Makale / Herkese açık
Muse Spark Open: Meta'nın açık ağırlıklı modeli BF16 ve NVFP4 sürümleriyle tanıtıldı
Hugging Face, Meta'nın yaklaşık 816 milyar parametreli Muse Spark Open modelini tanıttı. Kodlama odaklı model çoklu ortam girdilerini kabul ediyor; dağıtımda belirleyici konu bellek kapasitesi.
Hugging Face, 15 Ekim 2026 tarihli yazısında Meta'nın açık ağırlıklı Muse Spark Open modelini tanıttı ve BF16 ile NVFP4 kontrol noktalarının kullanıma sunulduğunu bildirdi. Yazıya göre model yaklaşık 816 milyar toplam parametreye, token başına 42 milyar etkin parametreye ve bir milyon tokena kadar bağlam penceresine sahip. Meta, modeli özellikle kodlama ve uzun geliştirici iş akışları için konumlandırıyor.
Ne sunuluyor?
Hugging Face'in aktardığı özelliklere göre Muse Spark Open metin, görüntü, ses ve video girdilerini kabul ediyor, yanıtlarını metin olarak üretiyor. Bu ayrım önemli: Çoklu ortam desteği burada farklı türde içeriklerin modele girdi olarak verilebilmesini anlatıyor. Yazı, modelin görüntü, ses veya video ürettiğini söylemiyor. Geliştiriciler aynı model üzerinden farklı girdi türleri hakkında soru sorabiliyor.
Meta'nın tanımında kodlama odağı öne çıkıyor. Şirket, modelin birden fazla dosyayı kapsayan kod düzenlemeleri ve uzun hata ayıklama oturumları gibi gerçek geliştirici iş akışlarıyla eğitildiğini belirtiyor. Kaynak ayrıca kod tabanını okuma, kod yazma, hata ayıklama ve araç çağırma görevlerini sıralıyor. Bunlar üreticinin modelin amacı ve eğitimi hakkında verdiği bilgiler; tek başlarına kod kalitesini gösteren karşılaştırmalı bir sonuç oluşturmuyor.
Farklı girdilerden metin yanıtına
- Girdiler
Metin, görüntü, ses ve video modele sunulur.
- Ortak bağlam
Farklı girdi türlerinin tokenları aynı bağlam penceresini paylaşır.
- Metin çıktısı
Model farklı içerikler hakkındaki yanıtlarını metin olarak üretir.
816 milyar ile 42 milyar arasındaki fark
Model, uzmanlar karışımı olarak bilinen MoE mimarisini kullanıyor. Hugging Face'in teknik açıklamasına göre her MoE katmanında 256 uzman bulunuyor ve yönlendirici her token için bunlardan sekizini seçiyor. Böylece modelin toplam parametre sayısı ile belirli bir token işlenirken kullanılan parametre sayısı birbirinden ayrılıyor.
Yaklaşık 42 milyar etkin parametre, her adımda bütün modelin aynı biçimde hesaplamaya katılmadığını anlatıyor. Yaklaşık 816 milyarlık toplam ise modelin bütün ağırlıklarını ifade ediyor. Bu iki sayı farklı sorulara yanıt veriyor: İlki token başına etkin hesaplama ölçeğini, ikincisi modelin toplam büyüklüğünü açıklıyor. Dağıtım planı yaparken birini diğerinin yerine koymamak gerekiyor.
Bir milyon tokena kadar bağlam penceresi de yalnızca metne ayrılmış değil. Yazıya göre görüntü, video ve ses tokenları metinle aynı pencereyi paylaşıyor. Dolayısıyla bu kapasiteyi, bütün girdi türlerinin birlikte kullandığı bir alan olarak okumak gerekiyor. Uzun bir kod konuşmasına eklenen görsel veya sesli içerik de bu ortak bağlamın parçası oluyor.
Uzman seçimi ve bellekte kalan ağırlıklar
- Yönlendirici
Her MoE katmanında token başına 256 uzmandan sekizini seçer.
- Etkin parametreler
Token başına yaklaşık 42 milyar parametre hesaplamaya katılır.
- Toplam ağırlıklar
Yaklaşık 816 milyar parametrelik modelin tüm uzmanları bellekte kalır.
Hugging Face'in bildirdiği deneme
Üretici açıklamalarından ayrı olarak Hugging Face yazarları, 512 GB belleğe sahip bir Mac M3 Ultra üzerinde nicemlenmiş sürümleri denediklerini bildiriyor. Yazıda, imatrix kalibrasyonlu 2 bit sürümün saniyede 18 token ürettiği belirtiliyor. Bu sonuç Hugging Face ekibinin bildirdiği bir çalışma gözlemi; Urazo'nun yaptığı bir test değil.
Bu deneme, duyurudaki BF16 ve NVFP4 kontrol noktalarından farklı bir hassasiyetteki sürümle ilgili. Bu nedenle haberdeki dosya biçimleri ile hız sonucunun ait olduğu yapılandırmayı ayrı tutmak gerekiyor. Saniyede 18 token ifadesinin yanında donanım ve nicemleme bilgisini vermek, sonucun hangi koşullarda bildirildiğini koruyor.
Sınırlamalar ve kanıtın kapsamı
Yazıya göre 256 uzmanın tamamı bellekte tutuluyor. Yalnızca sekizinin token başına seçilmesi, toplam modelin bellek gereksinimini ortadan kaldırmıyor; dağıtım hâlâ 816 milyar parametreli modelin ağırlıklarını barındıracak kapasite gerektiriyor. Ayrıca bildirilen hız, belirtilen Mac ve 2 bit sürüme ait. Bunu farklı donanımlara, kontrol noktalarına veya bağlam uzunluklarına genellemek için burada kanıt yok. Sunulan bilgiler, kodlama başarısını ya da bir milyon tokenlık bağlam boyunca yanıt kalitesini karşılaştırmalı olarak ölçen sonuçlar da sağlamıyor.
Urazo yorumu
Bu gelişmenin pratik önemi, açık ağırlıkları, farklı girdi türlerini ve kodlama odaklı tasarımı aynı modelde buluşturması. Değerlendirme yapacak ekipler için temel ayrım ise erişilebilir ağırlıklarla kolay dağıtımın aynı şey olmaması. Etkin parametre sayısı hesaplama yapısını açıklarken, bütün uzmanların bellekte kalması altyapı kararını belirliyor. İlk değerlendirmede modelin hedeflenen iş akışıyla uyumunu, seçilen sürümü ve mevcut bellek kapasitesini birlikte ele almak daha anlamlı görünüyor.
Kaynaklar
Görsel: yapay zekâyla üretilmiş temsili çizim. Açıklayıcı animasyonlar ölçüm veya ürün demosu değildir.