Muse Spark Open（ミューズ・スパーク・オープン）は、Metaが2026年10月15日に公開した816B（42Bアクティブ）のオープンウェイトモデルで、コーディングやエージェント作業を想定したネイティブマルチモーダルモデルです。Artificial Analysis（以下AA）がこのモデルの推論性能を、自社開発のハードウェアベンチマーク「AA-AgentPerf」で測定した結果を公開しました。
室谷代表取締役Muse Spark Openは、Metaが2026年10月15日に公開したオープンウェイトモデルで、総パラメータ816Bのうち42Bだけが実際に動くMoE構成、100万トークンのコンテキストウィンドウを持つモデルなんですよね。今回はそのモデルそのものというより、AAが「どのGPUで、電力あたりどれだけ効率よく動くか」を測った速報です。
テキトー教師DotAI 認定講師そこがポイントなんですよ。モデルの賢さの話ではなく、推論基盤の実効効率の話ですからね。
単に「スコアがいくつ」という話じゃないんです。
単に「スコアがいくつ」という話じゃないんです。
Muse Spark Openとは？Metaが公開した816B・42Bアクティブのオープンウェイトモデル
Muse Spark Open 公開までの経緯
- 2025年4月Llama 4 リリース以降、Metaはフロンティア級の新モデルを出していない
- 2026年4月Muse Spark リリース非オープンウェイトでの初リリース
- 今回Muse Spark Open 公開Muse Sparkファミリーのオープンウェイト版として登場
室谷代表取締役まずモデルの正体を整理しておくと、Muse Spark OpenはMetaの「Muse Spark」ファミリーのオープンウェイト版という位置づけです。Metaは2025年4月のLlama 4以降フロンティア級の新モデルを出しておらず、2026年4月のMuse Sparkは非オープンウェイトでの初リリースでした。
そこから今回、オープンウェイトとして出てきたのがこのモデルです。
そこから今回、オープンウェイトとして出てきたのがこのモデルです。
テキトー教師DotAI 認定講師背景ブリーフによると、Metaは「米国で最も高性能なオープンウェイトモデル」と謳っていて、Macでのローカル実行も想定しているんですよね。TechCrunchによると、ローカル実行には1TB以上のRAMが必要で、M5 Ultra搭載のMac Studioが最適とされています。
室谷代表取締役1TB RAMですからね・・・。MYUUUでも手元で試そうと思うと、そこは現実的なハードルの高さを感じますw。
ただ、オープンウェイトでここまでの規模を出してきたこと自体が大きいです。
ただ、オープンウェイトでここまでの規模を出してきたこと自体が大きいです。
テキトー教師DotAI 認定講師ライセンスについては、今回の資料では明確なライセンス名までは示されていません。商用利用可否も含めて、現時点では明らかにされていない部分です。
そこは公式の配布ページを確認する必要がありますね。
そこは公式の配布ページを確認する必要がありますね。
室谷代表取締役Muse Spark Openのスペックと省メモリの仕組み（MoE・スライディングウィンドウ注意）
まとめ
Muse Spark Openのスペックと省メモリの仕組み
- 総パラメータ816B／アクティブパラメータ42BのMoE（混合エキスパート）構造
- 層数は62層
- 62層中46層で2,048トークンのスライディングウィンドウ注意を採用
- 100万トークン文脈時のKVキャッシュをfull attention比で約75%削減
- 量子化チェックポイントはMetaがNVFP4、AMDがMXFP4を公開
- AA Intelligence Indexは39（xhigh）
- AAはNVIDIA向けにNVFP4、AMD向けにMXFP4を使い分けて測定
テキトー教師DotAI 認定講師AAのスレッドから読み取れる仕様を整理すると、こうなります。
室谷代表取締役ここは数字が命なので、正確に押さえましょう。
| 項目 | 内容 |
|---|---|
| 総パラメータ | 816B |
| アクティブパラメータ | 42B |
| 構造 | MoE（混合エキスパート） |
| 層数 | 62層 |
| スライディングウィンドウ注意 | 62層中46層で2,048トークン窓 |
| KVキャッシュ削減 | 100万トークン文脈時に約75%削減（full attention比） |
| 量子化チェックポイント | MetaがNVFP4、AMDがMXFP4を公開 |
| AA Intelligence Index | 39（xhigh） |
テキトー教師DotAI 認定講師単にMoEでパラメータを間引くという話じゃないんですよ。62層のうち46層で2,048トークンのスライディングウィンドウ注意を採用していて、これが100万トークン文脈時のKVキャッシュを約75%削減する。
エージェント用途では長い文脈を保持し続けるので、この削減が効いてくるわけです。
エージェント用途では長い文脈を保持し続けるので、この削減が効いてくるわけです。
室谷代表取締役エージェントって、ツール呼び出しのたびに文脈が積み上がっていくじゃないですか。そこでKVキャッシュが膨らむとメモリが持たない。
75%削減はかなり効きますよね。しかもMetaがNVFP4、AMDがMXFP4と、それぞれのハードル向けのチェックポイントを出している。
AAはNVIDIA向けにNVFP4、AMD向けにMXFP4を使い分けて測定しています。
75%削減はかなり効きますよね。しかもMetaがNVFP4、AMDがMXFP4と、それぞれのハードル向けのチェックポイントを出している。
AAはNVIDIA向けにNVFP4、AMD向けにMXFP4を使い分けて測定しています。
テキトー教師DotAI 認定講師ベンダー側が量子化済みチェックポイントを出すというのは、測定の再現性という意味でも大きいですね。受講生さんからも「量子化形式で結果が変わるの？」とよく聞かれますが、今回はAAがどちらを使ったかまで明記されています。
AA-AgentPerfとは？エージェント作業の実トレースで測る新ベンチマーク
AA-AgentPerfの特徴
実トレース再生
実在のマルチターンのコーディングセッションを再生（推論→ツール呼び出し→コード編集）
KVキャッシュ再利用
過去のターンはKVキャッシュから供給し、新規トークンだけをprefill
トークン規模
軌跡は100Kトークンを超えて成長。入力1K〜131K（平均約27K）、出力は中央値約150・P95約2K
測定指標はスループット/MW
消費電力1メガワットあたり毎秒何トークン処理できるかで評価
測定対象
長文脈処理、ツール呼び出しの待ち時間、KVキャッシュ再利用の機会を測る
オープン受付・ローリング公開
AAがオープンに受け付け、結果はローリングで公開予定
室谷代表取締役ここが今回の記事の肝なんですよね。AA-AgentPerfは、AAが「エージェント時代のハードウェアベンチマーク」として位置づけているもので、実際のコーディングエージェントの作業履歴を再生して推論ハードウェアとソフトウェアをテストします。
テキトー教師DotAI 認定講師公式ページの説明が分かりやすいので整理すると、こうです。
- 実在のマルチターンのコーディングセッションを再生する（推論→ツール呼び出し→コード編集）
- 過去のターンはKVキャッシュから供給し、新規トークンだけをprefillする
- 軌跡は100Kトークンを超えて成長する
- 入力は1K〜131Kトークン（平均約27K）、出力は中央値約150トークン・P95約2K
- 長文脈処理、ツール呼び出しの待ち時間、KVキャッシュ再利用の機会を測る
室谷代表取締役合成ベンチマークじゃなくて、実際のエージェントの動きを再生するのがミソですよね。ターンごとに文脈が積み上がって、過去はKVキャッシュから、新しいトークンだけprefillする。
このアクセスパターンがエージェントサービングと合成ベンチマークを分ける、と公式ページにも書かれています。
このアクセスパターンがエージェントサービングと合成ベンチマークを分ける、と公式ページにも書かれています。
テキトー教師DotAI 認定講師測定指標も独特で、消費電力1メガワットあたり毎秒何トークン処理できるか、という「スループット/MW」で見るんですよ。データセンターの電力制約の中で、どれだけ実効的に働けるかという指標ですね。
室谷代表取締役電力あたりで見るというのは、経営者としてはかなり刺さります。GPUを何枚積めるかではなく、電気代に対してどれだけ仕事をするか、という話ですからね。
テキトー教師DotAI 認定講師AAはこのベンチマークをオープンに受け付けていて、結果はローリングで公開される予定です。モデル評価のArtificial Analysis Decision Indexとは？決定モデルを評価する新指標のような新しい指標を次々に出してくるのがAAらしいですね。
Muse Spark Openの推論性能：GB300/B300が電力あたり約150Mトークンで首位
室谷代表取締役で、結果ですよ。NVIDIAのB300とGB300が、スループット重視の構成（ユーザーあたり速度は低め）で、それぞれ電力あたり約150Mトークン/s/MWに到達しています。
テキトー教師DotAI 認定講師出力速度が上がると差が出てくるのが面白いところで、100 tok/s時点ではGB300が約108M、B300が約92Mなんですよ。
室谷代表取締役ここは注意点もセットで押さえたいですね。AAは「現時点では集約型のサービング構成でのみテストしており、マルチノードの分離構成ではGB300のB300に対する優位が広がる見込み」と書いています。
つまり、まだ暫定なんですよ。
つまり、まだ暫定なんですよ。
テキトー教師DotAI 認定講師そこは正確に伝えたいところですね。「GB300が圧勝」ではなく「集約型構成の初期結果ではGB300がリード、分離構成ではさらに差が開く見込み」というのがAAの表現です。
室谷代表取締役あと、このモデル自体の賢さの指標も置いておくと、AA Intelligence Indexは39（xhigh）です。これはモデルの地力の話で、今回のスループットの話とは別軸ですね。
テキトー教師DotAI 認定講師混同されがちなんですけど、Intelligence Indexは賢さ、AA-AgentPerfは推論基盤の実効効率。別物として読む必要があります。
AMD MI355Xの健闘と構成チューニングの伸び幅（SGLangで1.6〜1.8倍）
室谷代表取締役ここが実務的に一番おいしい話かもしれません。AMDのMI355Xは65 tok/s時に70Mトークン/s/MWに到達していて、65〜100 tok/sの範囲ではB200の約0.9倍なんですよね。
テキトー教師DotAI 認定講師さらに、AMDの10月22日のレシピ更新で、prefill-decodeとスケジューラの間隔、トークナイザーワーカーの増加、full attention層へのKVキャッシュ追加などを行って、以前のレシピ比で約1.7倍に改善しているんですよ。
室谷代表取締役同じくNVIDIA側も、同一のB300ノード上で、NVIDIAが調整したSGLang構成がローンチ週のクックブック構成比で1.6〜1.8倍のスループット/MWを出しています（50〜100 tok/s時）。TP4展開と、同時実行数に応じてチューニングしたprefill-decode間隔によるものですが、初回トークンまでの時間は長くなるというトレードオフがあります。
テキトー教師DotAI 認定講師ここ、単に「ハードの性能差」の話じゃないんですよ。同じGPUでもソフトウェア構成のチューニングで1.6〜1.8倍変わる。
推論エンジンと設定の最適化が実効コストを左右するということです。
推論エンジンと設定の最適化が実効コストを左右するということです。
室谷代表取締役MYUUUでも推論基盤の構成はよく触るんですが、TPの切り方とprefill-decodeの間隔だけでここまで変わるのは体感としても納得です。ただし初回トークンが遅くなるので、対話用途かバッチ処理かで最適解は変わりますよね。
テキトー教師DotAI 認定講師AAはマルチノード分離構成を含む追加検証を続けて、週次でリーダーボードを更新するとしています。カーネルや推論エンジン、構成の最適化についての詳細レビューも公開予定です。
室谷代表取締役週次更新ということは、今の数字はスナップショットなんですよね。追いかける価値があります。
Muse Spark Openの使い方・入手方法と料金は？現時点で分かっていること
室谷代表取締役で、読者の皆さんが一番気にする「で、どう使うの？いくらなの？」なんですが・・・ここは慎重に整理したいです。
テキトー教師DotAI 認定講師まず、今回のAAの発表はあくまで推論性能の測定結果です。モデルの入手方法や料金についてAAが述べているわけではありません。
室谷代表取締役一方で、TechCrunchによるとMetaはこのモデルを複数のAPIプラットフォームを通じて提供していると報じています。ただし、具体的な料金や提供プラットフォームの一覧、日本からの利用可否については、今回の資料では明らかにされていません。
テキトー教師DotAI 認定講師ローカル実行については、背景ブリーフとTechCrunchの報道で、1TB以上のRAMが必要で、M5 Ultra搭載のMac Studioが最適とされています。
室谷代表取締役あと、Metaのモデルファミリーの流れを知りたい方は、Meta、Muse Spark 1.1を公開：マルチモーダル推論モデルの進化やMetaの「Muse Wonder」とは？Active Memory搭載の新フロンティアモデルもあわせて読むと、位置づけがつかめると思います。
テキトー教師DotAI 認定講師料金については、公式の配布ページやAPI提供元の情報を確認するのが確実ですね。現時点で分かっていないことを断定で書くのは避けたいところです。
室谷代表取締役そうですね。「入力$1.25 / 出力$4.25」のような具体的な料金は、今回の資料では確認できません。
ここは現時点では明らかにされていない、と正直に書くのが正確です。
ここは現時点では明らかにされていない、と正直に書くのが正確です。
よくある質問
室谷代表取締役ここからは、読者からよく聞かれそうな点を整理していきます。
テキトー教師DotAI 認定講師まず「Muse Spark Openのスペックは？」ですが、総パラメータ816B、アクティブ42BのMoE、62層のうち46層が2,048トークンのスライディングウィンドウ注意、100万トークンのコンテキストウィンドウ、ネイティブマルチモーダル、というのが今回の資料で確認できる範囲です。
室谷代表取締役「ベンチマークは？」については、AA Intelligence Indexが39（xhigh）、そしてAA-AgentPerfではB300/GB300が電力あたり約150Mトークン/s/MWで首位という結果です。
テキトー教師DotAI 認定講師「使い方・入手方法は？」については、Metaが複数のAPIプラットフォームを通じて提供しているとTechCrunchが報じています。ローカル実行は1TB以上のRAMが必要です。
室谷代表取締役「ライセンス・商用利用は？」については、オープンウェイトモデルとして公開されているという点までは確認できますが、ライセンス名や商用利用の条件は今回の資料では明らかにされていません。
テキトー教師DotAI 認定講師「GB300とB300のどちらが良いか？」については、集約型構成の初期結果ではGB300がリードし、マルチノード分離構成では差が広がる見込みとAAは述べています。ただし現時点では集約型構成のみのテストです。
室谷代表取締役「AMDは選択肢になる？」については、MI355Xが65 tok/s時に70Mトークン/s/MW、65〜100 tok/sでB200の約0.9倍、10月22日のレシピ更新で約1.7倍に改善しています。構成次第で伸びしろが大きい、というのが今回の読み解きですね。
テキトー教師DotAI 認定講師最後に「今後の更新は？」ですが、AAはマルチノード分離構成を含む追加検証を続け、週次でリーダーボードを更新するとしています。
室谷代表取締役というわけで、今回は「モデルの賢さ」ではなく「電力あたりどれだけ働くか」という実運用の物差しでMuse Spark Openを見る回でした。数字は週次で更新されるので、追いかけていきましょう。
