superintelligence Scaling Framework, qui vise les risques les plus graves, et aurait atteint les seuils exigés pour une publication. La fiche du modèle est disponible sur Hugging Face ; le rapport d'évaluation complet est annoncé « prochainement ».

Où l'utiliser

Les poids sont accessibles sur Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden et Microsoft Foundry Models. Pour qui préfère une API, le modèle est proposé par plusieurs hébergeurs, dont Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter et Together AI.

Les principaux moteurs d'inférence sont pris en charge dès le lancement : SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp et Unsloth. Pour l'ajustement fin, Meta renvoie vers TorchTitan, la bibliothèque d'entraînement de PyTorch.

Faire tourner le modèle en local

La taille du modèle limite fortement l'exécution sur une machine personnelle. Meta cite une configuration de deux Mac Studio équipés de la puce M5 Ultra, reliés via le framework MLX, chaque machine pouvant allouer jusqu'à 512 Go de mémoire unifiée au GPU. On parle donc d'environ un téraoctet de mémoire, un ordre de grandeur repris par la presse spécialisée.

Pour les centres de données, Meta a publié des noyaux GPU optimisés pour SGLang, avec des gains annoncés de 1,03 à 3,95 fois au niveau des noyaux sur GPU Nvidia et AMD.

Une concurrence qui s'intensifie

Cette sortie s'inscrit dans une compétition soutenue autour des modèles à poids ouverts, un terrain occupé aussi par des acteurs européens comme Mistral AI (voir ce que l'on sait de Mistral Large 4). Pour les équipes techniques, l'intérêt principal reste la possibilité d'héberger le modèle soi-même, sous réserve de disposer du matériel et de respecter la licence.