Meta 發布 816B 開源模型 Muse Spark Open：兩台 Mac Studio 即可跑，開源 AI 走向桌面端

10 月 15 日，Meta 發布了 Muse Spark Open——一款擁有 8160 億（816B）參數的開源權重（open-weight）模型，Meta 稱之為「美國迄今最強大的開源權重模型」。最引人注目的不是規模，而是運行方式：Meta 與 Apple 聯手，讓這款旗艦級模型可以透過 Apple 的 MLX 框架在兩台 Mac Studio 上本機運行，而不是放在大型數據中心。這標誌著開源 AI 正式向「桌面端我自運行」的方向推進了一大步。

這項發布具有多重意義：它既是 Meta 重返開源權重領域的一次關鍵表態，也是本地部署（on-device / on-premise）AI 從實驗走向實用的一次分水嶺。

816B 參數，靠 42B 活躍參數「瘦身」運行

Muse Spark Open 採用混合專家（Mixture-of-Experts, MoE）架構：雖然總參數高達 8160 億，但處理每個 token 時只啟用約 420 億（42B）活躍參數，大幅降低所需的運算資源。模型本身是原生多模態，並提供 100 萬 token 的上下文窗口，專為編碼（coding）與**代理式工作（agentic work）**設計——即「讓 AI 自主執行多步驟任務」。

在部署端，Apple 的 M5 Ultra 晶片讓單台 Mac Studio 最高可使用 512GB 統一記憶體；兩台機器用 MLX 框架即可運行模型的 4-bit 壓縮版。若以原生精度運行，模型需要超過 1.6TB 記憶體。開發者可從 Hugging Face 以兩種格式下載權重。需要注意的是，硬體門檻仍然不低——至少 1TB 合併記憶體的 Mac 配置要花費超過 4 萬美元，且 512GB 的 Apple 配置預計本月稍後才開售。

這次發布也凸顯 Meta 的策略轉變：今年 4 月 Muse Spark 初代以封閉形式登場，背離了過往開源的 Llama 傳統；如今 Muse Spark Open 重新擁抱開源權重，並在開源權重賽道上與 Nvidia 的 Nemotron 3 Ultra（550B/55B 活躍）、DeepSeek 的 V4-Pro（1.6T/49B 活躍）展開正面競爭。

本機部署的誘因：私隱、成本與主權

為什麼企業會想要「自己跑模型」而不走雲端 API？核心驅動力有三個：

數據主權與私隱：金融、醫療、法律等高敏感行業，往往不願把客戶資料送出機構外部。模型權重下載到本地，意味著資料可全程留在企業可控的環境內；
成本與延遲的可預測性：雲端 API 按 token 計費，高用量時成本難以掌控；本地模型按月付一次硬體成本，並可獲得更低的推理延遲與離線可用性；
不受供應商 API 變動影響：開源權重讓企業不被單一供應商的定價、版本或停用策略綁死。

對香港而言，這項趨勢尤其值得留意：香港中小企向來對雲端輸出資料的合規顧慮敏感，而開源權重 + 本機部署正好提供了一條「既保留 AI 能力、又守住數據」的中間路線。

對企業與開發者的啟示

「模型中立」部署策略的現實版：相對於上週討論的中西模型陣營之爭，開源權重的本機部署讓企業真正能「買可攜帶的模型、而非鎖死於某家 API」。架構上只要透過標準協定（如 MCP、OpenAI 相容介面）接軌，便可在不同開源權重之間動態切換，這對重視供應鏈多元化的機構是具體優勢；
從評分轉向「部署成本」來評估：本機模型不能只看基準分數，更要留意活躍參數、記憶體需求與壓縮後效能。例如 MoE 的 42B 活躍參數設計，正是為了在硬體受限時保持可用性——這種「有效成本」思維比單純的總參數更能反映部署上的實際可行性；
為編碼與代理式任務重新設計工作流：Muse Spark Open 主打 coding 與 agentic work，意味著開源權重也能支撐自主代理，不再只是簡單問答。香港的開發團隊可開始在本地測試「開源模型 + 編碼代理」的組合，作為雲端大型模型的補充或備援；
尚未適合所有規模：ponytail 式務實提醒——超過 4 萬美元的硬體門檻、4-bit 壓縮的品質取捨、以及壓縮版服務品質，都意味著這套方案此刻更適合中大型企業或技術團隊試點，而非所有中小企的立即選項。先以小型試點驗證效能與成本，再逐步擴展，是更穩健的路徑。

開源權重模型能跑在桌面，不代表數據中心消失，而是代表AI 的能力供給正從「只能租用」走向「可以擁有」。對香港企業與在職專業人士而言，這項轉變提供了一個務實的新選擇：當雲端模型與成本不再唯一，把「一部分 AI 放在自己管得到的機器上」開始變得具體可行。