Andy Garcia · dev freelance
FRENES
Retour au blog
Open source

Meta a publié un modèle à poids ouverts de 816 milliards de paramètres qui tourne sur deux Mac Studio. Cela fait un téraoctet de mémoire, et une licence avec une ligne à 20 millions de dollars

19 octobre 2026 6 min de lecture

Le jeudi 15 octobre, Meta a publié les poids de Muse Spark Open, qu'elle présente comme « le modèle à poids ouverts américain le plus capable à ce jour ». C'est un modèle à mélange d'experts de 816 milliards de paramètres, dont 42 milliards actifs pour chaque token, avec une fenêtre de contexte de 1 million de tokens et des entrées texte, image, vidéo et audio. Les poids sont sur Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden et Microsoft Foundry, et sept hébergeurs le proposent par API, dont Together AI, Fireworks AI, Groq et OpenRouter.

Artificial Analysis, qui y avait accès avant la sortie, le place à 39 sur son Intelligence Index : premier parmi les modèles à poids ouverts américains, 22 points au-dessus de Muse Glimmer, le modèle de Meta d'août. Mais les titres ont parlé de matériel. Celui de TechCrunch : « Meta lance un modèle d'IA à poids ouverts qui tourne sur des Mac » ; celui de VentureBeat : il « tourne sur deux ordinateurs de bureau Mac associés ». Meta dit que c'est « le premier modèle de sa catégorie à tourner sur ton bureau ».

Je construis une LegalTech sur Claude. Pour un produit dont les utilisateurs déposent des documents qu'ils ne montreraient pas à un concurrent, l'argument en faveur des poids ouverts est simple : faire tourner le modèle là où se trouvent déjà les documents. J'ai donc lu cette sortie comme n'importe quelle option d'auto-hébergement. D'abord la licence, ensuite la mémoire, enfin la facture. En septembre, j'avais écrit que Meta était revenue à Apache 2.0 avec Glimmer. Son gros modèle est un autre contrat.

La licence : gratuite, avec trois lignes à lire deux fois

Les poids sont distribués sous la Muse Model License. Ses premiers mots sont empruntés à la licence MIT : « Permission is hereby granted, free of charge, to any person... » Les droits sont larges : utiliser, copier, affiner, distiller, fusionner, distribuer, vendre. Viennent ensuite les conditions.

D'abord, le seuil de revenu. La section 3 couvre le Model as a Service, que la licence définit comme le fait de fournir « un accès à des modèles d'intelligence artificielle comme produit ou service, via une API ou une interface similaire ». Si le licencié et ses affiliés dépassent ensemble 20 millions de dollars de revenu brut sur une période de 12 mois consécutifs, ils doivent en informer Meta et signer un accord écrit distinct avant de proposer Muse Spark Open ou ses dérivés de cette façon. La section ne s'applique explicitement pas à l'usage interne, à la recherche, aux autres activités commerciales, ni à l'usage du modèle pour alimenter des fonctionnalités de ton propre produit.

Deux choses en découlent. Le seuil compte le revenu de tout le groupe, pas ce que le modèle rapporte. Et pour la plupart des éditeurs de logiciels, qui placent un modèle derrière des fonctionnalités au lieu d'en revendre l'accès, la clause ne mord pas. Elle se lit comme écrite pour les hébergeurs d'inférence et les revendeurs d'API.

Ensuite, l'attribution. Chaque produit ou service doit afficher « de façon visible » la mention « Built with Muse Spark Open », dans l'interface utilisateur ou dans la documentation, le site web ou le menu des paramètres qui l'accompagnent. Pour un produit B2B, cela rend ton choix de modèle public. Dans le logiciel juridique, les clients posent de toute façon la question, mais je déciderais où placer la limite avant qu'un designer ne le fasse.

Enfin, la définition des Dérivés couvre les modèles améliorés « à l'aide du Logiciel ou de toute sortie ou résultat de celui-ci ». Si tu utilises Spark Open pour générer des données d'entraînement synthétiques destinées à un modèle plus petit, ce modèle plus petit est un dérivé, et l'attribution comme la politique d'usage le suivent.

La politique d'usage, l'Annexe A, contient une ligne qu'un CTO de LegalTech lit lentement : tu ne dois pas « exercer sans autorisation ni licence une profession quelconque ». Une autre interdit de ne pas informer les utilisateurs finaux des dangers connus de ton système d'IA. Aucune n'est exotique. Les deux signifient que le professionnel reste dans la boucle par conception, pas par habitude.

Deux détails pratiques. Pour les licenciés en Europe, le concédant est Meta Platforms Ireland Limited. Et le téléchargement depuis Hugging Face passe par un formulaire à accès restreint qui demande ton nom légal complet, ta date de naissance et le nom complet de ton organisation.

Le résumé de Meta est honnête : « des conditions commerciales limitées, qui permettent à de nombreux développeurs d'utiliser le modèle gratuitement ». « De nombreux » est exact. Ce n'est pas Apache 2.0.

Le poste de travail : un téraoctet de mémoire

La configuration de bureau de Meta, ce sont deux Mac Studio avec M5 Ultra, chacun jusqu'à 512 Go de mémoire unifiée, reliés pour « se comporter comme un seul supercalculateur avec un téraoctet de mémoire unifiée ». Le guide développeur de Meta autorise aussi quatre Mac Studio de 256 Go chacun.

L'arithmétique explique pourquoi. Artificial Analysis situe les poids NVFP4 à environ 530 Go. Hugging Face calcule que le cache pour un contexte complet de 1 million de tokens ajoute environ 266 Go en BF16. Cela fait à peu près 800 Go avant même que le système d'exploitation ne se charge. La fiche du modèle indique au moins 700 Go de mémoire GPU pour NVFP4 et 2 To pour BF16. Le mélange d'experts rend chaque token peu coûteux à calculer, pas le modèle peu coûteux à garder en mémoire : comme le dit Hugging Face, les 256 experts restent tous en mémoire.

Reste la disponibilité. Apple a annoncé le 25 août que le Mac Studio à 512 Go « arrive fin octobre », et VentureBeat a noté le jour du lancement que son prix n'était pas annoncé. La voie à quatre machines pouvait déjà être commandée le jour du lancement. Engadget a chiffré quatre Mac Studio M5 Ultra de 256 Go à environ 38 000 $ ; VentureBeat a affiché un M5 Ultra de 256 Go avec un SSD de 1 To à 10 799 $ sur l'Apple Store, soit 43 196 $ pour quatre, avant taxes.

Plus petit est possible, avec des compromis. Hugging Face a fait tourner une quantification 3 bits sur un M3 Ultra de 512 Go de la génération précédente : environ 344 Go de mémoire et environ 21 tokens par seconde en génération, sur un prompt de 1 024 tokens. C'est correct pour une personne qui discute. Ce n'est pas un serveur pour une équipe.

Côté GPU, Meta indique un seul nœud de quatre GPU Blackwell pour NVFP4. Le point d'accès managé de Hugging Face le fait tourner sur huit cartes RTX Pro 6000 avec un contexte de 131 072 tokens, ou sur huit H200 pour le million complet. La fenêtre de contexte que tu obtiens dépend de ce que tu loues.

La facture : moins cher par token, pas par tâche

Si tu n'auto-héberges pas, Together AI affiche Spark Open à 1,25 $ par million de tokens en entrée et 4,25 $ par million en sortie, avec l'entrée en cache à 0,15 $. Artificial Analysis dit que Together, Fireworks et Baseten ont démarré à ces tarifs.

Un appel de produit de 4 000 tokens en entrée et 500 en sortie coûte 4 000 × 1,25 $ / 1 M = 0,005 $, plus 500 × 4,25 $ / 1 M = 0,0021 $, soit environ 0,0071 $. Le même appel sur Claude Sonnet 5.5, à 2 $ et 10 $, coûte 0,013 $. Avec cette répartition de tokens, Spark Open est environ 45 % moins cher.

Par tâche, l'ordre s'inverse. Sur l'Intelligence Index, Artificial Analysis mesure 0,84 $ par tâche pour Spark Open à son réglage de raisonnement le plus élevé. Sonnet 5.5 à effort moyen obtient 41, deux points de plus, pour 0,48 $. Spark Open a généré 110 millions de tokens de sortie pour passer l'index ; Sonnet 5.5 à effort moyen, 31 millions. Et selon Hugging Face, le raisonnement ne peut pas être désactivé sur Spark Open. Le réglage le plus bas est « low ».

Une dernière ligne d'Artificial Analysis. Parmi les neuf modèles à poids ouverts les mieux notés, Spark Open arrive dernier sur les quatre évaluations agentiques de l'index, alors qu'il devance tous les modèles à poids ouverts sur AA-Omniscience, son test de fiabilité des connaissances et d'hallucination. Meta l'a construit « pour le code et le travail agentique ». Ton propre jeu d'évaluation doit tester cette affirmation sur ton propre travail, dans les deux sens.

Ce que je ferais avant de choisir

Premièrement, classe ton usage par rapport à la section 3, par écrit. Fonctionnalité de produit ou Model as a Service ? Revenu du groupe supérieur à 20 millions de dollars sur 12 mois ? Dix minutes maintenant évitent une renégociation plus tard.

Deuxièmement, décide où va « Built with Muse Spark Open », et ajoute le modèle à ton inventaire avec sa licence. Si tu distilles à partir de lui, étiquette aussi le modèle dérivé.

Troisièmement, teste-le hébergé avant d'acheter quoi que ce soit. Fais tourner tes propres tâches chez un hébergeur du lancement avec le réglage de raisonnement « low » puis celui par défaut, et note le coût par tâche accomplie, tokens compris. Si tes documents ne sont pas en anglais, teste aussi cela : la fiche du modèle dit qu'il a été entraîné sur des données de plus de 100 langues et qu'il « n'a pas été évalué sur toutes les langues contenues dans les données de pré-entraînement ». J'ai construit BidForge pour lire des dossiers de marchés publics français pour des petites entreprises. Je ne prendrais pas la qualité en français sur parole.

Quatrièmement, chiffre le matériel seulement si la raison, ce sont les données. L'auto-hébergement se justifie quand les documents ne peuvent pas quitter tes locaux, pas parce que les tokens coûtent cher. À 0,0071 $ l'appel, les quelque 38 000 $ qu'Engadget annonce pour quatre Mac Studio achètent plus de cinq millions d'appels hébergés de la taille ci-dessus, avant l'électricité et le temps de quiconque pour garder les machines en marche.

Les poids ouverts disent qui peut faire tourner un modèle. La licence dit à quelles conditions, et la facture de mémoire dit qui le fera vraiment.

Sources

Un projet du même genre ?

Je conçois et déploie des produits comme celui-ci. Parlons-en.

Discutons