CoAI
ข่าว

Meta เปิดตัว "Muse Spark Open" โมเดลแบบโอเพนเวต ขนาดรวม 816,000 ล้านพารามิเตอร์ สำหรับงานเขียนโค้ดและเอเจนต์

Meta ประกาศเปิดตัว "Muse Spark Open" เมื่อวันที่ 15 ตุลาคม 2026 ซึ่งเป็นการเผยแพร่น้ำหนักของโมเดล AI "Muse Spark" โดยจากพารามิเตอร์ทั้งหมด 816,000 ล้านตัว จะใช้ 42,000 ล้านตัวในการประมวลผลแต่ละครั้ง และรับอินพุตได้ 1 ล้านโทเค็น ดาวน์โหลดได้จาก Hugging Face และแหล่งอื่น ๆ และใช้เชิงพาณิชย์ได้ภายใต้เงื่อนไข

15 ตุลาคม 2569อ่านประมาณ 2 นาที

Meta เปิดตัวโมเดล AI "Muse Spark Open" เมื่อวันที่ 15 ตุลาคม 2026 โดยเป็นการแจกจ่ายน้ำหนัก (ข้อมูลของโมเดลที่ผ่านการฝึกแล้ว) ของ "Muse Spark" ที่บริษัทใช้ในบริการของตัวเองมาตั้งแต่เดือนเมษายน 2026 ทำให้ทุกคนดาวน์โหลดไปรันในสภาพแวดล้อมของตัวเองได้ Meta ระบุว่าเป็นโมเดลสำหรับงานเขียนโปรแกรม และงานแบบ "เอเจนต์" ที่ AI ใช้เครื่องมือเพื่อทำงานไปทีละขั้น

Muse Spark Open คืออะไร

Muse Spark คือโมเดลที่ Meta ใช้ในบริการของตัวเองมาตั้งแต่เดือนเมษายน 2026 และเป็นคนละโมเดลกับ "Muse Wonder" โมเดลระดับสูงแบบไม่เปิดเผยที่ประกาศเมื่อวันที่ 12 ตุลาคม ตามข้อมูลของ Meta Muse Spark Open พัฒนาต่อจาก "Muse Spark 1.2" ที่ออกในเดือนสิงหาคม โดยฝึกเพิ่มเติมเพื่อเพิ่มความปลอดภัย และใช้โมเดลพื้นฐานเดียวกับ "Muse Spark 1.3" ในปัจจุบัน

สเปกหลักมีดังนี้

  • กลไก: MoE (Mixture of Experts) มีพารามิเตอร์ทั้งหมด 816,000 ล้านตัว (816B) และใช้เพียง 42,000 ล้านตัว (42B) ในการประมวลผลแต่ละครั้ง
  • ปริมาณที่อ่านได้ในครั้งเดียว (คอนเท็กซ์): 1 ล้านโทเค็น
  • อินพุต: ข้อความ ภาพ เสียง วิดีโอ
  • เอาต์พุต: ข้อความ

MoE คือกลไกที่แม้โมเดลทั้งหมดจะมีขนาดใหญ่ แต่ในการประมวลผลแต่ละครั้งจะใช้งานเฉพาะส่วนที่เป็น "ผู้เชี่ยวชาญ" บางส่วนเท่านั้น จึงรันได้เร็วและประหยัดเมื่อเทียบกับขนาด

แหล่งดาวน์โหลดและวิธีใช้งาน

น้ำหนักโมเดลเผยแพร่บน Hugging Face, Amazon SageMaker AI, Model Garden ของ Google Cloud และ Microsoft Foundry สำหรับ Hugging Face ต้องกรอกชื่อ วันเกิด และสังกัดก่อนดาวน์โหลด

หากไม่ต้องการเตรียมเซิร์ฟเวอร์เอง ก็ใช้งานผ่าน API ของผู้ให้บริการอย่าง Baseten, Fireworks, Groq, Modal, Nebius, OpenRouter และ Together AI ได้

หากจะรันในสภาพแวดล้อมของตัวเอง ต้องใช้หน่วยความจำ GPU ตั้งแต่ 700GB ขึ้นไปสำหรับรูปแบบขนาดเบา (NVFP4) และ 2TB สำหรับรูปแบบดั้งเดิม (BF16) นอกจากนี้ Meta ยังอธิบายว่าหากเชื่อมต่อ Mac Studio ชิป M5 Ultra ที่มีหน่วยความจำ 512GB จำนวน 2 เครื่อง ก็สามารถรันด้วย "MLX" เฟรมเวิร์กสำหรับ Apple ได้

เงื่อนไขไลเซนส์

ไลเซนส์เป็น "Muse Model License" ของ Meta เอง ซึ่ง Meta อธิบายว่าเป็นไลเซนส์ที่มีเงื่อนไขบางประการสำหรับการใช้เชิงพาณิชย์ บริษัทที่มีรายได้รวมในช่วง 12 เดือนล่าสุดเกิน 20 ล้านดอลลาร์สหรัฐ หากจะนำโมเดลนี้ไปให้บริการแก่บริษัทอื่นในรูปแบบ API หรือบริการอื่น ๆ ต้องแจ้ง Meta และทำสัญญาแยกต่างหาก นอกจากนี้ ผลิตภัณฑ์หรือบริการที่ใช้โมเดลนี้ต้องแสดงข้อความ "Built with Muse Spark Open" ให้เห็นชัดเจน และข้อกำหนดการใช้งานยังห้ามการใช้ในด้านการทหารและด้านอื่น ๆ ด้วย เนื่องจากแตกต่างจากไลเซนส์โอเพนซอร์สที่ใครก็ใช้ได้อย่างไม่มีข้อจำกัด จึงควรตรวจสอบตัวบทก่อนนำไปใช้ในงานจริง

ผลการประเมินประสิทธิภาพ

ตัวเลขหลักที่ Meta ระบุไว้ในโมเดลการ์ดมีดังนี้ โดย Muse Spark Open วัดผลด้วยการตั้งค่าระดับการคิดลึกที่สุด (xhigh)

  • Artificial Analysis Intelligence Index: 39 โมเดลเปิดที่ยกมาเปรียบเทียบ ได้แก่ GLM 5.3 ได้ 45 Kimi K3 ได้ 44 Qwen3.8-2.4T ได้ 40 และ Mistral Large 4 ได้ 38
  • OSWorld Verified (การใช้งานคอมพิวเตอร์): 80.4
  • MCP-Atlas (การเรียกใช้เครื่องมือ): 89.2
  • GPQA Diamond (โจทย์วิทยาศาสตร์ระดับบัณฑิตศึกษา): 89.0
  • Terminal-Bench 2.1 (การใช้คำสั่งในเทอร์มินัล): 76.4
  • DeepSWE 1.1 (การพัฒนาซอฟต์แวร์): 60

ในบางหัวข้อ โมเดลนี้ยังตามหลังโมเดลเปิดของจีน เช่น ใน DeepSWE 1.1 Kimi K3 ได้ 68 และใน Terminal-Bench 2.1 Kimi K3 ได้ 85.0 ส่วนดัชนีรวมก็ยังไม่ถึงระดับของ GLM 5.3 และ Kimi K3 ในทางกลับกัน โมเดลนี้ทำคะแนนเหนือกว่าโมเดลเปิดของสหรัฐฯ ในตารางเดียวกันอย่าง Inkling (คะแนนรวม 26) และ Nemotron 3 Ultra (23) อย่างมาก และทำคะแนนสูงที่สุดในตารางใน JobBench (61.8) และ MCP-Atlas

มุมมองของกองบรรณาธิการ CoAI

Muse Spark Open เป็นตัวอย่างที่ Meta นำโมเดลที่ใช้ในบริการของตัวเองมาฝึกเพิ่มเติมด้านความปลอดภัย แล้วเผยแพร่พร้อมน้ำหนักโมเดล ในฐานะโมเดลเปิดจากบริษัทสหรัฐฯ ถือว่ามีขนาดใหญ่ และนอกจาก Hugging Face แล้วยังใช้งานได้ทันทีผ่านคลาวด์รายใหญ่และผู้ให้บริการ API จึงกล่าวได้ว่ามีทางเลือกกว้าง

อย่างไรก็ตาม แม้แต่ตัวเลขที่ Meta เผยแพร่เอง ประสิทธิภาพโดยรวมก็ยังไม่ถึงระดับของโมเดลเปิดจากจีนอย่าง GLM และ Kimi การรันต้องใช้เซิร์ฟเวอร์ GPU ขนาดใหญ่ และไลเซนส์ก็มีเงื่อนไข ควรตัดสินใจก่อนว่าจะให้ความสำคัญกับการรันในสภาพแวดล้อมของตัวเอง หรือความสะดวกของ API แล้วจึงทดลองเปรียบเทียบกับงานของตัวเอง

แหล่งที่มา

เครื่องมือที่กล่าวถึงในบทความนี้

กลับไปหน้าข่าว