Meta ha pubblicato i pesi di Muse Spark Open, un nuovo modello open-weight rivolto soprattutto allo sviluppo software e ai flussi di lavoro agentici. L’annuncio non riguarda soltanto il modello: il gruppo ha lavorato con Apple per renderne possibile l’esecuzione in locale su una configurazione composta da due Mac Studio con M5 Ultra, usando l’ultima versione di MLX, il framework open source di Apple per il machine learning su Apple silicon.
È una proposta destinata a un pubblico ristretto, almeno sul piano dell’hardware necessario, ma interessante per il messaggio che porta con sé. I modelli di frontiera di grandi dimensioni vengono normalmente consumati attraverso infrastrutture cloud e GPU nei data center; Meta e Apple indicano invece una strada in cui una parte di quelle capacità può essere portata nello studio di uno sviluppatore, senza inviare continuamente dati e prompt a un servizio remoto.
Meta definisce Muse Spark Open il suo più capace modello open-weight sviluppato negli Stati Uniti. L’espressione open-weight va letta con precisione: l’azienda rende disponibili i parametri del modello, non necessariamente ogni elemento del processo di addestramento. I pesi sono distribuiti con la Muse Model License, che prevede condizioni commerciali limitate pur consentendo a molti sviluppatori di utilizzarlo gratuitamente. Non si tratta dunque di un software privo di vincoli in senso assoluto, ma di una pubblicazione che permette installazione, inferenza e personalizzazione da parte di soggetti esterni.
Un modello enorme, con una porzione attiva più contenuta
Le dimensioni spiegano perché l’operazione richieda una macchina fuori dall’ordinario. Muse Spark Open ha 816 miliardi di parametri complessivi, ma ne attiva 42 miliardi per l’elaborazione: una struttura che punta a contenere il carico computazionale effettivo rispetto a un modello denso della stessa taglia totale. Meta dichiara anche una finestra di contesto da un milione di token e capacità multimodali native, cioè la possibilità di lavorare con più tipi di contenuto all’interno della stessa architettura.
Nel materiale di presentazione, l’azienda colloca il modello nei compiti che richiedono più passaggi e continuità: programmazione, interventi su progetti software complessi, ragionamento a più stadi e attività agentiche di lunga durata. Un agente, in questo contesto, non si limita a produrre una risposta testuale: può pianificare una sequenza di azioni, utilizzare strumenti e verificare risultati intermedi. È un ambito nel quale il controllo dell’ambiente di esecuzione e dei dati trattati diventa rilevante quanto la qualità della risposta generata.
Meta riferisce di avere usato Muse Code, alimentato da Muse Spark Open, per intervenire su Ice Cubes, client open source per Mastodon: fra le prove citate ci sono correzioni di bug, nuove funzioni e la compilazione completa dell’app. Un’altra dimostrazione riguarda DaVinci Resolve, con analisi fotogramma per fotogramma di un filmato per individuare i momenti più adatti e ritagliarli in formato verticale. Sono esempi forniti dall’azienda, non benchmark indipendenti, e vanno letti come indicazioni dei flussi d’uso a cui Meta guarda più che come garanzie sul comportamento del modello in ogni scenario.
Perché entrano in gioco due Mac Studio
L’ottimizzazione per Apple silicon è il tratto più concreto dell’annuncio. Meta afferma che, attraverso MLX, Muse Spark Open può essere eseguito su due Mac Studio M5 Ultra. Il punto non è che un singolo desktop possa accogliere l’intero modello: secondo l’azienda, servono due sistemi perché i pesi possano essere mantenuti nella memoria disponibile.
La configurazione sfrutta la memoria unificata dei chip Apple. Meta indica che la GPU integrata di ciascun M5 Ultra può accedere fino a 512 GB di memoria unificata; con due Mac Studio si arriva quindi a un terabyte complessivo. L’azienda cita inoltre 1,2 TB/s di banda di memoria per chip e descrive i due sistemi come un’unica risorsa di elaborazione per questo carico. In altre parole, l’obiettivo non è trasformare un Mac Studio standard in una workstation adatta a qualsiasi modello gigantesco, ma dimostrare che un modello di questa scala può funzionare on-device su un’architettura desktop specifica e molto costosa.
Questa distinzione è essenziale. L’esecuzione locale promette maggiore controllo su codice proprietario, documenti interni e altri dati sensibili, oltre a ridurre la dipendenza dalla connettività una volta installato il modello. Ma due Mac Studio nella configurazione necessaria rappresentano un investimento ben distante dal computer personale medio. Il progetto è più vicino a studi di sviluppo, ricercatori e piccoli team che cercano una piattaforma privata di inferenza, che non a un prodotto consumer pronto per il grande pubblico.
MLX è centrale proprio perché è progettato per le caratteristiche di Apple silicon, in particolare per la memoria condivisa fra CPU e GPU. Apple, dal canto suo, ha evidenziato come il framework consenta a ricercatori e sviluppatori di sperimentare localmente modelli e metodi in un ambiente privato. Per Meta, il vantaggio è associare la pubblicazione dei pesi a un percorso di esecuzione già riconoscibile per l’ecosistema Mac, invece di limitare il lancio alle tradizionali configurazioni basate su GPU discrete NVIDIA.
Un rilascio aperto, ma con molte strade di accesso
Chi non dispone dell’hardware richiesto non deve necessariamente rinunciare a Muse Spark Open. I pesi sono disponibili attraverso Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden e Microsoft Foundry Models. Il modello è inoltre accessibile tramite piattaforme di inferenza ospitata come Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI.
Meta segnala la compatibilità con SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, MLX, llama.cpp e Unsloth, oltre alla possibilità di eseguire ulteriore fine-tuning tramite PyTorch e TorchTitan. Il supporto dichiarato interessa silicio AMD, Apple, Intel e NVIDIA. Per le GPU NVIDIA e AMD, l’azienda cita kernel Helion auto-ottimizzabili integrati in SGLang e miglioramenti prestazionali a livello di kernel; sono dati diffusi da Meta e non confronti prodotti da laboratori indipendenti.
La pluralità di canali è coerente con la logica open-weight: rendere il modello distribuibile in ambienti differenti, dal cloud a una macchina gestita direttamente dall’utente. Tuttavia l’accesso via API e l’esecuzione locale rispondono a esigenze diverse. Nel primo caso si ottiene semplicità operativa, a costo di affidarsi a un fornitore esterno e ai relativi costi di utilizzo; nel secondo si guadagnano controllo e riservatezza, ma bisogna sostenere hardware, configurazione, aggiornamenti e responsabilità dell’infrastruttura.
Sicurezza, licenza e il rapporto Apple-Meta
Meta sostiene di avere sottoposto Muse Spark Open a ulteriore addestramento orientato alla sicurezza proprio in ragione della diffusione dei pesi. La valutazione, spiega l’azienda, è stata condotta secondo il Meta Superintelligence Scaling Framework e il modello avrebbe soddisfatto le soglie richieste per la distribuzione. I risultati dettagliati sono indicati nella model card, mentre un rapporto di valutazione completo è atteso successivamente.
La disponibilità dei pesi amplia inevitabilmente la possibilità di analisi e adattamenti da parte della comunità, ma limita anche il controllo diretto che il produttore conserva dopo il download. È uno dei compromessi tipici dei modelli open-weight: più autonomia per sviluppatori e ricercatori, maggiore necessità di valutare con attenzione licenze, protezioni applicative e impieghi finali.
Infine, la collaborazione tecnica con Apple merita attenzione per il peso strategico dei due gruppi. Meta porta un modello molto grande e i suoi strumenti agentici; Apple offre un percorso ottimizzato su hardware proprietario e un framework pensato per la sperimentazione locale. Per ora l’iniziativa resta una dimostrazione mirata a una configurazione precisa, non l’annuncio di una funzione integrata in macOS o di un assistente pronto all’uso. Ma mostra che il Mac può diventare una destinazione concreta anche per carichi di AI locali che, fino a poco tempo fa, sarebbero stati considerati esclusivamente da data center.
