> ## Content Index
> Fetch the complete content index at: https://blog.diegomirhan.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Muse Spark Open, da Meta, tem pesos abertos, mas pede ao menos 700 GB de memória
- URL: https://blog.diegomirhan.com/muse-spark-open-pesos-abertos-700-gb-de-memoria/
- Published: 2026-10-15T22:45:55.000Z
- Updated: 2026-10-15T22:45:55.000Z
- Description: O Muse Spark Open é o modelo aberto mais capaz dos EUA, segundo a Meta, mas fica atrás de GLM 5.3 e Kimi K3 no índice da Artificial Analysis e pede ao menos 700 GB de memória.
- Author: Diego Rodrilla Mirhan
- Tags: Notícias, Modelos, IA local, #pipeline

A Meta publicou nesta quinta, 15 de outubro, os pesos do Muse Spark Open, um modelo de 816 bilhões de parâmetros que a empresa chama de o mais capaz entre os de pesos abertos dos Estados Unidos, segundo o [TechCrunch](https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs?ref=blog.diegomirhan.com). O arquivo passa de 1 TB, e a versão de 4 bits pede ao menos 700 GB de memória de vídeo, conforme o [model card no Hugging Face](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com). Para quem constrói com IA local, a pergunta é o que dá para fazer com um modelo desse tamanho.

Neste post

1. [O que a Meta lançou](#o-que-a-meta-lan%C3%A7ou)
2. [Por que um modelo de 816 bilhões pede tanta memória](#por-que-um-modelo-de-816-bilh%C3%B5es-pede-tanta-mem%C3%B3ria)
3. [Os números: o mais capaz dos EUA, mas não o mais capaz de todos](#os-n%C3%BAmeros-o-mais-capaz-dos-eua-mas-n%C3%A3o-o-mais-capaz-de-todos)
4. [Dá para rodar em casa?](#d%C3%A1-para-rodar-em-casa)
5. [A licença e o que muda para quem constrói](#a-licen%C3%A7a-e-o-que-muda-para-quem-constr%C3%B3i)

## O que a Meta lançou

O Muse Spark Open é a versão de pesos abertos da família Muse Spark. Ele aceita texto, imagem, vídeo e áudio na entrada, responde só com texto e tem janela de contexto de 1 milhão de tokens, conforme o [model card](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com). A Meta o descreve como feito para programação e tarefas de agentes, e o TechCrunch conta que ela o mostrou ao lado do Muse Code, seu terminal de programação com IA, corrigindo bugs de um cliente do Mastodon, segundo o [TechCrunch](https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs?ref=blog.diegomirhan.com).

O raciocínio não pode ser desligado. O [post do Hugging Face](https://huggingface.co/blog/meta-muse-spark-open?ref=blog.diegomirhan.com) explica que existem quatro níveis de esforço (baixo, médio, alto e extra alto), que o padrão é o extra alto e que não há modo sem raciocínio. Isso pesa no custo por resposta, porque o modelo sempre gasta tokens pensando. Desligar o raciocínio também não resolve em outros modelos, como mostrou o [caso do Thinking Inertia](https://blog.diegomirhan.com/thinking-inertia-modelos-raciocinam-mesmo-sem-pensar/).

## Por que um modelo de 816 bilhões pede tanta memória

O modelo usa a arquitetura de mistura de especialistas (MoE, na sigla em inglês): em vez de ativar todos os parâmetros para cada token, ele tem 256 blocos especialistas por camada e escolhe 8 por token. Por isso são 816 bilhões de parâmetros no total, mas só cerca de 42 bilhões trabalham a cada token, conforme o [post do Hugging Face](https://huggingface.co/blog/meta-muse-spark-open?ref=blog.diegomirhan.com).

Isso reduz a conta de processamento, mas a memória continua alta. Todos os especialistas precisam estar carregados, e eles concentram cerca de 97% dos parâmetros, segundo o [mesmo post](https://huggingface.co/blog/meta-muse-spark-open?ref=blog.diegomirhan.com). O resultado é um arquivo de cerca de 1,5 TB em BF16 (16 bits por número) e um cache de contexto de cerca de 250 KB por token, o que dá uns 266 GB para usar o 1 milhão de tokens inteiro.

A versão NVFP4 guarda cada peso em 4 bits e roda em GPUs NVIDIA Blackwell. O model card diz que ela pede ao menos 700 GB de memória de vídeo, contra cerca de 2 TB do BF16\. Na nuvem, a [AWS](https://aws.amazon.com/blogs/machine-learning/metas-muse-spark-open-now-available-in-amazon-sagemaker-jumpstart/?ref=blog.diegomirhan.com) oferece as duas versões no SageMaker JumpStart, nas instâncias ml.p5e.48xlarge (NVFP4) e ml.p6-b300.48xlarge (BF16), só nas regiões do leste dos EUA, com a implantação levando de 15 a 20 minutos.

## Os números: o mais capaz dos EUA, mas não o mais capaz de todos

Os benchmarks vêm do próprio model card, ou seja, são resultados que a Meta escolheu publicar. No índice de inteligência da Artificial Analysis, que agrega vários testes numa nota só, a tabela mostra o Muse Spark Open com 39 pontos, atrás do GLM 5.3 (45), do Kimi K3 (44) e do Qwen3.8 de 2,4 trilhões de parâmetros (40), e à frente do Mistral Large 4 (38), segundo o [model card](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com).

![Gráfico de barras: GLM 5.3 com 45, Kimi K3 com 44, Qwen3.8 com 40, Muse Spark Open com 39 e Mistral Large 4 com 38](https://blog.diegomirhan.com/content/images/2026/10/muse-spark-open-pesos-abertos-700-gb-de-memoria-figura-1.webp)

Fonte: [huggingface.co](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com)

Então o "mais capaz dos EUA" vale por exclusão: a tabela não inclui outro modelo americano de pesos abertos acima dele, e os dois primeiros colocados são chineses. A pontuação do Mistral Large 4 também chama atenção porque a [Mistral ainda não liberou os pesos do Large 4](https://blog.diegomirhan.com/mistral-large-4-pesos-abertos-fim-de-outubro/), previstos para o fim de outubro.

O modelo lidera em alguns testes. No MCP-Atlas, de uso de ferramentas, faz 89,2, contra 84,5 do Qwen3.8 e 84,2 do GLM 5.3, e no HLE-Diamond, de questões difíceis sem ferramentas, faz 26,1, contra 22,2 do Kimi K3, conforme o [model card](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com). Fica atrás nos de programação: 60 no DeepSWE 1.1, contra 67 do GLM 5.3 e 68 do Kimi K3, e 76,4 no Terminal-Bench 2.1, contra 83,9 e 85,0\. Para um modelo vendido como feito para código, é o dado que mais merece teste próprio.

## Dá para rodar em casa?

Depende do que se chama de casa. O [post do Hugging Face](https://huggingface.co/blog/meta-muse-spark-open?ref=blog.diegomirhan.com) mostra o caminho: no llama.cpp, uma quantização de 2 bits ocupou 304 GB e gerou cerca de 18 tokens por segundo num Mac M3 Ultra de 512 GB, e no MLX, a quantização oQ3e (cerca de 344 GB) gerou cerca de 21 tokens por segundo na mesma máquina. Quantizar é guardar cada peso com menos bits, o que encolhe o arquivo e tira um pouco de precisão. O post não mede a perda de qualidade das versões de 2 e 3 bits.

A Meta destaca a execução em Macs: o model card cita dois Mac Studio com chip M5 Ultra usando MLX, e o TechCrunch diz que o modelo roda melhor num Mac Studio com M5 Ultra, segundo o [TechCrunch](https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs?ref=blog.diegomirhan.com). Numa placa AMD de uso doméstico, como a que eu uso, nada disso cabe. O modelo está fora do alcance de um PC comum.

Resta a nuvem. O TechCrunch confirma que o modelo já está disponível em plataformas de API, mas não nomeia as plataformas nem traz preços, segundo o [TechCrunch](https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs?ref=blog.diegomirhan.com).

## A licença e o que muda para quem constrói

Pesos abertos, aqui, não significa licença livre. O model card diz que a Muse Model License permite usar, modificar, destilar e vender, mas exige exibir "Built with Muse Spark Open" nos produtos que o usam. Quem oferece o modelo a terceiros por API e passa de US$ 20 milhões de receita bruta em 12 meses precisa avisar a Meta e assinar um acordo à parte, segundo o [model card](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com). Uso interno, pesquisa e produtos que usam o modelo como componente ficam fora dessa regra.

Minha leitura é que o Muse Spark Open é um modelo para quem tem cluster, e não para quem roda IA local de verdade. Para uma empresa que precisa manter dados dentro de casa e já tem GPUs Blackwell, ele vira uma opção séria, com contexto longo e entrada de áudio e vídeo. Para estudante e desenvolvedor solo, o ganho está em ver o que os provedores de API fazem com ele, porque o preço por token vai dizer mais que o título de "mais capaz dos EUA". O que me faria mudar de ideia é uma quantização de 4 bits que caiba numa máquina de 256 GB sem perder a nota em programação.

## Fontes

- [Meta launches an open-weight AI model that runs on Macs](https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs?ref=blog.diegomirhan.com), TechCrunch, 15/10/2026
- [Muse-Spark-Open-816B-A42B (model card)](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B?ref=blog.diegomirhan.com), Hugging Face / Meta, 15/10/2026
- [Welcome Muse Spark Open: open-weight frontier multimodal mixture-of-experts model from Meta](https://huggingface.co/blog/meta-muse-spark-open?ref=blog.diegomirhan.com), Hugging Face, 15/10/2026
- [Meta's Muse Spark Open now available in Amazon SageMaker JumpStart](https://aws.amazon.com/blogs/machine-learning/metas-muse-spark-open-now-available-in-amazon-sagemaker-jumpstart/?ref=blog.diegomirhan.com), AWS, 15/10/2026