Kurz gesagt
- Das Modell arbeitet mit insgesamt rund 816 Milliarden Parametern, davon sind pro Token etwa 42 Milliarden aktiv.
- Es verarbeitet Text-, Bild-, Audio- und Videoeingaben und erzeugt Text als Ausgabe.
- Das Kontextfenster umfasst bis zu 1 Million Token.
- Die BF16-Version ist etwa 1,5 TB groß; die NVFP4-Version ist für NVIDIA-Blackwell-GPUs ausgelegt.
Metas multimodales Modell mit offenen Gewichten, Muse Spark Open, wurde am 15. Oktober 2026 im Hugging-Face-Blog vorgestellt. Das Modell wurde laut Angaben für Coding-Workflows trainiert. Es kann Text-, Bild-, Audio- und Videoeingaben verarbeiten und Text ausgeben. Insgesamt verfügt es über rund 816 Milliarden Parameter. Dank der Mixture-of-Experts-Architektur (MoE) werden pro Token etwa 42 Milliarden Parameter aktiviert.
Welche Eingaben kann Muse Spark Open verarbeiten?
Das Modell kann verschiedene Medientypen innerhalb desselben Systems verarbeiten. Bilder und Videoframes werden über einen Perception-Encoder, Audio über einen separaten Audio-Encoder an das Textmodell weitergegeben. Im Beitrag von Hugging Face wird anhand von Beispielen gezeigt, wie das Modell Screenshots lesen, Sprachnotizen anhören und Bildschirmaufnahmen analysieren kann. Die Ausgabe des Modells ist auf Text beschränkt.
Videos werden standardmäßig mit 2 Bildern pro Sekunde abgetastet; maximal werden 96 Frames verarbeitet. Die Bildrate lässt sich erhöhen. Laut Quelle kann dies jedoch den Speicherbedarf und die Latenz bei der Vorverarbeitung steigern. Bei direkter Verarbeitung von Audio erwartet das Modell Mono-Audio mit einer Abtastrate von 24 kHz. Das Kontextfenster umfasst bis zu 1 Million Token, wobei Text- und Medientoken gemeinsam gezählt werden.
MoE-Aufbau und Hardwarebedarf
Jede MoE-Schicht von Muse Spark Open enthält 256 Experten, von denen für jedes Token 8 ausgewählt werden. Dadurch bleibt die Zahl der während der Berechnung aktiven Parameter bei rund 42 Milliarden. Alle Experten müssen jedoch im Speicher verfügbar sein. Die Zahl der aktiven Parameter allein gibt daher nicht an, wie viel Speicher zum Ausführen des gesamten Modells erforderlich ist.
Den von Hugging Face veröffentlichten technischen Angaben zufolge belegen die BF16-Gewichtsdateien im Safetensors-Format rund 1,5 TB. Für die Ausführung der BF16-Version mit Transformers werden 4 Knoten mit jeweils 8 H200-GPUs angegeben; für die NVFP4-Version ist ein einzelner B200-Knoten vorgesehen. NVFP4 wird als 4-Bit-Format für NVIDIA-Blackwell-GPUs beschrieben. Im Beitrag wird außerdem berechnet, dass ein Kontext mit der vollen Länge von 1 Million Token in BF16 etwa 266 GB KV-Cache benötigen kann.
Coding und Bereitstellungsoptionen
Das Modell wurde für Entwickler-Workflows wie Refactorings über mehrere Dateien und langwierige Debugging-Prozesse trainiert. Es unterstützt auch Tool-Aufrufe und kann bei längeren Aufgaben nach dem Prinzip Planen, Ausführen, Beobachten und Selbstkorrektur arbeiten. Diese Eigenschaften deuten darauf hin, dass der Schwerpunkt des Produkts nicht auf der direkten Bilderzeugung, sondern auf Coding und Tool-Nutzung mit multimodalen Eingaben liegt.
Der Hugging-Face-Beitrag nennt in Transformers die Komponenten MuseSparkForConditionalGeneration und MuseSparkProcessor. Für Einstellungen zum verteilten Betrieb wird DistributedConfig verwendet. Außerdem verweist der Beitrag auf Ausführungsanleitungen für llama.cpp, vLLM und SGLang. Im veröffentlichten Text werden weder Preise noch Einzelheiten zur Nutzungslizenz genannt. Vor der Bereitstellung müssen daher die Lizenz- und Hardwarebedingungen im Gewichts-Repository gesondert geprüft werden.
Auswirkungen auf Architektur- und Visualisierungs-Workflows
Für Architektinnen und Architekten, Innenarchitektinnen und Innenarchitekten sowie Visualisierungsteams könnte besonders praktisch sein, dass das Modell Bilder und Videoaufnahmen gemeinsam mit Text analysieren kann. Beispielsweise ließe sich die Möglichkeit, Fragen zu einem Screenshot oder einer Arbeitsaufzeichnung zu stellen, in Design- und technischen Prüfprozessen erproben. Die Quelle nennt jedoch weder Plugins für Architektursoftware noch eine spezielle Funktion zur Renderanalyse. Es handelt sich daher nicht um eine bereits vorhandene Funktion, sondern um eine denkbare Anwendung der Unterstützung multimodaler Eingaben.
Die eigentliche Hürde ist die Hardware. Die genannten Betriebskonfigurationen setzen Systeme mit sehr hoher Speicherkapazität voraus. Büros, die einen lokalen Betrieb erwägen, sollten sich deshalb nicht allein an der Zahl der pro Token aktiven Parameter orientieren. Format der Gewichte, GPU-Kompatibilität, Speicherbedarf und Lizenzbedingungen müssen gemeinsam geprüft werden.
Quellen
1 QuelleQuelltexte werden nicht neu veröffentlicht; kurze Zitate sind gekennzeichnet, der Rest ist eigene Zusammenfassung und Einordnung.
Dass Muse Spark Open Text, Bilder, Audio und Video im selben Kontext verarbeiten kann, macht die Idee attraktiv, im Büro unterschiedliche Arten von Projekteingaben mit einem einzigen Modell abzufragen. Für Architektur- und Visualisierungsteams ist die entscheidende Frage in der Ankündigung jedoch zunächst nicht die Leistungsfähigkeit des Modells, sondern der Zugang zur erforderlichen Hardware.
Die genannten H200- und B200-Konfigurationen machen den lokalen Betrieb nicht für jedes Studio zu einer einfachen Option. Büros in der Türkei sollten vor einer Entscheidung GPU-Speicher, das verwendete Gewichtsformat und die Lizenzbedingungen gemeinsam prüfen. Sinnvoller ist es, das Modell nicht als bereits in die Produktionspipeline integriertes Architekturtool zu betrachten, sondern als allgemeines Coding-Modell, das Tests zu Hardware und Workflow erfordert.
Häufige Fragen
Welche Eingaben unterstützt Muse Spark Open?
Das Modell verarbeitet Text-, Bild-, Audio- und Videoeingaben. Die Ausgabe wird als Text erzeugt.
Welche Hardware ist erforderlich, um Muse Spark Open auszuführen?
Den veröffentlichten Angaben zufolge läuft die BF16-Version auf 4 Knoten mit jeweils 8 H200-GPUs, die NVFP4-Version auf einem einzelnen B200-Knoten.
Wie groß ist das Kontextfenster von Muse Spark Open?
Das Kontextfenster umfasst bis zu 1 Million Token. Text-, Bild-, Video- und Audio-Token werden gemeinsam auf dieses Limit angerechnet.
