Qısaca
- Model təxminən 816 milyard ümumi, token başına isə təxminən 42 milyard aktiv parametrlə işləyir.
- Mətn, şəkil, səs və video girişlərini qəbul edir; çıxış olaraq mətn yaradır.
- Kontekst pəncərəsi 1 milyon tokenədəkdir.
- BF16 versiyası təxminən 1,5 TB yer tutur; NVFP4 versiyası isə NVIDIA Blackwell GPU-ları üçün hazırlanıb.
Meta-nın açıq çəkili multimodal modeli Muse Spark Open 15 oktyabr 2026-cı ildə Hugging Face bloqunda təqdim edildi. Kodlaşdırma iş axınları üçün təlim keçdiyi bildirilən model mətn, şəkil, səs və video girişlərini emal edib mətn çıxışı yarada bilir. Təxminən 816 milyard ümumi parametrə malik model Mixture-of-Experts (MoE) arxitekturası sayəsində hər token üçün təxminən 42 milyard parametri aktivləşdirir.
Muse Spark Open hansı girişləri emal edə bilir?
Model müxtəlif media növlərindən eyni sistem daxilində istifadə edə bilir. Şəkil və video kadrları qavrayış kodlayıcısı, səs isə ayrıca səs kodlayıcısı vasitəsilə mətn modelinə ötürülür. Hugging Face-in yazısında modelin ekran görüntülərini oxuya, səsli qeydləri dinləyə və ekran yazılarını araşdıra bildiyi nümunələrlə göstərilir. Modelin çıxışı mətnlə məhdudlaşır.
Video standart olaraq saniyədə 2 kadr sürəti ilə nümunələnir və ən çox 96 kadr emal olunur. Kadr sürətini artırmaq mümkündür, lakin mənbədə bunun yaddaş tələbatını və ilkin emal gecikməsini artıra biləcəyi qeyd edilir. Səs girişi birbaşa emal ediləndə mono format və 24 kHz nümunələmə sürəti gözlənilir. Modelin kontekst pəncərəsi mətn və media token-larını birlikdə hesablayaraq 1 milyon tokenədək çata bilir.
MoE quruluşu və aparat tələbləri
Muse Spark Open-ın hər MoE qatında 256 ekspert var və hər token üçün onlardan 8-i seçilir. Bu quruluş hesablama zamanı aktiv parametr sayını təxminən 42 milyardda saxlayır, lakin bütün ekspertlər yaddaşda olmalıdır. Buna görə də aktiv parametr sayı modelin hamısını işlətmək üçün lazım olan yaddaş miqdarını təkbaşına göstərmir.
Hugging Face-in paylaşdığı texniki məlumatlara görə, BF16 çəkiləri safetensors formatında təxminən 1,5 TB yer tutur. BF16 versiyasını Transformers ilə işlətmək üçün 8 H200 GPU-dan ibarət 4 qovşaq, NVFP4 versiyası üçünsə bir B200 qovşağı göstərilir. NVFP4, NVIDIA Blackwell GPU-ları üçün hazırlanmış 4 bitlik format kimi təsvir olunur. Yazıda həmçinin tam 1 milyon tokenlik kontekstin BF16-da təxminən 266 GB KV keş tələb edə biləcəyi hesablanır.
Kodlaşdırma və yerləşdirmə seçimləri
Model çoxfayllı refaktorinq və uzun sazlama prosesləri kimi tərtibatçı iş axınlarına yönəldilərək təlimdən keçirilib. Alət çağırışı dəstəyi də var; model uzun tapşırıqlarda planlaşdırma, əməliyyat aparma, nəticələri müşahidə etmə və özünü düzəltmə yanaşması ilə işləyə bilir. Bu xüsusiyyətlər məhsulun əsas diqqətinin birbaşa vizual yaratmaq deyil, multimodal girişlərlə kodlaşdırma və alətlərdən istifadə olduğunu göstərir.
Hugging Face yazısında Transformers daxilində MuseSparkForConditionalGeneration və MuseSparkProcessor komponentləri təsvir olunur. Paylanmış işə salma parametrləri üçün DistributedConfig istifadə edilir. Yazıda llama.cpp, vLLM və SGLang üçün işə salma təlimatlarına da keçid verilir. Paylaşılan mətndə qiymət və ya istifadə lisenziyasının təfərrüatları göstərilmir; yerləşdirmədən əvvəl çəki deposundakı lisenziya və aparat tələbləri ayrıca yoxlanmalıdır.
Memarlıq və vizuallaşdırma iş axınlarına təsiri
Memarlar, interyer dizaynerləri və vizuallaşdırma qrupları üçün modelin praktik üstünlüyü şəkil və video yazılarını mətnlə birlikdə araşdıra bilməsi ola bilər. Məsələn, ekran görüntüsü və ya iş prosesinin qeydi barədə sual vermək dizayn və texniki qiymətləndirmə mərhələlərində sınaqdan keçirilə bilər; lakin mənbə mətndə memarlıq proqramları üçün plaginlərdən və ya xüsusi render təhlili funksiyasından bəhs edilmir. Deməli, bu, mövcud funksiya deyil, multimodal giriş dəstəyindən yarana biləcək istifadə imkanıdır.
Əsas maneə aparatdan asılılıqdır. Açıqlanan işə salma konfiqurasiyaları çox yüksək yaddaş tutumlu sistemlər tələb edir; buna görə modeli yerli şəkildə işlətməyi nəzərdən keçirən ofislərin yalnız token başına aktiv parametr sayına baxmaması vacibdir. Çəki formatı, GPU uyğunluğu, yaddaş tələbatı və lisenziya şərtləri birlikdə yoxlanmalıdır.
Mənbələr
1 mənbəMənbə mətnləri yenidən dərc edilmir; qısa sitatlar işarələnir, qalanı bizim xülasə və şərhimizdir.
Muse Spark Open-ın mətn, şəkil, səs və videonu eyni kontekstdə nəzərdən keçirməsi ofislərdə müxtəlif növ layihə materiallarını vahid model vasitəsilə sorğulamaq ideyasını cəlbedici edir. Bununla belə, memarlıq və vizuallaşdırma qrupları üçün elandakı əsas müəyyənedici amil modelin imkanlarından əvvəl əlçatan aparat tələbləridir.
Açıqlanan H200 və B200 konfiqurasiyaları yerli işə salmanı hər studiya üçün asan seçim etmir. Türkiyədəki ofislər qərar verməzdən əvvəl GPU yaddaşını, istifadə olunacaq çəki formatını və lisenziya şərtlərini birlikdə qiymətləndirməlidir. Modelə birbaşa istehsal xəttinə inteqrasiya olunmuş memarlıq aləti kimi deyil, aparat və iş axını sınaqları tələb edən ümumi təyinatlı kodlaşdırma modeli kimi yanaşmaq daha məqsədəuyğundur.
Tez-tez verilən suallar
Muse Spark Open hansı girişləri dəstəkləyir?
Mətn, şəkil, səs və video girişlərini emal edir. Model mətn şəklində çıxış yaradır.
Muse Spark Open-ı işlətmək üçün hansı aparat lazımdır?
Paylaşılan məlumatlara görə, BF16 versiyası 8 H200 GPU-dan ibarət 4 qovşaqda, NVFP4 versiyası isə bir B200 qovşağında işlədilir.
Muse Spark Open-ın kontekst pəncərəsi nə qədərdir?
Kontekst pəncərəsi ən çox 1 milyon token təşkil edir. Bu həddə mətn, şəkil, video və səs token-ları birlikdə daxildir.
