META ACABOU DE LANÇAR UM MODELO DE IA COM 816B DE PESOS ABERTOS QUE RODA EM DOIS MAC STUDIOS @Meta lançou o Muse Spark Open, seu novo modelo de IA desenvolvido para codificação complexa, agentes autônomos e tarefas de engenharia de longa duração. A parte incomum é que desenvolvedores podem baixar os pesos e executar um modelo dessa escala em hardware local, em vez de depender inteiramente de APIs em nuvem. Aqui está o que a Meta incluiu nele: 816B de parâmetros totais 42B de parâmetros ativos por token Janela de contexto de 1M de tokens Entrada nativa de texto, imagem, vídeo e áudio Suporte para hardware AMD, Apple, Intel e NVIDIA A arquitetura utiliza Mixture of Experts. Em vez de ativar todos os 816 bilhões de parâmetros para cada token, o modelo usa aproximadamente 42 bilhões, reduzindo o cálculo necessário durante a inferência. Isso torna sua implantação em desktop especialmente interessante. A Meta trabalhou com a Apple para otimizar o Muse Spark Open em dois Mac Studios com M5 Ultra usando o framework MLX. Juntos, os dispositivos fornecem até 1TB de memória unificada. A empresa também demonstrou fluxos de trabalho agentes reais rodando localmente: Corrigindo bugs e implementando recursos em um aplicativo iOS Completação de builds de software por meio do Muse Code Controle do DaVinci Resolve para analisar imagens Identificação de momentos fortes em vídeos e criação de recortes verticais O modelo está disponível por meio do Hugging Face e provedores de API, incluindo Groq, Together AI, Fireworks e OpenRouter. Mas há uma distinção importante. "Open-weight" não significa código aberto ilimitado. A licença do Modelo Muse da Meta inclui limitações comerciais, e executar um modelo de 816B localmente ainda exige hardware caro. O que mais me interessa é o que isso pode significar para operações nativas de IA. Equipes de marketing estão cada vez mais construindo agentes que processam conversas com clientes, analisam concorrentes, classificam conteúdo e coordenam fluxos de produção. Hoje, muitos desses sistemas dependem de provedores externos de modelos para cada etapa. Modelos open-weight mais capazes criam outra opção: executar pesquisas sensíveis, processamento interno de conhecimento e agentes especializados em infraestrutura controlada pela organização. Isso não torna automaticamente a IA local mais barata ou melhor. Os custos de implantação, velocidade de inferência, manutenção e qualidade do modelo ainda determinam se faz sentido. Mas o cenário competitivo está mudando. O acesso a modelos poderosos está se tornando gradualmente menos dependente de um pequeno número de provedores fechados de API. E à medida que o acesso a modelos se torna mais flexível, a vantagem passa para as equipes que conseguem construir fluxos de trabalho confiáveis, conectar dados proprietários e transformar capacidades de IA em sistemas úteis.