META ВЫПУСТИЛА 816-МИЛЛИАРДНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ С ОТКРЫТЫМИ ВЕСАМИ, КОТОРЫЙ РАБОТАЕТ НА ДВУХ MAC STUDIOS @Meta выпустила Muse Spark Open — свою новую модель ИИ, созданную для сложного программирования, автономных агентов и длительных инженерных задач. Необычно то, что разработчики могут скачать веса и запустить модель такого масштаба на локальном оборудовании, а не полагаться исключительно на облачные API. Вот что Meta включила в неё: 816 млрд общих параметров 42 млрд активных параметров на токен контекстное окно в 1 млн токенов натуральная поддержка текста, изображений, видео и аудио совместимость с оборудованием AMD, Apple, Intel и NVIDIA Архитектура использует Mixture of Experts. Вместо активации всех 816 миллиардов параметров для каждого токена модель задействует примерно 42 миллиарда, что снижает вычислительные затраты при выводе. Это делает её развертывание на настольных устройствах особенно интересным. Meta сотрудничала с Apple для оптимизации Muse Spark Open на двух Mac Studio с чипом M5 Ultra с использованием фреймворка MLX. Вместе эти машины обеспечивают до 1 ТБ единой памяти. Компания также продемонстрировала реальные агентные рабочие процессы, запущенные локально: Исправление ошибок и реализация функций в iOS-приложении Завершение сборки программного обеспечения через Muse Code Управление DaVinci Resolve для анализа видеоматериалов Выявление сильных моментов в видео и создание вертикальных кадров Модель доступна через Hugging Face и API-провайдеров, включая Groq, Together AI, Fireworks и OpenRouter. Но важно понимать различие: «открытые веса» не означают полностью свободный исходный код. Лицензия Muse Model от Meta включает коммерческие ограничения, а локальное запуск 816-миллиардной модели по-прежнему требует дорогостоящего оборудования. Что меня больше всего интересует — это то, что это может означать для AI-нативных операций. Маркетинговые команды всё чаще создают агентов, которые обрабатывают клиентские диалоги, анализируют конкурентов, классифицируют контент и координируют производственные рабочие процессы. Сегодня многие из этих систем зависят от внешних провайдеров моделей на каждом этапе. Более мощные модели с открытыми весами предлагают ещё один вариант: запуск чувствительных исследований, внутренней обработки знаний и специализированных агентов на инфраструктуре, контролируемой организацией. Это автоматически не делает локальный ИИ дешевле или лучше. Стоимость развертывания, скорость вывода, обслуживание и качество модели всё ещё определяют, имеет ли это смысл. Но конкурентная среда меняется. Доступ к мощным моделям постепенно становится менее зависимым от нескольких закрытых API-провайдеров. И по мере того как доступ к моделям становится более гибким, преимущество смещается в сторону команд, которые могут создавать надёжные рабочие процессы, интегрировать проприетарные данные и превращать возможности ИИ в полезные системы.