Meta lança o Muse Spark, modelo open-weight de 816 bilhões de parâmetros para código e agentes

Meta amplia a família Muse com modelo de peso aberto para desenvolvedores

A Meta liberou na quinta-feira (15) uma versão open-weight do Muse Spark, modelo de inteligência artificial↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → voltado a programação e agentes de IA. Segundo reportagem da Reuters publicada pelo ET Tech, a empresa disponibilizou os parâmetros treinados para que desenvolvedores possam baixar e modificar o modelo, algo que modelos proprietários não permitem.

A diferença é estrutural: modelos proprietários mantêm os pesos sob controle exclusivo de quem os treina, enquanto modelos open-weight entregam esses parâmetros prontos para uso e ajuste. Isso não significa código-fonte de treinamento aberto nem dados de treino públicos, mas já é suficiente para rodar o modelo fora da infraestrutura da Meta e adaptá-lo a um caso específico.

Os números por trás do Muse Spark

A Meta detalhou as especificações técnicas do modelo:

• 816 bilhões de parâmetros totais, com 42 bilhões ativos a cada inferência (arquitetura do tipo mixture-of-experts, que ativa só uma fração da rede por vez);
• janela de contexto de até 1 milhão de tokens;
• roda localmente em dois computadores Mac Studio equipados com o chip Apple M5 Ultra;
• também está disponível por meio de alguns provedores de API, sem a Meta especificar quais.

O desenho mixture-of-experts explica por que um modelo com 816 bilhões de parâmetros consegue rodar em hardware de mesa: só 42 bilhões entram em ação em cada passo de inferência, reduzindo o custo computacional em relação a um modelo denso do mesmo tamanho total.

Não é a primeira peça da família Muse

Em agosto, a Meta já havia lançado o Muse Glimmer, descrito pela fonte como uma versão menor e também open-weight. A companhia não detalhou parâmetros do Glimmer na reportagem, mas a sequência indica uma estratégia de portfólio: um modelo mais leve para cenários com menos recursos e agora um modelo maior, voltado a cargas de trabalho mais pesadas de código e agentes.

Isso diferencia a linha Muse da família Llama, que até aqui era a principal aposta aberta da Meta em modelos de linguagem. Com o Muse Spark, a empresa passa a ter duas frentes de modelos open-weight rodando em paralelo, cada uma com objetivo distinto.

A tese de Zuckerberg por trás da jogada

Segundo a reportagem, o CEO Mark Zuckerberg tem defendido publicamente que a IA avançada não deveria ficar concentrada em um pequeno número de empresas. A fonte não traz uma citação literal dele nesse texto específico, apenas registra essa posição como justificativa da estratégia de abertura de modelos da Meta, que já vinha sendo aplicada com a família Llama antes do Muse.

A reportagem também pondera o outro lado: modelos open-weight dão às empresas mais controle sobre os próprios dados, mas exigem recursos computacionais significativos e conhecimento técnico para operar em escala. Para um modelo de 816 bilhões de parâmetros totais, isso não é retórica vazia.

O que muda pra quem desenvolve no Brasil

Para equipes de engenharia por aqui, o anúncio abre algumas portas concretas:

1. Controle de dados: rodar o modelo localmente, mesmo que em hardware caro, evita enviar código e prompts a uma API de terceiros, relevante para empresas com política de dados mais restritiva.
2. Contexto de 1 milhão de tokens: na prática, isso permite alimentar o modelo com uma base de código inteira ou com traces longos de agentes que executam várias etapas, sem precisar fatiar o contexto em pedaços.
3. Custo de entrada ainda alto: dois Mac Studio com chip M5 Ultra não é hardware trivial, mas está muito mais perto do orçamento de uma equipe de produto do que um cluster de GPUs de datacenter, o que muda quem consegue sequer cogitar rodar o modelo em casa.
4. Opção fora da dependência de um único fornecedor: times que hoje dependem só de APIs fechadas ganham uma alternativa que pode ser auditada, ajustada e hospedada onde fizer sentido.

Vale lembrar que o fato de ser open-weight não resolve, por si só, o problema de custo de operação em escala: a própria reportagem cita que esse tipo de modelo exige expertise técnica justamente para não virar um projeto de infraestrutura que ninguém sabe manter.

O que ainda fica em aberto

A fonte não especifica a licença exata sob a qual o Muse Spark é distribuído, nem traz benchmarks comparando o modelo com concorrentes abertos ou fechados em tarefas de código e agentes. Também não há detalhes sobre quais provedores de API já oferecem acesso ao modelo, nem sobre preços de uso via essas plataformas.

São lacunas que devem ser preenchidas nos próximos dias, conforme a comunidade de desenvolvedores começa a rodar os próprios testes e a Meta eventualmente publica documentação mais detalhada sobre o modelo.

Fonte: ET Tech (Índia)