META НАВЧИЛА 816B ВІДКРИТОГО ВАГОВОГО AI-МОДЕЛІ, ЯКА ПРАЦЮЄ НА ДВОХ MAC STUDIOS @Meta випустила Muse Spark Open — свою нову AI-модель, створену для складного кодування, автономних агентів та довготривалих інженерних завдань. Незвичайне в тому, що розробники можуть завантажити ваги та запустити модель такого масштабу на локальному обладнанні, а не залежати виключно від хмарних API. Ось що Meta включила до неї: 816 млрд загальних параметрів 42 млрд активних параметрів на токен контекстне вікно 1 млн токенів натуральний ввід тексту, зображення, відео та аудіо підтримка апаратного забезпечення AMD, Apple, Intel та NVIDIA Архітектура використовує Mixture of Experts. Замість активації всіх 816 мільярдів параметрів для кожного токена модель використовує приблизно 42 мільярди, що зменшує обчислювальні витрати під час висновку. Це робить її розгортання на настільних комп’ютерах особливо цікавим. Meta працювала з Apple, щоб оптимізувати Muse Spark Open для двох Mac Studio з M5 Ultra за допомогою фреймворку MLX. Разом ці машини забезпечують до 1 ТБ єдиної пам’яті. Компанія також продемонструвала реальні агентні робочі процеси, які працюють локально: Виправлення багів та реалізація функцій у iOS-додатку Завершення збірок програмного забезпечення через Muse Code Керування DaVinci Resolve для аналізу матеріалу Виявлення сильних моментів у відео та створення вертикальних обрізів Модель доступна через Hugging Face та API-провайдерів, включаючи Groq, Together AI, Fireworks і OpenRouter. Але важливо зрозуміти розбіжність: «відкритий ваговий» не означає «необмежений відкритий код». Ліцензія Muse Model Meta містить комерційні обмеження, а запуск 816B-моделі локально все ще вимагає дорогого обладнання. Що мене найбільше цікавить — це те, що це може означати для AI-наведених операцій. Маркетингові команди все частіше створюють агентів, які обробляють клієнтські розмови, аналізують конкурентів, класифікують контент та координують робочі процеси виробництва. Сьогодні багато з цих систем залежать від зовнішніх провайдерів моделей на кожному етапі. Більш потужні відкрито-вагові моделі створюють ще один варіант: запуск чутливих досліджень, внутрішньої обробки знань та спеціалізованих агентів на інфраструктурі, яку контролює організація. Це не робить локальний AI автоматично дешевшим чи кращим. Витрати на розгортання, швидкість висновку, підтримка та якість моделей все ще визначають, чи має це сенс. Але конкурентна картина змінюється. Доступ до потужних моделей поступово стає менш залежним від кількох закритих API-провайдерів. І коли доступ до моделей стає більш гнучким, перевага переходить до команд, які можуть будувати надійні робочі процеси, п’єднати пропретарні дані та перетворювати можливості AI на корисні системи.