Meta ปล่อยน้ำหนัก Muse Spark Open: MoE 816B (active 42B) บริบท 1M รับภาพ เสียง วิดีโอ รันบน Mac Studio M5 Ultra สองเครื่องได้ — แต่ AA Index ยังตาม GLM 5.3, Kimi K3 และ Qwen3.8 ส่วนไลเซนส์บังคับป้าย "Built with" และเพดาน MaaS $20M

Meta ปล่อยน้ำหนัก Muse Spark Open เมื่อ 15 ต.ค. 2026 เป็นครั้งแรกที่ตระกูล Muse Spark ซึ่งเป็นสายโมเดล frontier ของ Meta Superintelligence Labs มีเวอร์ชันให้ดาวน์โหลดไปรันเอง หลังจากที่ Zuckerberg พูดถึงแผนนี้ไว้ตั้งแต่เดือนสิงหาคม และ roadmap ของ Muse Spark 1.3 เหลือแค่บรรทัดเดียวที่ไม่ระบุทั้งเวอร์ชันและวันที่ ตัวโมเดลเป็น mixture-of-experts 816B พารามิเตอร์ ใช้งานจริง 42B ต่อโทเคน บริบท 1M โทเคน รับ ข้อความ ภาพ เสียง และวิดีโอ และตอบเป็นข้อความ

Meta เรียกมันว่า “โมเดล open-weight ของสหรัฐฯ ที่เก่งที่สุดจนถึงตอนนี้” ซึ่งต้องอ่านคำว่า “ของสหรัฐฯ” ให้ดี เพราะในตารางของ Meta เอง คะแนนรวมยังตามโมเดลเปิดจากจีนหลายตัว จุดเด่นจริงอยู่ที่ งานเอเจนต์และมัลติโมดัล การรองรับเครื่องมือตั้งแต่วันแรก และ ระดับความปลอดภัย ที่ต่างจากคู่แข่งชัดเจน

สเปกจากการ์ดโมเดลและบล็อก Hugging Face

• ขนาด: ~816B รวม / ~42B active, 256 experts ต่อชั้น เลือก 8 โดย experts คิดเป็นราว 97% ของพารามิเตอร์
• ภาษา: 62 ชั้น, hidden 8192, GQA 128 query heads / 16 KV heads, มี QK-norm และ gated attention, vocab 202,048
• บริบท: max_position_embeddings = 1,048,576 ซึ่งนับภาพ วิดีโอ และเสียงในหน้าต่างเดียวกัน บล็อก HF คำนวณว่า KV cache ใน BF16 ใช้ราว 250 KB ต่อโทเคน หรือ ~266 GB ที่ 1M โทเคน
• มัลติโมดัล: Perception Encoder 1.8B (สถาปัตยกรรมเดียวกับใน Muse Glimmer 30B) และ audio encoder ที่ให้ 12.5 โทเคนต่อวินาทีเสียง
• Reasoning: ปรับได้ low / medium / high / xhigh (ค่าเริ่มต้น xhigh) แต่ ปิด reasoning ไม่ได้
• ไฟล์: BF16 (~1.5 TB) และ NVFP4 สำหรับ Blackwell, ใช้ tokenizer เดียวกับ Muse Glimmer

รันที่ไหนได้บ้าง: การ์ดโมเดลระบุว่าต้องใช้ VRAM อย่างน้อย 700 GB สำหรับ NVFP4 และ 2 TB สำหรับ BF16 ทีม Hugging Face รัน NVFP4 บนเครื่อง B200 หนึ่งโหนด และมีสูตร SGLang บน RTX Pro 6000 98 GB × 8 ที่บริบท 131K สำหรับเครื่องตั้งโต๊ะ Meta ชู Mac Studio M5 Ultra 512 GB สองเครื่องผ่าน MLX ส่วน HF ทดสอบบน M3 Ultra 512 GB เครื่องเดียว ได้ด้วย quant ที่ต่ำลง:

วิธีรัน	หน่วยความจำที่ใช้	ความเร็ว (ตามที่ HF รายงาน)
llama.cpp, Q2_K (imatrix) บน M3 Ultra 512 GB	304 GB	~18 tok/s
oMLX / mlx-lm, oQ3e บน M3 Ultra 512 GB	~344 GB	prefill ~225 tok/s, gen ~21 tok/s

ถ้าไม่มีฮาร์ดแวร์ระดับนี้ Meta เปิดผ่าน API ของ Baseten, Fireworks, Groq, Modal, Nebius, OpenRouter และ Together AI ตั้งแต่วันแรก และมีน้ำหนักบน SageMaker, Vertex Model Garden และ Microsoft Foundry ด้วย

คะแนน: เก่งงานเอเจนต์ แต่ยังไม่ใช่ open model อันดับหนึ่ง

ตัวเลขทั้งหมดมาจากการ์ดโมเดลของ Meta (Muse Spark Open ใช้ xhigh) ยังไม่มีผลทดสอบอิสระ:

Benchmark	Muse Spark Open	Qwen3.8-2.4T	GLM 5.3	Kimi K3
AA Intelligence Index	39	40	45	44
MCP-Atlas	89.2	84.5	84.2	82.3
JobBench	61.8	52.7	61.4	54.3
HLE-Diamond (ไม่ใช้ tools)	26.1	17.3	16.4	22.2
OSWorld Verified	80.4	–	–	84.8
Terminal-Bench 2.1	76.4	82.0	83.9	85.0
DeepSWE 1.1	60	57	67	68
GDPVal-AA v2	1401	1613	1653	1537

ภาพรวมคือ Muse Spark Open นำในงาน เรียก tool ผ่าน MCP และงานความรู้แบบไม่ใช้เครื่องมือ แต่ แพ้ชัดในงานโค้ดเอเจนต์ (Terminal-Bench ห่าง Kimi K3 เกือบ 9 จุด, DeepSWE ห่าง 8) ซึ่งขัดกับที่ Meta วางตำแหน่งว่าเป็นโมเดล “สำหรับ coding” อยู่บ้าง ส่วนเมื่อเทียบกับโมเดลเปิดสัญชาติสหรัฐฯ ในตารางเดียวกันอย่าง Nemotron 3 Ultra (AA Index 23) คำว่า “ของสหรัฐฯ ที่เก่งที่สุด” ก็ถือว่าจริง

ความปลอดภัย: ปฏิเสธแรงกว่าคู่แข่งมาก

นี่คือจุดที่ต่างจากคนอื่นที่สุด Meta บอกว่าเวอร์ชัน open-weight ผ่าน safety post-training เพิ่ม เพราะจะถูกรันโดยไม่มี guardrail ของระบบ ผลคือ StrongREJECT v2 (ยิ่งต่ำยิ่งดี) ได้ 0.5 ขณะที่ Kimi K3, GLM 5.3 และ Qwen3.8 อยู่ราว 63–67 ฝั่ง cyber การ์ดอ้างว่าปฏิเสธ jailbreak 99.2% ในชุดทดสอบภายใน เทียบกับ Kimi K3 ที่ 75.5%

ราคาที่ต้องจ่ายอยู่ในคอลัมน์เดียวกัน: ค่า ORS (over-refusal) บน FORTRESS เท่ากับ 17.4 สูงที่สุดในตาราง ขณะที่ Kimi K3 อยู่ที่ 2.7 และ GLM 5.3 ที่ 3.2 แปลว่าจะเจอโมเดล ปฏิเสธคำขอที่ไม่ได้อันตรายบ่อยกว่า ทีมที่ทำงาน security, pentest หรือ red-team ควรทดสอบก่อนเลือกใช้

ไลเซนส์: ไม่ใช่ Llama License แต่ก็ไม่ใช่ MIT

อ่านจากข้อความ Muse Model License ที่ Hugging Face แสดงก่อนกดขอสิทธิ์ (repo เป็นแบบ gated ต้องกรอกชื่อ วันเกิด ประเทศ และองค์กร):

• ฐานเป็นข้อความแบบ MIT: ใช้ แก้ไข fine-tune distill merge แจกจ่าย และขายได้
• ข้อ 2: ต้องแสดง “Built with Muse Spark Open” อย่างชัดเจนใน UI, เอกสาร, เว็บไซต์ หรือเมนูตั้งค่า ของทุกผลิตภัณฑ์ที่ใช้โมเดลหรือ Derivatives และนิยาม Derivatives รวมถึง โมเดลที่เทรนจาก output ของ Muse Spark Open ด้วย
• ข้อ 3: ถ้าเปิดให้บุคคลที่สามเรียกโมเดลผ่าน API (Model as a Service) และรายได้รวมของบริษัทกับบริษัทในเครือ เกิน $20M ใน 12 เดือน ต้องแจ้ง Meta และทำสัญญาแยกก่อน ข้อนี้ ไม่ใช้กับ การใช้ภายใน งานวิจัย หรือการใช้โมเดลเป็นฟีเจอร์ในผลิตภัณฑ์ของตัวเองที่ไม่ใช่ MaaS
• มี Usage Policy แนบท้าย ห้ามงานทางทหาร ห้ามใช้ควบคุมโครงสร้างพื้นฐานสำคัญ และ ไม่ให้ใช้กับผู้อายุต่ำกว่า 18 ปี

มุมมอง AI Curator

นี่คือการกลับมาของ Meta ในสนาม open-weight ระดับใหญ่ครั้งแรกนับตั้งแต่ยุค Llama และสิ่งที่น่าสนใจที่สุดไม่ใช่คะแนน แต่เป็น ระบบนิเวศวันแรก ทั้ง Transformers, vLLM, SGLang, llama.cpp, MLX, TRL และผู้ให้บริการ API เจ็ดราย ขณะที่โมเดลจีนหลายตัวต้องรอชุมชนทำ GGUF กันเองหลายวัน สำหรับทีมที่ต้องการโมเดลเปิดขนาดใหญ่ซึ่ง ไม่ได้มาจากจีน เพื่อผ่านข้อกำหนดการจัดซื้อหรือ compliance ตอนนี้มีตัวเลือกจริงจังแล้ว แม้คะแนนรวมจะยังตาม GLM 5.3 และ Kimi K3 อยู่ราว 5–6 จุด

สำหรับองค์กรไทย มีสามเรื่องที่ควรคิดก่อนลงมือ เรื่องแรกคือฮาร์ดแวร์ “รันบนเดสก์ท็อป” ของ Meta หมายถึง Mac Studio M5 Ultra 512 GB สองเครื่อง ไม่ใช่เครื่องทั่วไป ทีมส่วนใหญ่จะได้ใช้ผ่าน API ของผู้ให้บริการอยู่ดี ซึ่งข้อดีเรื่อง data residency จะหายไปถ้าผู้ให้บริการไม่มี region ใกล้เรา เรื่องที่สองคือข้อ “Built with” ที่ครอบคลุมไปถึงโมเดลที่ distill จาก output ทีมที่คิดจะใช้ Muse Spark Open สร้าง synthetic data มาเทรนโมเดลภาษาไทยของตัวเองต้องติดป้ายนี้ไปด้วย เรื่องที่สามคือค่า over-refusal ที่สูง ควรทดสอบกับ prompt ภาษาไทยในโดเมนจริงก่อน เพราะ Meta บอกเองว่ายังไม่ได้ประเมินครบทุกภาษา และโมเดลที่ระวังตัวมากในภาษาอังกฤษอาจปฏิเสธมากขึ้นอีกในภาษาที่มันไม่แน่ใจ

แหล่งข่าว

• Introducing Muse Spark Open — Meta AI Research
• Welcome Muse Spark Open — Hugging Face Blog
• meta-models/Muse-Spark-Open-816B-A42B — การ์ดโมเดลและ Muse Model License