--- title: "Muse Spark Open, Model Bobot Terbuka 816 Miliar dari Meta" description: "Meta merilis bobot Muse Spark Open, model MoE 816 miliar parameter dengan konteks 1 juta token. Ini spesifikasi, lisensi, kebutuhan hardware, dan skornya." url: "https://nivelva.com/insight/muse-spark-open-meta" category: "AI \u0026 Otomasi" tags: ["meta","muse spark open","model open-weight","mixture of experts","llm"] author: "Lucas Tan" published: "2026-11-12T15:52:00+07:00" updated: "2026-11-12T15:52:00+07:00" language: "id" publisher: "Nivelva (https://nivelva.com)" --- # Muse Spark Open, Model Bobot Terbuka 816 Miliar dari Meta > **Jawaban singkat:** Muse Spark Open adalah model bobot terbuka Meta yang dirilis 15 Oktober 2026, berarsitektur mixture of experts 816 miliar parameter dengan 42 miliar aktif per token dan konteks 1 juta token. Bobotnya gratis diunduh dengan Muse Model License, tetapi butuh memori ratusan GB untuk dijalankan. Muse Spark Open adalah model AI berbobot terbuka (open-weight) dari Meta yang dirilis pada 15 Oktober 2026. Ukurannya 816 miliar parameter dengan arsitektur mixture of experts, tetapi hanya sekitar 42 miliar parameter yang aktif untuk setiap token. Konteksnya mencapai 1 juta token, dan bobotnya bisa diunduh dari Hugging Face serta beberapa platform cloud besar. Taruhannya cukup jelas bagi tim yang sedang memilih model. Model terbuka berarti kamu bisa menjalankannya di infrastruktur sendiri dan menyetelnya ulang, tetapi ukuran sebesar ini juga berarti biaya hardware yang tidak kecil. Salah membaca lisensi atau salah menghitung kebutuhan memori bisa membuat rencana self-hosting berhenti di tengah jalan. ## Apa yang dirilis Meta? Di blog risetnya, Meta menyebut Muse Spark Open sebagai model multimodal sejak awal, dengan bobot yang dirilis di bawah Muse Model License. Model ini dirancang terutama untuk coding dan kerja agen. ### Spesifikasi teknis Menurut resep resmi vLLM untuk model ini, setiap lapisan berisi 256 expert dan 8 expert dipakai per token. Hampir seluruh parameter (sekitar 799 miliar dari 816 miliar) berada di bagian expert. Karena itu model terasa "ringan" saat berpikir (hanya 42 miliar aktif), tetapi tetap "berat" saat harus dimuat ke memori. Kalau konsep ini masih asing, baca dulu [cara kerja mixture of experts](https://nivelva.com/insight/apa-itu-mixture-of-experts-model-ai). Menurut Implicator, model menerima input teks, gambar, video, dan audio, dengan output berupa teks. | Aspek | Muse Spark Open (per 12 November 2026) | |:--|:--| | Total parameter | 816 miliar | | Parameter aktif per token | 42 miliar | | Expert | 256 per lapisan, 8 aktif per token | | Konteks | 1 juta token | | Input | Teks, gambar, video, audio | | Ukuran bobot BF16 | sekitar 1,64 TB (menurut resep vLLM) | | Ukuran bobot NVFP4 | sekitar 533 GB (menurut resep vLLM) | | Lisensi | Muse Model License | ### Tempat mengunduh dan menjalankan Meta mencantumkan bobot di Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden, dan Microsoft Foundry Models. Untuk yang hanya ingin memanggil lewat API, Meta menyebut penyedia seperti Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter, dan Together AI. Dari sisi mesin inferensi, Meta menyebut dukungan SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp, dan Unsloth. ## Seberapa berat untuk dijalankan sendiri? Ini bagian yang paling sering diremehkan. Resep vLLM menyebut versi NVFP4 (sekitar 533 GB) muat di satu node berisi 8 GPU, misalnya 8 kartu B200. Versi BF16 penuh butuh sekitar 1,64 TB hanya untuk bobot, belum termasuk KV cache untuk konteks panjang. Meta juga mencontohkan dua Mac Studio M5 Ultra dengan memori terpadu 512 GB yang digabung. Implicator melaporkan uji Apple di konfigurasi itu menghasilkan sekitar 25 token per detik, tetapi dengan konteks pendek 8.192 token, sehingga belum mencerminkan pemakaian konteks penuh. Kesimpulannya, model ini bukan untuk VPS biasa atau satu kartu grafis gaming. Untuk menghitung kebutuhan memori model lain secara umum, lihat [berapa VRAM GPU yang dibutuhkan untuk LLM](https://nivelva.com/insight/kebutuhan-vram-gpu-llm). > **Perhatian:** > > Ukuran file bobot belum termasuk memori untuk KV cache. Semakin panjang konteks yang kamu pakai, semakin besar memori tambahan yang dibutuhkan. Jangan merencanakan hardware hanya dari ukuran file. ## Bagaimana skornya dibanding model terbuka lain? Implicator merangkum tabel benchmark dari Meta, yang saat peluncuran belum diverifikasi pihak independen: - Terminal-Bench 2.1: Muse Spark Open 76,4, di bawah Kimi K3 (85,0), GLM 5.3 (83,9), dan Qwen3.8 (82,0). - Artificial Analysis Intelligence Index: 39, di bawah GLM 5.3 (45), Kimi K3 (44), dan Qwen3.8 (40). - JobBench: 61,8, sedikit di atas GLM 5.3 (61,4). - MCP-Atlas untuk pemakaian alat: 89,2, di atas Qwen3.8 (84,5). Jadi untuk coding di terminal, model ini masih tertinggal dari beberapa model terbuka asal Tiongkok. Untuk pemanggilan alat dan tugas kerja, angkanya lebih kompetitif. Benchmark tetap gambaran awal, dan hasil di pekerjaanmu bisa berbeda. ## Apa isi lisensinya? Meta menyebut Muse Model License memberi "syarat komersial terbatas" yang membuat banyak pengembang bisa memakainya gratis. Menurut Implicator, perusahaan dengan pendapatan kotor (termasuk afiliasi) di atas US$20 juta dalam 12 bulan harus memberi tahu Meta dan menandatangani perjanjian terpisah sebelum menawarkannya sebagai layanan hosting. Pemakaian internal dan integrasi ke produk sendiri dikecualikan dari syarat itu. Masih menurut laporan yang sama, produk yang memakainya wajib mencantumkan "Built with Muse Spark Open", dan pemakaian untuk militer serta infrastruktur kritis dilarang. Karena ini ringkasan media, baca teks lisensi lengkap di halaman model sebelum dipakai untuk produk komersial. Perbedaan antara open-weight dan open source juga dibahas di [open source, open-weight, dan tertutup](https://nivelva.com/insight/open-source-open-weight-tertutup-bedanya). ## Kapan memilih Muse Spark Open, kapan cukup lewat API? Pilih menjalankan sendiri bila data tidak boleh keluar dari infrastrukturmu, kamu perlu fine-tuning atau distilasi, dan tim sudah punya akses ke node GPU kelas data center. Dalam situasi itu, lisensi yang longgar untuk pemakaian internal menjadi nilai tambah besar. Pilih lewat penyedia API bila yang kamu butuhkan hanya kemampuannya. Biaya hardware ratusan GB memori tidak masuk akal untuk volume kecil sampai menengah. Kalau butuh model tertutup Meta yang lebih kuat, bandingkan juga dengan [harga API Muse Wonder](https://nivelva.com/insight/muse-wonder-meta-harga-api). ## Pertanyaan yang sering diajukan ### Apakah Muse Spark Open gratis? Bobotnya bisa diunduh tanpa biaya dengan Muse Model License. Syarat tambahan berlaku untuk perusahaan besar yang ingin menawarkannya sebagai layanan hosting, jadi baca lisensinya lebih dulu. ### Bisakah Muse Spark Open dijalankan di satu GPU? Tidak secara realistis. Versi NVFP4 saja sekitar 533 GB, dan resep vLLM mencontohkan satu node berisi 8 GPU kelas B200. ### Apa beda Muse Spark Open dengan Muse Spark biasa? Muse Spark Open adalah model yang bobotnya dirilis untuk diunduh dan dijalankan sendiri. Model Muse Spark lain (misalnya muse-spark-1.3 di Meta Model API) hanya bisa dipakai lewat layanan Meta, tanpa akses ke bobotnya. ### Apakah bisa dipakai untuk bahasa Indonesia? Meta tidak merinci performa per bahasa di blog peluncurannya. Uji sendiri dengan contoh tugas berbahasa Indonesia sebelum memakainya di produksi. ## Sumber - - - --- Diterbitkan oleh Nivelva Insight (https://nivelva.com/insight/). Artikel ini: https://nivelva.com/insight/muse-spark-open-meta Kontak Nivelva: WhatsApp https://wa.me/6285111245007, email hello@nivelva.com