Muse Spark Open : Meta muscle son modèle ouvert pour le code

Meta a lancé Muse Spark Open, un modèle open-weight de 816 milliards de paramètres dont 42 milliards actifs, conçu pour le code, l’ingénierie logicielle et les tâches agentiques de longue durée. L’entreprise dit aussi lui donner une fenêtre de contexte d’un million de tokens, soit de quoi ingérer des volumes de données très larges sans perdre trop vite le fil. Le signal est clair : l’open source ne se limite plus aux petites mains, il monte en gamme.

Un modèle ouvert taillé pour les usages lourds

Muse Spark Open se distingue d’abord par son positionnement. Meta le présente comme son modèle open-weight américain le plus capable à ce jour, avec un accent mis sur la programmation, le raisonnement multi-étapes et les workflows agents. Les tâches visées sont concrètes : corriger du code, enchaîner des actions techniques, gérer des logiciels complexes et travailler sur de longues séquences sans redémarrer à zéro.

La structure du modèle compte autant que son discours. Avec 816 milliards de paramètres au total mais seulement 42 milliards activés par requête, Meta cherche à combiner capacité et efficacité d’inférence. Le million de tokens de contexte va dans le même sens : il permet d’absorber des dépôts de code, des documents ou des historiques d’échanges plus volumineux que sur la plupart des modèles grand public.

Du cloud au Mac Studio, Meta veut éviter l’effet goulet d’étranglement

La nouveauté ne se joue pas seulement dans la taille du modèle. Meta insiste aussi sur sa compatibilité avec plusieurs plateformes d’exécution et sur une optimisation pour Apple Silicon, via MLX. Selon l’entreprise, Muse Spark Open peut fonctionner sur deux Mac Studio équipés de puces M5 Ultra, chacune offrant jusqu’à 512 Go de mémoire unifiée. Oui, deux machines de bureau pour faire tourner un monstre de calcul ; les armoires de serveurs apprécieront la concurrence.

Le modèle est également accessible via des API et des dépôts de modèles comme Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter, Together AI, Hugging Face, Microsoft Foundry Models, Google Cloud Model Garden ou Amazon SageMaker AI. Côté exécution, Meta cite SGLang, vLLM, TensorRT-LLM, Transformers, llama.cpp, Unsloth et MLX. L’idée est simple : laisser les développeurs choisir leur pile, plutôt que leur imposer une seule route.

Sécurité, licence et performances : les points qui vont compter

Meta accompagne cette sortie de garde-fous, avec une évaluation menée sous son Superintelligence Scaling Framework et des mesures de sécurité post-entraînement supplémentaires. L’entreprise dit avoir passé en revue les risques les plus graves avant publication et avoir atteint les seuils requis pour une mise à disposition. Le détail complet doit figurer dans un rapport d’évaluation annoncé séparément.

Autre variable sensible : la licence. Les poids du modèle sont publiés sous Muse Model License, avec des conditions commerciales limitées. Cela ouvre la porte à de nombreux usages, mais pas à n’importe quelles conditions, ce qui comptera pour les entreprises qui arbitrent entre liberté d’intégration et contraintes juridiques. Meta affirme aussi que certains moteurs d’inférence bénéficient de noyaux GPU Helion auto-ajustables, avec des gains annoncés de 1,03 à 3,95 fois sur Nvidia et AMD, ainsi qu’un gain de 3 % de bout en bout sur AMD MI350, [à vérifier] selon les configurations testées.

Pourquoi Meta pousse si fort ce modèle ouvert

Cette sortie s’inscrit dans une bataille très concrète : attirer les développeurs qui veulent des modèles puissants, mais déployables en local, sur cloud privé ou via API. Meta vise un public qui ne cherche pas seulement un chatbot, mais un composant de production pour coder, automatiser et agentifier des tâches. Dans ce marché, l’ouverture du poids du modèle devient un argument commercial autant qu’un choix technique.

Pour les acteurs du secteur, le message est net. L’accès ouvert ne veut plus dire “version allégée”. Il peut aussi rimer avec gros modèle, longue mémoire et déploiement flexible. Le reste se jouera sur trois points très terre à terre : le coût réel d’exploitation, la qualité mesurée des benchmarks et la confiance dans les garde-fous de sécurité.