Meta lança Muse Spark Open para disputar o open source com Qwen, GLM e Kimi

A Meta anunciou em 15 de outubro de 2026 o Muse Spark Open, um modelo de peso aberto (open weight, aquele cujos arquivos de treinamento ficam disponíveis para download e execução local, diferente de um modelo fechado que só existe atrás de uma API paga). A empresa descreve o lançamento como o modelo de peso aberto mais capaz feito nos Estados Unidos, voltado para tarefas de código e para agentes, segundo o relato da The Decoder.

O movimento marca a volta da Meta a esse terreno depois da série Llama. Desta vez a empresa separa as marcas: o Muse Spark Open é a linha aberta e gratuita, enquanto existe uma linha paga e fechada chamada Muse Wonder Full, que a própria Meta reconhece como superior em desempenho. Na prática, a empresa está competindo em dois tabuleiros ao mesmo tempo, um aberto e outro fechado.

O que significa um modelo com 816 bilhões de parâmetros que usa só 42 bilhões por vez

O Muse Spark Open tem 816 bilhões de parâmetros no total, mas ativa apenas 42 bilhões a cada resposta. Essa arquitetura, chamada de mistura de especialistas (mixture of experts), divide o modelo em blocos especializados e aciona só uma parte deles por tarefa. Para quem decide infraestrutura, isso importa de duas formas: o custo de armazenamento em disco segue o total de parâmetros, mas o custo de processamento por token segue o número ativo, bem menor.

O modelo também aceita até 1 milhão de tokens de contexto, o equivalente a dezenas de milhares de linhas de código ou um conjunto grande de documentos processados numa única chamada. E é multimodal: lida com texto, imagem, vídeo e áudio na mesma arquitetura, algo que nem todo concorrente aberto oferece de forma unificada.

Como o modelo se compara aos concorrentes abertos

A Meta testou o Muse Spark Open contra outros modelos abertos, incluindo Inkling, Nemotron 3 Ultra, Qwen 3.8, GLM 5.3 e Kimi K3, usando os benchmarks JobBench, MCP-Atlas, HLE-Diamond e ZeroBench. Segundo a empresa, o resultado é misto: forte em algumas frentes, mas não em todas.

Para quem escolhe modelo pensando em geração de código, esse detalhe pesa mais do que o resultado geral. A Meta admite que o Muse Spark Open perde em benchmarks de coding para parte dos modelos chineses testados, mesmo liderando em outras categorias. E mesmo nas categorias em que lidera entre os modelos abertos, o próprio Muse Spark Open fica bem atrás das versões fechadas e pagas Muse Wonder Full da própria Meta.

Rodar localmente exige hardware que a maioria das equipes não tem

A Meta otimizou o Muse Spark Open para o chip M5 Ultra da Apple, e a recomendação oficial é rodar o modelo localmente em dois Mac Studios, cada um com 512 GB de memória unificada, totalizando 1 terabyte de memória dedicada só para esse modelo. Isso tira o Muse Spark Open do alcance de quem pensava em baixar os pesos e rodar numa workstation comum ou num notebook de desenvolvimento.

Na prática, para a maior parte das equipes brasileiras, a forma realista de acessar o modelo não será o download direto, e sim esperar que provedores de nuvem ou plataformas de inferência (como as que já hospedam Llama, Qwen e outros modelos abertos) adicionem o Muse Spark Open ao catálogo deles. Vale acompanhar se Hugging Face Inference Endpoints, Groq, Together AI ou provedores locais vão oferecer o modelo como serviço, porque rodar os pesos em casa deixou de ser uma opção de baixo custo neste caso.

As regras de licenciamento: gratuito até um certo tamanho

Os pesos do Muse Spark Open estão publicados no Hugging Face. A licença permite uso livre, inclusive comercial, com uma única exigência: o produto ou serviço construído em cima do modelo precisa exibir o aviso "Built with Muse Spark Open".

Existe um limite de faturamento embutido na licença. Empresas que faturam mais de 20 milhões de dólares por ano e querem oferecer o Muse Spark Open como serviço de API para terceiros precisam fechar um acordo separado com a Meta. Essa estrutura é parecida com a que a Meta já usava na série Llama: gratuita para a esmagadora maioria dos times, startups e empresas de médio porte, mas com uma trava para quem já opera em grande escala e pretende revender acesso ao modelo.

O que muda para quem escolhe modelo aberto no Brasil

Até agora, os modelos abertos que lideravam os rankings de desempenho eram majoritariamente chineses: Qwen, GLM, Kimi, além do DeepSeek. O Muse Spark Open reabre a disputa de uma empresa americana nesse espaço, mas não chega liderando em tudo. Para quem monta agente ou pipeline que depende fortemente de geração de código, os números apontados pela própria Meta sugerem que vale testar o Muse Spark Open lado a lado com os concorrentes antes de trocar, em vez de assumir superioridade automática pelo nome Meta por trás do lançamento.

O ponto mais prático para equipes de TI brasileiras é a barreira de hardware. Um modelo de peso aberto só é realmente "aberto" para quem tem como rodá-lo, e exigir dois Mac Studios com 512 GB cada muda o cálculo de quem pensava em soberania de dados via execução local. Até que provedores de inferência adicionem o modelo ao catálogo, a avaliação prática do Muse Spark Open deve vir de benchmarks publicados e de early adopters com acesso a esse tipo de infraestrutura, não de testes caseiros.

Fonte: The Decoder