Muse Spark Open di Meta: quanta memoria serve per l'intelligenza artificiale in locale

Muse Spark Open è il modello a pesi aperti di Meta, pubblicato il 15 ottobre 2026 su Hugging Face, con 816 miliardi di parametri totali e 42 miliardi attivi per ogni token. La scheda del modello lo descrive come costruito per il coding e per il lavoro agentico. Chi ragiona di intelligenza artificiale in locale deve guardare subito un numero: per la versione NVFP4 servono almeno 700 GB di VRAM. Il resto di questa pagina separa quello che Meta dichiara da quello che si può verificare prima di scaricare qualcosa.

Il punto che mi interessa non è il lancio, è la distinzione che il lancio rende evidente. "Pesi aperti" dice chi può scaricare il file, non chi può farlo girare.

Quanta memoria serve per far girare Muse Spark Open

Muse Spark Open richiede almeno 700 GB di VRAM nella versione NVFP4 e 2 TB nella versione BF16, secondo la scheda su Hugging Face. La pagina non riporta le dimensioni dei file delle due varianti, quindi i due numeri vanno letti come requisiti di esecuzione dichiarati da Meta e non come peso del download.

Perché 42 miliardi di parametri attivi non abbassano la memoria

Muse Spark Open è un mixture of experts: 62 livelli, 256 esperti, 8 attivi per token. Per questo i parametri attivi sono 42 miliardi pur con 816 miliardi in totale. Il calcolo è più leggero di quello di un modello denso della stessa taglia, ma la memoria no: gli esperti inattivi devono comunque stare caricati.

Meta indica come motori di servizio vLLM, SGLang, Hugging Face Transformers, TensorRT-LLM, Unsloth e llama.cpp. Il confronto con i 24 GB di Nemotron 3.5 Bolt di NVIDIA, uscito lo stesso giorno, mostra che due modelli "aperti" possono stare a due ordini di grandezza di distanza.

Cosa dice la licenza della scheda

La Muse Model License non è una licenza open source standard, ed è la parte che chi costruisce un prodotto deve leggere per prima. Tre clausole fanno la differenza, tutte dalla scheda del modello.

La prima è l'attribuzione: la licenza chiede di mostrare "Built with Muse Spark Open" nell'interfaccia di ogni prodotto o servizio che lo usa. La seconda è il tetto sul modello venduto come servizio: oltre i 20 milioni di dollari di ricavi in qualsiasi periodo di dodici mesi consecutivi serve un accordo scritto separato con Meta. Uso interno, ricerca e inclusione in un prodotto che non rivende il modello come servizio sono esclusi dal tetto. La terza è la Usage Policy in allegato, che vieta tra l'altro l'esercizio non autorizzato di professioni finanziarie, legali e mediche e precisa che il modello non è pensato per i minori di 18 anni.

L'accesso passa da un modulo su Hugging Face che chiede nome legale, data di nascita e ragione sociale completa, e il modulo non si può modificare dopo l'invio. Il ragionamento sulle licenze dei modelli aperti, con un controllo da dieci secondi, sta in modelli AI cinesi: costo, licenza e dati e vale uguale qui.

Come va nei benchmark pubblicati da Meta

Nei benchmark della scheda Muse Spark Open è competitivo ma non il primo: davanti a lui, sui compiti di terminale e di coding, stanno GLM 5.3, Kimi K3 e Qwen3.8-2.4T-A95B nelle configurazioni indicate dalla scheda. Sono numeri pubblicati da Meta, con impostazioni diverse da riga a riga (xhigh per Muse Spark Open, max per GLM 5.3 e Kimi K3), non test indipendenti.

La riga dove vince è MCP-Atlas, il benchmark sull'uso di strumenti via MCP, cioè il lavoro tipico di un agente. Sul resto sta nel gruppo. Per come leggere questo tipo di tabelle quando le pubblica chi vende il modello c'è benchmark dell'intelligenza artificiale: come leggerli.

Ha senso un'AI in locale con questo modello?

Per quasi tutti i team di prodotto no, e la ragione è aritmetica prima che ideologica. Un'AI in locale con Muse Spark Open significa comprare o affittare almeno 700 GB di VRAM, mantenerli accesi e gestire un motore di servizio, tutto per un modello che, nei benchmark di Meta, resta dietro ai concorrenti pubblicati nella stessa tabella su quasi tutte le righe di coding.

Ha senso in tre casi. Il primo è un'azienda con vincoli di riservatezza che vieta l'invio dei dati a un fornitore e ha già l'hardware. Il secondo è un laboratorio che vuole studiare un modello agentico di questa taglia. Il terzo è chi ha un volume di richieste così alto che il costo per token di un'API supera il costo fisso della macchina. Il conto generale, con le soglie, è in LLM privato: quando l'intelligenza artificiale in locale conviene.

Nei miei articoli ho già raccontato il lato proprietario di Meta in Muse Code, dove lo sconto si paga con il tuo codice: Muse Spark Open è l'altra faccia, i pesi in cambio di un hardware che quasi nessuno ha. Per chi parte dalla domanda dei dati aziendali c'è la pagina su AI sui dati aziendali, dove il locale è una delle opzioni e non la regola.

Come provarlo prima di impegnare hardware

Il test economico si fa in quattro passi, e solo l'ultimo costa.

1. Somma la VRAM disponibile con nvidia-smi e confrontala con i 700 GB della versione NVFP4: sotto quella soglia si ferma qui.
2. Invia il modulo di accesso su Hugging Face con la ragione sociale completa, senza acronimi, perché non si corregge dopo.
3. Avvia il server con il comando della scheda, vllm serve "meta-models/Muse-Spark-Open-816B-A42B", oppure con SGLang sulla porta 30000.
4. Usa le impostazioni consigliate dalla scheda: temperatura 1.0, top_p 1.0, top_k disattivato, e sforzo di ragionamento high o xhigh per i compiti complessi. Poi fagli fare venti richieste tue e confronta tempi e costo con la tua API di oggi, come spiego in quanto costa un agente AI in azienda.

Quello che la scheda non dice: i tempi per token su hardware reale, il consumo di memoria oltre i pesi con un contesto da un milione di token, e le prestazioni in italiano.

Fonte primaria: scheda ufficiale di Muse Spark Open su Hugging Face, pubblicata da Meta Superintelligence Labs il 15 ottobre 2026.