Muse Spark Open: modelvægte og lokal AI-drift

Muse Spark Open er Metas multimodale AI-model med tilgængelige modelvægte til egen drift og tilpasning. Udgivelsen giver udviklere flere muligheder for at styre infrastrukturen bag kode- og dokumentassistenter. Modellen kræver dog omfattende hukommelse, følger en særskilt licens og gør ikke automatisk en tilkoblet AI-agent sikker eller egnet til personoplysninger.

Hvad har Meta udgivet med Muse Spark Open?

Meta udgav Muse Spark Open den 15. oktober 2026. Modellen har 816 milliarder parametre i alt, 42 milliarder aktive parametre og et kontekstvindue på op til én million tokens. Tokens er de enheder, modellen behandler tekst som.

Vægtene kan hentes gennem blandt andet Hugging Face. Der findes også adgang gennem eksterne API-udbydere. Egen drift og adgang til en hostet tjeneste er dermed to forskellige muligheder, som fordeler ansvar og databehandling forskelligt.

Hvilke typer indhold kan modellen behandle?

Modelkortet angiver tekst, billeder, video og lyd som input og tekst som output. Multimodal betyder her, at modellen kan behandle flere typer input; det betyder ikke, at den selv leverer alle medietyper som svar.

Et tænkt eksempel er en dokumentassistent, der sammenholder et skærmbillede med en skriftlig fejlbeskrivelse og foreslår en kodeændring. Om forslaget virker, afhænger stadig af test i det relevante program.

Hvorfor er 42 milliarder aktive parametre ikke hele modellen?

Muse Spark Open bruger Mixture of Experts, hvor modellen aktiverer udvalgte dele af sit netværk under behandlingen. De aktive parametre beskriver derfor ikke hele den samling vægte, der skal være tilgængelig under drift.

Forskellen forklarer, hvorfor et relativt lavt antal aktive parametre godt kan optræde sammen med et stort hukommelsesbehov. En sammenligning af modeller ud fra det aktive tal alene giver et ufuldstændigt billede af infrastrukturen.

Hvilket udstyr kræver egen drift?

Meta beskriver en opsætning med to Mac Studio-computere med M5 Ultra og op til 512 GB fælles CPU- og GPU-hukommelse i hver. Modelkortet angiver desuden mindst 700 GB GPU-hukommelse for NVFP4-udgaven og 2 TB for BF16-udgaven. Tallene vedrører forskellige formater og opsætninger.

Betegnelsen desktop beskriver altså en konkret, omfattende konfiguration. Den dokumenterer ikke, at modellen kan køre tilfredsstillende på en almindelig arbejdscomputer.

Hvordan påvirker kvantisering og lang kontekst driften?

Kvantisering repræsenterer modelvægte med lavere numerisk præcision og kan reducere deres hukommelsesbehov. Modelkortet nævner, at kvantiseret inferens kan give mindre kvalitetsforskelle i særlige tilfælde.

Hukommelse bruges også til den kontekstcache, som hjælper modellen med at behandle samtalen. MLX LM-dokumentationen beskriver en afvejning, hvor en mindre cache kan koste kvalitet, mens mindre behandlingstrin for lange input kan koste hastighed.

Derfor er der to forskellige driftsprøver: Kan vægtene være i hukommelsen, og kan den ønskede dokumentmængde behandles med en acceptabel svartid? Et maksimalt kontekstvindue besvarer ikke alene det sidste spørgsmål.

Hvad fortæller evalueringerne om kvaliteten?

Metas offentliggjorte sammenligninger bruger ræsonneringsniveauet xhigh for Muse Spark Open. Resultaterne varierer mellem opgaver, og tabellen viser ikke en førerposition på alle mål.

En arbejdsprøve kan derfor adskille korrekthed, svartid og driftsforbrug. Et korrekt resultat efter mange forsøg har en anden praktisk værdi end et korrekt resultat i første forsøg. Den samme model kan også opføre sig anderledes med andre værktøjer og indstillinger.

Hvad tillader Muse Model License?

Licensen tillader blandt andet brug, ændring og distribution på bestemte betingelser. Den omfatter en brugspolitik og krav om navngivning. Tilgængelige vægte er derfor ikke ensbetydende med ubegrænsede brugsrettigheder, hvilket også er relevant i skellet mellem åbne og lukkede AI-modeller.

• Udbydere af Model as a Service skal underrette Meta og indgå en særskilt skriftlig aftale før udbud af modellen som tjeneste, hvis de og deres tilknyttede selskaber samlet overstiger 20 millioner USD i bruttoomsætning i en sammenhængende periode på 12 måneder.
• Dette særvilkår gælder ikke intern brug, forskning eller erhvervsbrug, der ikke er Model as a Service. Licensen undtager også egen produktfunktionalitet, hvor modellen indgår som komponent frem for som selve modeltjenesten.

Det er dermed både forretningsmodellen og omsætningsbetingelsen, der afgør, om særvilkåret er relevant.

Hvad ændrer egen drift for arbejdspladser?

For udviklingsteams og organisationer i Danmark er lokal AI en mulighed for selv at placere modelberegningen og afprøve en bestemt konfiguration. Til gengæld skal driftsarbejdet indgå i vurderingen.

Som praktisk sammenligning kan en intern kodeassistent undersøges på tre punkter: Hvem vedligeholder serverne, hvem godkender modelændringer, og hvem undersøger fejl i resultaterne? Vægtenes tilgængelighed besvarer ingen af disse organisatoriske spørgsmål.

Et relevant sammenligningsgrundlag er derfor prisen og arbejdet pr. godkendt opgave, inklusive drift og kontrol, frem for alene udgiften til et API-kald eller selve hardwaren.

Bliver personoplysninger automatisk i organisationen?

Det afhænger af den samlede løsning. Lokal modelberegning kan indgå i et system, som stadig sender oplysninger til ekstern søgning, logning eller support. Et tænkt eksempel er en lokalt kørt dokumentassistent, som sender et navn videre til en søgetjeneste.

Datatilsynets cloudvejledning kræver overblik over leverandørkæden og behandlingerne. Adgang til at se oplysninger fra et tredjeland kan også være en overførsel, selv om lagringen sker i EU.

• Modelberegning, tilkoblede værktøjer og lagring af samtaler er særskilte dele af dataflowet.
• Ved ekstern hosting skal leverandører, supportadgang og eventuelle overførsler indgå i vurderingen.
• Væsentligt ændrede behandlinger kan kræve en fornyet risikovurdering.

Egen drift kan ændre dataflowet, men dokumenterer ikke i sig selv GDPR-overholdelse.

Hvordan kan kvaliteten på dansk undersøges?

Træning på mange sprog dokumenterer ikke samme kvalitet på dem alle. Der foreligger ikke særskilte danske resultater i det gennemgåede modelkort. Kilderne bekræfter heller ikke en bestemt dansk kontos adgang hos hver API-udbyder.

En mulig arbejdsprøve for en dokumentassistent kan følge denne rækkefølge:

1. Brug konstruerede dokumenter med dansk fagterminologi og kendte svar.
2. Undersøg både korrekte svar og om modellen undlader at udfylde manglende oplysninger med gæt.
3. Gentag prøven med den kvantisering, kontekstlængde og de værktøjer, som den planlagte løsning bruger.
4. Registrer fejl og svartid særskilt, så et hurtigt svar ikke tæller som et korrekt svar.

Dette er et eksempel på en afgrænset afprøvning, ikke dokumentation for modellens faktiske danske resultater.

Hvilke grænser kræver en tilkoblet AI-agent?

En AI-agent forbinder modellen med værktøjer og en arbejdsgang. Modelkortet anbefaler selvstændige systemværn og menneskelig bekræftelse ved irreversible handlinger.

I en tænkt kodeassistent kan det betyde, at ændringer først afprøves i et separat testmiljø, og at en person godkender offentliggørelse. Et modelgenereret forslag og tilladelsen til at udføre det er to forskellige beslutninger.

Den varige betydning af udgivelsen er derfor flere muligheder for at undersøge og tilpasse selve modelgrundlaget. Om et færdigt system er brugbart, afhænger fortsat af opgaven, infrastrukturen og kontrollen omkring det.

Hvilke kilder ligger til grund?

Metas lancering af Muse Spark Open og officielle modelkort dokumenterer udgivelsen og begrænsningerne. Brugsrettighederne følger Muse Model License. Drift og dataflow er belyst med MLX LM-dokumentationen og Datatilsynets cloudvejledning.