10月15日：一桩罕见的合作

10月15日，Meta发布了开源权重模型 Muse Spark Open，官方定位是「迄今最强的美国开源权重模型」。同一天，扎克伯格在X上贴了一张Muse吉祥物坐在Mac旁边的图，并专门感谢了苹果CEO John Ternus：「Muse Spark Open——权重今天发布——在新款Mac Studio上运行出色，感谢John Ternus和苹果的合作。」Ternus随即回复：「能在桌面上如此高效地运行Muse Spark Open这个量级的模型，了不起。」

两家公司在隐私、广告等议题上交锋多年，这次却为一个模型站到了一起。Meta的AI业务负责人Alexandr Wang对Axios表示，双方已合作数月，曾在苹果任职、现任Meta研究员的Daniel Gross在其中扮演了重要角色。（来源：Meta AI Research 官方博客，2026-10-15、India Today，2026-10-16）

规格本身是旗舰级的：8160亿总参数、每token激活420亿参数的MoE架构，100万token上下文窗口，原生多模态——文本、图像、视频、音频输入，文本输出，词表202,048，训练数据覆盖100多种语言。Meta将其定位为面向编程、长周期智能体任务、复杂软件工程与多步推理的模型。（来源：Hugging Face 模型卡）

「两台电脑就是一台超算」：桌面部署怎么实现的

这次发布真正的新闻点不是参数，而是部署位置。

Meta称Muse Spark Open是同类中第一个可以在桌面运行的模型，路径是：两台搭载M5 Ultra芯片的Mac Studio。苹果的统一内存架构允许M5 Ultra的GPU直接使用每台机器最高512GB内存，两台合计1TB；芯片内存带宽1.2TB/s，足以支撑逐token读取所需的那小片数据。Meta的原话是——两台Mac Studio「表现得像一台拥有1TB统一内存的超级计算机」，使用最新版MLX框架驱动。

不过「桌面」这个词需要校准。按Meta模型卡的官方要求，NVFP4量化版本需要约700GB显存，BF16版本需要2TB；权重文件本身，16-bit版本约1.6TB，4-bit量化版本约530GB。（来源：模型卡、heise online，2026-10-16）也就是说，它能上桌，靠的是工作站级硬件，而不是普通笔记本。

Meta披露的实测演示包括：完全在本地用Muse Code驱动模型，为开源Mastodon客户端Ice Cubes提交真实的iOS改动（修漏洞、加功能、完整构建），以及端到端操作DaVinci Resolve，逐帧审阅素材挑选最佳镜头并裁切为竖版。推理引擎方面，SGLang、vLLM、TensorRT-LLM、Transformers、MLX、llama.cpp、Unsloth均已支持；Meta还为SGLang提供了自研Helion GPU内核，自称在NVIDIA和AMD显卡上取得1.03–3.95倍的内核级加速——这是厂商自报数据，尚无第三方复测。

成绩单：自家表格里也承认落后

一个值得玩味的细节：Meta自己的模型卡列出了与竞争对手的对比，而在这张表上，Muse Spark Open并不是第一。

按模型卡引用的Artificial Analysis智能指数：Muse Spark Open 39分，GLM 5.3 45分，Kimi K3 44分，Qwen3.8 40分，Mistral Large 4 38分。工具调用测试MCP-Atlas上，Muse Spark Open以89.2居首；但在Terminal-Bench 2.1上，它以76.4落后于Kimi K3的85.4。heise的报道直接把这一节标题写成「在智能体任务上落后于中国竞争对手」。（来源：Unsloth 转载的模型卡基准表、Michael Nemtsev AI Field Notes #119，2026-10-16、heise online）

这正是「最强美国开源模型」这个措辞的微妙之处——限定词「美国」本身就是全球坐标系的证据。在开放权重的赛道上，领先者在东方。而上述数字大多来自Meta自测或官方引用的榜单，截至发稿，独立第三方对Muse Spark Open的复现评测尚未出现。参考此前Muse Wonder的先例（10月12日发布时官方跑分强势、开发者首批实测在3D与长尾任务上明显失分），分数与体感之间的差距值得预留。

许可证：开源 ≠ 无条件

Muse Spark Open使用的是自定义的 Muse Model License，条款值得逐条看清：

  • 允许：商用、微调、蒸馏、用输出训练其他模型、分发或出售副本；
  • 必须：产品界面、文档、网站或设置中显著展示「Built with Muse Spark Open」——且这一要求同样覆盖用它训练出的衍生模型；
  • 门槛：若公司及其关联方以API或类似方式向第三方提供模型即服务（Model as a Service），且任意连续12个月总营收超过2000万美元，必须先通知Meta并另行签署书面协议。内部使用、科研、以及用模型为自家产品（本身不是模型API）供能，不受此限。（来源：Muse Model License 原文（Hugging Face）、Economic Times，2026-10-16、ImportStatic，2026-10-16）

对照系有两个：同属Muse家族的Muse Glimmer 30B用的是Apache 2.0；而Meta上一代旗舰Llama 4的社区许可把线画在「7亿月活」。开放许可证正在分层——Apache 2.0是完全开放，Muse Model License是「带营收门槛的开放」，再往上就是完全闭源的API。开发者社区对2000万美元条款的解读甚至出现了分歧（Hacker News上就有评论理解错又撤回），说明这类条款的沟通成本本身就是生态摩擦的一部分。

同一周的另外两块拼图：Nvidia与Liquid

「桌面上的开放模型」不是Meta一家的动作，过去72小时里还有两条线：

Nvidia：从数据中心到桌面的全谱系。 10月15日，Nvidia发布三款开放模型。旗舰 Nemotron 3.5 Super VL：1200亿总参数、120亿激活的视觉语言模型，混合Mamba-2与注意力架构，100万token上下文，约26万亿token预训练后又用约380万样本做强化学习后训练；权重、数据集、训练配方全部开放，采用OpenMDW许可。中端 Bolt 74B-A9B 24GB：740亿参数、90亿激活，用原生2-bit量化压进24GB内存，为10月16日上市的RTX Spark笔记本设计，也可跑在GeForce RTX PC和DGX Spark上，llama.cpp、Ollama、LM Studio开箱可用。小型 Bolt E4B 4GB 将于10月23日发布，面向语音与嵌入式智能体。Nvidia称Bolt 74B是同内存档位PinchBench开源第一、BrowseComp开源第二——未公布具体分数。（来源：Nvidia 官方博客，2026-10-15、technology.org，2026-10-16）

Liquid AI：15GB内存的笔记本模型。 10月13日发布的 LFM2.5-24B-A2B 是240亿总参数、仅20亿激活的MoE，官方数据：Apple M5 Max上184 tokens/s、占用15GB内存；AMD Ryzen AI Max+ 395上114 tokens/s；单张NVIDIA B300上超过21,000 tokens/s输出。首日即支持llama.cpp、MLX、vLLM、SGLang和ONNX。厂商称比同级MoE快最多1.7倍——同样是自报。需要注意的是它偏科：工具调用类任务表现突出（AutomationBench 27.69，对照Qwen3.6-35B-A3B的8.72），但修真实代码的SWE-bench Verified只有51分，落后Qwen的66.2分。（来源：unite.ai、MarkTechPost，2026-10-14）

把三条线放在一起，一张内存需求谱系浮现出来：15GB（Liquid，笔记本）→ 24GB（Nvidia Bolt，游戏本/工作站）→ 530GB–700GB（Muse Spark Open，双Mac Studio或数据中心）。开放模型第一次覆盖了从笔记本到超算的完整部署带宽。

反向对照：同一周，微软把权重锁得更紧

开放的另一端，是同一天发生的闭合。10月15日，微软AI宣布完成 MAI-Base 2 的预训练：2.8万亿总参数、800亿激活的MoE模型，2026年8月至9月在16,000张NVIDIA GB200上训练38天。微软称其预训练FLOPs效率比目前最强的开源基座模型DeepSeek-V4-Pro-Base高4–12倍；CEO Mustafa Suleyman在内部会上称该模型以约四分之一的算力超过了OpenAI的GPT-5.6基座模型——这两个说法都出自微软自己，尚无独立验证。模型正在进行后训练阶段，权重将「通过Foundry授权给可信合作伙伴」，没有发布日期、没有定价、没有公开基准。（来源：24/7 Wall St.，2026-10-16）

这一对照很干净：Meta给权重、Nvidia给权重加数据和配方、微软给一句承诺。2026年10月的这一个月，开放与闭合没有收敛，反而在同时加剧。

深层逻辑：为什么「桌面」是个分水岭

三个技术潮流在同一时点合流，才让「桌面上的前沿模型」从口号变成产品：

  1. MoE稀疏化——8160亿参数里每个token只计算420亿，240亿参数的Liquid模型里每个token只计算20亿，计算量与总参数彻底脱钩；
  2. 激进量化——4-bit（Muse）、原生2-bit（Nvidia Bolt）让权重体积缩小到可搬运的量级；
  3. 统一内存架构——CPU与GPU共享同一块高带宽内存，打破了「模型装不进显存」的硬约束，1.2TB/s的带宽让逐token读取可行。

对使用者而言，桌面部署的真实价值有三层：数据不必出本地（对数据驻留和内部合规敏感的团队是刚需）、成本结构可预测（一次性硬件投入替代按token计费的不确定支出）、离线可用（无网络环境、隔离网环境下的编程与智能体任务）。Meta在演示里强调「完全在本地」运行，正是这三层价值的直接展示。

对厂商而言，各自的算盘也很清楚：Nvidia把开放模型和自家RTX Spark硬件绑定，模型是硬件的饵；苹果用统一内存规格争取「模型优先为我优化」的位置；Meta用开放权重换取开发者生态，同时把更强的Muse Wonder留在付费API里——10月12日发布的Wonder系列至今没有开放权重，双轨策略一目了然。

冷水：三个还没解决的问题

第一，「桌面」的门槛被措辞掩盖了。 700GB显存或两台M5 Ultra Mac Studio，对个人开发者仍是数万美元级的投入。真正「普通人桌面」的模型是Nvidia Bolt和Liquid那一档，而不是Muse Spark Open。

第二，量化后的能力折损没有第三方数据。 2-bit、4-bit压缩对智能体长链路任务的影响，厂商给的是速度不是精度复现。在独立评测出现之前，「能跑」和「跑得好」之间隔着一条河。

第三，开放的边界由厂商定义。 开放的是上一代Spark系，闭源的是最新Wonder系；开放权重附带营收门槛和署名义务。这不否定开放的价值，但提醒我们：「开源模型」这四个字内部，差异比名字显示的更大。

接下来值得盯住的信号

  1. 10月23日Nvidia Bolt E4B 4GB发布，以及RTX Spark上市（10月16日）后第一批2-bit模型实测——24GB档位的实际体验将决定「本地智能体」能否普及。
  2. Muse Spark Open的第三方独立评测——尤其是与Kimi K3、GLM 5.3在同一把尺子下的对比，以及量化版本的能力折损曲线。
  3. Muse Wonder是否开放权重——这将检验Meta双轨策略的边界。
  4. Mistral Large 4承诺的10月底开源是否兑现（10月6日预览时宣布权重将于10月底开放）——万亿参数级开源家族会再多一员。

一周之内，Meta、苹果、Nvidia、Liquid四家公司从四个方向推进同一件事：让前沿能力落到本地硬件上。与此同时，微软选择把新基座的权重锁进合作伙伴名单。2026年秋天的AI行业给出了一个清晰的分岔——模型的竞赛不再只是「谁更聪明」，也是「你能把它放在哪里跑」。开放权重的战线，已经从云端延伸到了你的书桌。

参考来源