Muse Spark Open : l’IA de Meta à 816 milliards de paramètres
Meta vient de réaliser l’une de ses sorties les plus importantes de 2026 dans le domaine de l’intelligence artificielle.
Le 15 octobre 2026, Meta Superintelligence Labs a publié Muse Spark Open, un modèle d’intelligence artificielle multimodal de 816 milliards de paramètres, dont les poids peuvent être téléchargés et exécutés sur une infrastructure privée. Meta le présente comme son modèle à poids ouverts le plus avancé pour la programmation, le raisonnement à plusieurs étapes et les agents autonomes.
La taille du modèle impressionne, mais elle ne raconte qu’une partie de l’histoire.
Muse Spark Open repose sur une architecture Mixture-of-Experts (MoE) : sur ses 816 milliards de paramètres, environ 42 milliards seulement sont activés pour chaque token traité. Il dispose également d’une fenêtre de contexte pouvant atteindre un million de tokens et accepte simultanément du texte, des images, de l’audio et de la vidéo. Sa sortie reste textuelle.
Mais l’élément le plus surprenant de cette annonce est peut-être ailleurs.
Meta a travaillé avec Apple afin de rendre ce mastodonte exécutable localement sur plusieurs Mac Studio équipés de processeurs M5 Ultra.
Muse Spark Open pourrait ainsi devenir une alternative sérieuse aux API propriétaires pour certaines entreprises qui souhaitent conserver davantage de contrôle sur leurs données, leurs modèles et leur infrastructure.
Muse Spark Open en quelques chiffres
| Caractéristique | Muse Spark Open |
|---|---|
| Paramètres totaux | 816 milliards |
| Paramètres actifs par token | Environ 42 milliards |
| Architecture | Mixture-of-Experts |
| Nombre d’experts | 256 |
| Experts sélectionnés par token | 8 |
| Fenêtre de contexte | Jusqu’à 1 million de tokens |
| Entrées | Texte, image, audio, vidéo |
| Sortie | Texte |
| Poids téléchargeables | Oui |
| Licence | Muse Model License |
| Domaines principaux | Coding, agents IA, raisonnement, multimodal |
| Versions principales | BF16 et NVFP4 |
La fiche officielle du modèle confirme également qu’il s’agit d’un Transformer MoE accompagné d’un encodeur de perception pour les entrées multimodales.
Pourquoi 816 milliards de paramètres ne signifie pas 816 milliards utilisés en permanence
Le chiffre de 816 milliards risque naturellement d’attirer toute l’attention.
Il faut pourtant le remettre dans son contexte.
Muse Spark Open est un Mixture-of-Experts. Contrairement à un modèle dense, tous ses paramètres ne participent pas au calcul de chaque token.
Le modèle possède 256 experts dans ses couches MoE et en sélectionne huit par token. D’autres composants du réseau étant partagés, le nombre total de paramètres effectivement mobilisés monte à environ 42 milliards par token.
Cette architecture permet de réunir une capacité globale gigantesque sans avoir à mobiliser les 816 milliards de paramètres à chaque opération.
Cela ne signifie cependant pas que les besoins matériels deviennent modestes.
Les poids des experts doivent toujours être stockés en mémoire afin que le routeur puisse les appeler lorsqu’ils sont nécessaires.
C’est précisément ce qui explique les exigences matérielles particulièrement élevées de Muse Spark Open.
Un million de tokens de contexte
L’autre chiffre spectaculaire concerne sa fenêtre contextuelle.
Muse Spark Open peut gérer jusqu’à 1 048 576 tokens à l’inférence.
Une telle capacité peut devenir particulièrement intéressante pour les agents autonomes et les outils de développement.
Un agent pourrait théoriquement recevoir une quantité considérable de code source, de documentation, d’historique de conversation, de résultats d’outils ou de données avant de devoir compresser ou supprimer une partie de son contexte.
Il faut néanmoins distinguer la taille maximale annoncée de l’utilisation réellement optimale de cette fenêtre.
Une fenêtre d’un million de tokens augmente les besoins en mémoire ainsi que le coût du traitement initial du contexte. Elle ne garantit pas non plus que toutes les informations contenues dans cette fenêtre seront exploitées avec la même précision.
Le chiffre reste cependant particulièrement significatif pour les workflows agentiques de longue durée.
Meta vise clairement les agents IA et la programmation
Muse Spark Open n’est pas présenté comme un simple chatbot.
Meta le destine principalement aux tâches nécessitant plusieurs étapes successives : analyser un problème, établir un plan, utiliser des outils, observer leurs résultats, détecter une erreur puis modifier son approche.
La fiche officielle mentionne notamment :
- le raisonnement à plusieurs étapes ;
- l’exécution de tâches agentiques complètes ;
- les agents de programmation ;
- l’utilisation d’outils ;
- le raisonnement multimodal ;
- la génération de données synthétiques ;
- l’évaluation d’autres modèles.
Meta explique par exemple que le modèle peut analyser une base de code, planifier une modification, intervenir sur plusieurs fichiers, tester le résultat puis tenter de corriger automatiquement un échec.
Pour le développement d’agents IA, c’est probablement cet aspect qui mérite davantage d’attention que le chiffre de 816 milliards de paramètres.
La collaboration inattendue entre Meta et Apple
L’autre événement important concerne Apple.
Meta et Apple ont travaillé ensemble pour optimiser Muse Spark Open sur les Mac Studio équipés de la puce M5 Ultra et du framework MLX d’Apple.
Apple démontre que la version quantifiée de Muse Spark Open peut fonctionner sur un cluster de Mac Studio interconnectés.
Et contrairement à ce que pourrait laisser entendre le terme « ordinateur de bureau », nous sommes très loin d’une configuration grand public.
Muse Spark Open ne tient pas sur un seul Mac Studio.
La configuration mise en avant par Meta utilise deux Mac Studio M5 Ultra disposant chacun de 512 Go de mémoire unifiée, soit environ 1 To de mémoire disponible sur l’ensemble du cluster.
Apple utilise notamment son système de communication RDMA sur Thunderbolt pour répartir l’inférence entre plusieurs machines.
Plus de 36 tokens par seconde… mais sur quatre Mac Studio
Apple a publié des benchmarks particulièrement intéressants.
Avec un contexte de 8 192 tokens, Muse Spark Open atteint :
- 15,74 tokens/s avec deux M5 Ultra en pipeline parallelism ;
- 24,99 tokens/s avec deux M5 Ultra en tensor parallelism ;
- 36,73 tokens/s avec quatre M5 Ultra en tensor parallelism.
Apple mesure également un temps avant le premier token de 8,4 secondes, 8,2 secondes et 4,8 secondes respectivement pour ces trois configurations.
La distinction est importante.
Les 36 tokens par seconde ne correspondent pas à la configuration minimale de deux Mac Studio, mais à un cluster de quatre machines.
Cela reste une démonstration technologique impressionnante.
Faire fonctionner localement un modèle de plus de 800 milliards de paramètres à cette vitesse aurait encore semblé extrêmement improbable sur des ordinateurs de bureau quelques années auparavant.
« Téléchargeable gratuitement » ne veut pas dire « gratuit à exploiter »
Muse Spark Open possède des poids téléchargeables.
Cela ne signifie évidemment pas que son exploitation est gratuite.
La version BF16 représente environ 1,65 To de fichiers, tandis que la version NVFP4 descend aux environs de 537 Go. Les recommandations de déploiement associées indiquent environ 2 To de mémoire GPU pour la version BF16 et au moins 700 Go pour certaines configurations NVFP4.
À cela peuvent s’ajouter la mémoire nécessaire au cache KV, aux activations et au runtime.
Il faut donc tenir compte du coût des GPU ou des Mac Studio, de l’électricité, de l’administration de l’infrastructure, de la disponibilité des machines et des compétences nécessaires pour exploiter le modèle.
L’idée selon laquelle un modèle à poids ouverts serait automatiquement moins coûteux qu’une API commerciale est donc beaucoup trop simpliste.
Tout dépend du volume d’utilisation et de l’architecture envisagée.
Muse Spark Open est-il réellement open source ?
Pas exactement.
Le terme approprié est open-weight.
Meta distribue Muse Spark Open sous une nouvelle Muse Model License et autorise notamment l’utilisation, la modification, le fine-tuning, la création de dérivés, la distillation et la redistribution du modèle.
Mais la licence comporte plusieurs conditions.
Les produits utilisant Muse Spark Open ou certains modèles dérivés doivent notamment afficher la mention « Built with Muse Spark Open ».
Une autre disposition concerne le Model-as-a-Service.
Si une entreprise et ses sociétés affiliées dépassent 20 millions de dollars de chiffre d’affaires brut cumulé sur une période de douze mois consécutifs et proposent Muse Spark Open ou un dérivé dans le cadre d’un service donnant accès à des modèles via API ou interface similaire, elle doit conclure un accord séparé avec Meta avant de poursuivre cette activité.
Cette condition ne signifie donc pas simplement que « toute entreprise réalisant plus de 20 millions de dollars doit payer Meta ».
Le type d’activité concerné est déterminant.
Nous sommes cependant clairement face à une licence spécifique à Meta, et non à une licence permissive classique telle que MIT ou Apache 2.0.
Muse Spark Open est-il le meilleur modèle ouvert ?
Meta présente Muse Spark Open comme « le modèle open-weight américain le plus performant à ce jour ».
La formulation est importante : Meta parle des modèles développés aux États-Unis et non de l’ensemble des modèles ouverts disponibles dans le monde.
Ses propres résultats montrent d’ailleurs une situation beaucoup plus nuancée face aux meilleurs modèles chinois.
Sur MCP-Atlas, destiné notamment à mesurer l’utilisation d’outils, Muse Spark Open obtient 89,2, contre 84,5 pour Qwen 3.8, 84,2 pour GLM 5.3 et 82,3 pour Kimi K3.
En revanche, sur Terminal-Bench 2.1, Muse Spark Open atteint 76,4 %, tandis que Qwen 3.8 obtient 82 %, GLM 5.3 83,9 % et Kimi K3 85 %.
Sur l’Artificial Analysis Intelligence Index présenté dans les comparaisons de lancement, Muse Spark Open se situe également derrière plusieurs concurrents : 39 contre 40 pour Qwen 3.8, 44 pour Kimi K3 et 45 pour GLM 5.3.
Muse Spark Open semble donc particulièrement compétitif sur les tâches agentiques et l’utilisation d’outils, sans pour autant dominer systématiquement tous les benchmarks.
C’est une distinction essentielle.
Où utiliser Muse Spark Open ?
Il n’est pas indispensable d’acheter plusieurs Mac Studio ou un cluster de GPU pour tester le modèle.
Meta annonce Muse Spark Open auprès de plusieurs fournisseurs d’inférence, notamment :
Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter et Together AI.
Les poids peuvent également être téléchargés depuis Hugging Face, avec des intégrations annoncées dans différents frameworks et moteurs d’inférence comme Transformers, SGLang, vLLM, TensorRT-LLM, llama.cpp et MLX.
Pour la majorité des développeurs, passer par un fournisseur d’inférence restera probablement beaucoup plus simple que de gérer l’infrastructure nécessaire à un déploiement complet.
Pourquoi cette sortie est importante
Muse Spark Open ne bouleverse pas uniquement le classement des benchmarks.
Son intérêt est surtout stratégique.
Pendant longtemps, les modèles les plus puissants ont été accessibles essentiellement par l’intermédiaire d’API contrôlées par quelques entreprises.
Un modèle de cette catégorie dont les poids sont accessibles permet d’envisager d’autres architectures.
Une entreprise peut davantage contrôler l’endroit où ses données sont traitées. Elle peut personnaliser le modèle, construire une infrastructure privée ou choisir entre plusieurs fournisseurs d’inférence sans dépendre exclusivement de l’API de son créateur.
Le partenariat avec Apple ajoute une autre dimension : une partie des workloads IA extrêmement lourds commence à pouvoir sortir des datacenters traditionnels pour être exécutée sur des clusters relativement compacts.
Il ne faut pas exagérer cette démocratisation : deux ou quatre Mac Studio M5 Ultra représentent toujours une infrastructure coûteuse.
Mais techniquement, la frontière se déplace.
Notre analyse
Muse Spark Open est probablement l’une des sorties open-weight les plus intéressantes de 2026.
Pas simplement parce qu’il possède 816 milliards de paramètres.
La combinaison est beaucoup plus importante : 42 milliards de paramètres actifs, un million de tokens de contexte, multimodalité native, capacités agentiques, poids téléchargeables et possibilité d’exécuter le modèle localement.
Pour les développeurs d’agents IA, les entreprises travaillant avec des données sensibles et les organisations qui cherchent à réduire leur dépendance aux API propriétaires, Muse Spark Open mérite clairement d’être évalué.
Mais il serait prématuré de conclure qu’il est automatiquement meilleur ou moins cher.
Les modèles chinois comme Kimi, GLM et Qwen restent extrêmement compétitifs et le coût réel d’un déploiement Muse Spark Open dépendra fortement du volume d’inférence et de l’infrastructure.
Il faudra surtout surveiller les évaluations indépendantes dans les prochaines semaines.
La véritable question n’est donc probablement pas de savoir si Muse Spark Open est « le meilleur modèle ».
Elle est de savoir si nous arrivons à un moment où les entreprises auront enfin plusieurs modèles de niveau frontier qu’elles pourront réellement héberger, modifier et contrôler elles-mêmes.
Et sur ce point, la sortie de Meta constitue une étape particulièrement importante.
