متا در ۱۵ اکتبر ۲۰۲۶ وزن‌های Muse Spark Open را منتشر کرد؛ مدلی چندوجهی با ۸۱۶ میلیارد پارامتر کل و ۴۲ میلیارد پارامتر فعال که با کمک چارچوب MLX اپل می‌تواند روی چند Mac Studio متصل اجرا شود. این دستاورد به معنی اجرای آسان آن روی هر رایانه‌ای نیست.
متا چه چیزی منتشر کرده است؟
متا در اطلاعیهٔ رسمی معرفی Muse Spark Open در ۱۵ اکتبر اعلام کرد وزن‌های مدل در دسترس قرار گرفته‌اند. به گفتهٔ شرکت، مدل به‌صورت بومی چندوجهی طراحی شده، پنجرهٔ زمینهٔ یک‌میلیون‌توکنی دارد و برای کارهای عامل‌محور، مهندسی نرم‌افزار پیچیده و استدلال چندمرحله‌ای هدف‌گذاری شده است.
عدد ۸۱۶ میلیارد، تعداد کل پارامترهای مدل است؛ همهٔ این پارامترها در هر مرحله فعال نیستند. معماری اعلام‌شده ۴۲ میلیارد پارامتر فعال دارد. هزینهٔ اجرا فقط از روی تعداد پارامترهای کل قابل محاسبه نیست و معماری، دقت عددی، حافظه و روش توزیع اجرا هم اثر دارند.
نتیجهٔ آزمایش اپل چه می‌گوید؟
اپل در مقالهٔ فنی اجرای استنتاج بزرگ با MLX و RDMA روی Mac Studio که ۱۵ اکتبر منتشر شد، اجرای Muse Spark Open را با چارچوب متن‌باز MLX و اتصال چند Mac Studio بررسی کرد. اپل برای پیکربندی چهار دستگاه M5 Ultra و زمینهٔ ۸۱۹۲ توکن، سرعت تولید بیش از ۳۶ توکن در ثانیه را گزارش کرده است.
این بنچمارک یک پیکربندی مشخص و گزارش خود سازندهٔ سخت‌افزار است. برای مقایسهٔ منصفانه با GPUهای دیتاسنتری یا رایانه‌های دیگر باید اندازهٔ زمینه، دقت مدل، نوع موازی‌سازی، توان مصرفی و روش اندازه‌گیری یکسان باشند. عدد ۳۶ توکن‌درثانیه به‌تنهایی ثابت نمی‌کند این روش در تمام بارهای کاری ارزان‌تر یا سریع‌تر است.
محدودیت‌ها و نیاز سخت‌افزاری
طبق مقالهٔ اپل، وزن‌های Muse Spark Open در دقت بومی BF16 به بیش از ۱٫۶ ترابایت حافظه برای خود پارامترها نیاز دارند. در قالب ۴ بیتی NVFP4، حجم وزن‌ها به حدود ۴۹۳ گیگابایت کاهش می‌یابد، اما حافظهٔ لازم برای محاسبات میانی هم اضافه می‌شود؛ بنابراین اجرای این مدل به‌صورت توزیع‌شده میان چند دستگاه نیاز دارد.
کاهش دقت عددی به ۴ بیت می‌تواند مصرف حافظه را کم کند، اما کیفیت خروجی باید دوباره ارزیابی شود. «وزن‌های باز» به معنی بی‌نیازی از سخت‌افزار، نبود هزینهٔ برق یا تضمین محرمانگی در هر راه‌اندازی نیست؛ پیکربندی محلی هنوز باید امن و درست مدیریت شود.
برای برنامه‌نویسان و کسب‌وکارها چه معنایی دارد؟
برای تیم‌های توسعه، وزن‌های قابل دریافت امکان آزمایش استنتاج محلی، ساخت ابزارهای کدنویسی عامل‌محور و کنترل بیشتر بر مسیر داده‌ها را فراهم می‌کند. اما اجرای این مدل خاص به سخت‌افزار سطح‌بالا نیاز دارد و برای لپ‌تاپ معمولی گزینهٔ عملی به حساب نمی‌آید.
پیش از انتخاب مدل، کیفیت خروجی روی وظایف واقعی، مجوز استفاده، هزینهٔ سخت‌افزار، مصرف انرژی، سرعت پاسخ، نیازهای حریم خصوصی و نگهداری باید جداگانه سنجیده شوند. برای کارهای رایج‌تر، مدل کوچک‌تر یا API مدیریت‌شده ممکن است به‌صرفه‌تر باشد. راهنمای ابزارهای هوش مصنوعی برای برنامه‌نویسی را نیز ببینید.
پرسش‌های متداول
آیا Muse Spark Open رایگان است؟
متا می‌گوید وزن‌های مدل منتشر شده‌اند و دسترسی از چند پلتفرم API نیز فراهم است؛ هزینهٔ اجرای محلی، سخت‌افزار و شرایط مجوز باید جداگانه بررسی شوند.
آیا روی یک مک معمولی اجرا می‌شود؟
آزمایش اپل برای این مدل از چند Mac Studio سطح‌بالا استفاده می‌کند. وزن‌ها به حافظهٔ بسیار زیادی نیاز دارند و برای محاسبات میانی نیز فضای بیشتری لازم است.
آیا ثابت شده از همهٔ مدل‌های باز بهتر است؟
خیر. این توصیف، ادعای متا است؛ نتیجه‌گیری کلی نیازمند معیار، نسخهٔ مدل، تاریخ و بنچمارک‌های مستقل قابل‌مقایسه است.
- Meta AI Research — معرفی Muse Spark Open، ۱۵ اکتبر ۲۰۲۶ (منبع اولیه)
- Apple Machine Learning Research — بنچمارک MLX و اجرای توزیع‌شده، ۱۵ اکتبر ۲۰۲۶
- The Verge — گزارش مستقل همکاری متا و اپل، ۱۵ اکتبر ۲۰۲۶
آخرین بررسی: ۲۴ مهر ۱۴۰۵. سرعت اعلام‌شده مربوط به شرایط آزمون اپل است؛ از این عدد به‌تنهایی نمی‌توان مقایسهٔ جامع همهٔ مدل‌ها را نتیجه گرفت.
این مقاله را در چند نکته بخوان
این مدل دارای پنجرهٔ زمینهٔ یک‌میلیون‌توکنی است و برای کارهای عامل‌محور، مهندسی نرم‌افزار و استدلال چندمرحله‌ای طراحی شده است.
اپل در آزمایشی با استفاده از چهار Mac Studio مجهز به M5 Ultra و چارچوب MLX، سرعت بیش از ۳۶ توکن در ثانیه را گزارش کرده است.
اجرای این مدل به سخت‌افزار سنگین نیاز دارد؛ به طوری که در دقت بومی BF16 به بیش از ۱.۶ ترابایت حافظه و در قالب ۴ بیتی به حدود ۴۹۳ گیگابایت حافظه نیاز دارد.
این مدل برای لپ‌تاپ‌های معمولی مناسب نیست و تیم‌های توسعه و سازمان‌ها برای اجرای محلی آن به سخت‌افزار سطح‌بالا و مدیریت‌شده نیاز دارند.
سؤالت را از همین مقاله بپرس
پاسخ‌ها فقط بر اساس محتوای همین مقاله تولید می‌شوند.