BINIGAY NA NG META ANG ISANG 816B OPEN-WEIGHT AI MODEL NA NAKAKA-OPERATE SA DALAWANG MAC STUDIOS @Meta ay naglabas ng Muse Spark Open, ang kanilang bagong AI model na gawa para sa mga kumplikadong coding, autonomous agents, at mahabang pagpapatakbo ng mga inhinyeriyang gawain. Ang hindi karaniwang bahagi ay ang mga developer ay maaaring i-download ang weights at i-run ang isang model na may ganitong sukat sa lokal na hardware, sa halip na maging ganap na nakabatay sa cloud APIs. Narito ang mga isinama ni Meta: 816B kabuuang parameter 42B aktibong parameter bawat token 1M-token context window Nakapagsasalita ng teksto, imahe, video, at audio input Suporta para sa AMD, Apple, Intel, at NVIDIA hardware Ang arkitektura ay gumagamit ng Mixture of Experts. Sa halip na i-activate ang lahat ng 816 bilyong parameter bawat token, gumagamit ang model ng humigit-kumulang 42 bilyon, na nagbabawas sa kinakailangang computation sa inference. Ito ang nagiging dahilan kung bakit ang desktop deployment nito ay lalong interesante. Gumawa ang Meta kasama ang Apple upang i-optimize ang Muse Spark Open para sa dalawang M5 Ultra Mac Studios gamit ang MLX framework. Kasama ang dalawang machine, ito ay nagbibigay ng hanggang 1TB ng unified memory. Dinemostrahan din ng kumpanya ang mga aktibong agentic workflow na naka-run lokal: Pagsasayos ng mga bug at pagpapalawig ng mga feature sa isang iOS application Pagsakop ng software builds sa pamamagitan ng Muse Code Paggamit ng DaVinci Resolve upang i-analyze ang footage Pagkilala sa malakas na video moments at paggawa ng vertical crops Ang model ay available sa Hugging Face at API providers kabilang ang Groq, Together AI, Fireworks, at OpenRouter. Ngunit may mahalagang pagkakaiba. Ang open-weight ay hindi nangangahulugang walang hangganan na open source. Ang Muse Model License ni Meta ay naglalaman ng mga limitasyon para sa komersyal na paggamit, at ang pag-run ng isang 816B model sa lokal ay nangangailangan pa rin ng mahal na hardware. Ang pinakamasarap na bahagi para sa akin ay kung ano ang maaaring ibig sabihin nito para sa AI-native operations. Lalo na ang mga marketing team ay nagtatayo ng mga agent na nagproseso ng mga customer conversation, nag-aanalisa ng mga kalaban, klasipikahin ang content, at magco-coordinate ng production workflow. Ngayon, marami sa mga sistema na ito ay nakabatay sa external model providers para sa bawat hakbang. Ang mas makapangyarihan at open-weight models ay nagbibigay ng isa pang opsyon: pag-run ng sensitibong pananaliksik, internal knowledge processing, at espesyalisadong agent sa infrastraktura na kinokontrol ng organisasyon. Hindi ito awtomatikong gawing mas mura o mas maganda ang local AI. Ang deployment costs, inference speed, maintenance, at model quality ay patuloy na nagdedesisyon kung ito ba ay makabuluhan. Ngunit nagbabago ang competitive landscape. Ang pag-access sa makapangyarihan na models ay unti-unting naging mas kaunting nakabatay sa ilang pares lang ng closed API providers. At habang mas flexible ang pag-access sa models, ang advantage ay lumilipat patungo sa mga team na kayang magtayo ng mapagkakatiwalaang workflows, i-connect ang proprietary data, at gawing kapaki-pakinabang na sistema ang AI capabilities.