Як Meta з Muse повертається в лідери відкритих моделей — і що з цього українським розробникам

Автор ·

Meta за один тиждень зробила кілька кроків, які знову вивели її в перший ряд AI-гонки: компанія запустила лінійку моделей Muse Wonder для комерційного використання та відкриту мультимодальну модель Muse Spark Open, яку можна запускати локально.

Фактично це спроба поєднати два світи — потужні закриті моделі для продуктів Meta і спільноту розробників, які хочуть працювати з відкритими вагами. І, на відміну від багатьох конкурентів, Meta одразу заходить у мультимодальність: текст, зображення, відео та аудіо на вхід, текст на вихід.

Muse Wonder доступна через API і орієнтується на сегмент «вище середнього» — за рівнем можливостей її порівнюють із Claude Sonnet 5.5, а за ціною це радше інструмент для команд і бізнесу, ніж для випадкового користувача. Окрема версія Muse Wonder Full працює як «преміум для своїх» — її можна отримати лише в рамках підписки Muse Code, без відкритого API.

Найцікавіша для спільноти — Muse Spark Open. Це мультимодальна модель з відкритими вагами, яка, за незалежними бенчмарками, обганяє всі інші open-weight моделі поза Китаєм і при цьому може працювати локально на відносно доступному залізі. Meta прямо показує сценарій: приблизно 1 ТБ памʼяті при 4-бітній квантизації — це кластер з кількох Mac Studio, а не датацентр.

Технічно Spark Open — це mixture-of-experts transformer з 816 млрд параметрів, з яких активними на токен є близько 42 млрд і 256 експертів. Модель підтримує шість рівнів «reasoning» (від minimal до max), виклик інструментів, структурований вихід і працює на швидкості понад 140 токенів за секунду. Для відкритої моделі це вже не «іграшка», а повноцінний кандидат на роль ядра продукту.

Ліцензія Muse Model дозволяє як комерційне, так і некомерційне використання до $20 млн доходу, але вимагає маркування «Built with Muse Spark Open» у продуктах. Це не така вільна модель, як у Mistral чи Nvidia Nemotron, але компроміс: ви отримуєте сильну мультимодальну систему, не платячи за кожен токен, натомість погоджуєтеся на брендований бейдж і обмеження за оборотом.

Стратегічно цей реліз показує розворот Meta. Після хвилі Llama, потім ставки на власні закриті Muse-моделі й інтеграцію Muse Agent у Facebook, Instagram та WhatsApp, компанія знову виходить до відкритої спільноти. І робить це не «урізаною» моделлю, а системою, яка за бенчмарками конкурує з DeepSeek, Mistral Large 4 та Reflection Beam.

Чому це важливо

Для українських інженерів і компаній тут кілька практичних наслідків.

  • Доступна мультимодальність. Більшість відкритих моделей досі орієнтовані на текст. Muse Spark Open одразу працює з текстом, зображеннями, відео та аудіо. Це спрощує запуск продуктів на кшталт відеоасистентів, голосових ботів чи систем аналізу медіа без складних «склейок» кількох моделей.
  • Локальний запуск і контроль даних. Можливість розгорнути модель на власному кластері (навіть з Mac Studio чи потужних робочих станцій) — аргумент для фінансового, медичного, держсектору, де виносити дані в публічний хмарний API часто неможливо.
  • Прозора собівартість. Якщо у вас продукт із важким мультимедійним потоком, оплата за токени швидко стає ключовою статтею витрат. Відкрита модель з локальним запуском дозволяє платити за «залізо», а не за кожен запит, і це часто вигідніше при масштабі.
  • Ліцензійні нюанси. Обмеження в $20 млн доходу й вимога «Built with Muse Spark Open» — не дрібниця. Я б радив одразу залучати юристів, якщо ви плануєте серйозний B2B-продукт чи орієнтуєтеся на глобальний ринок. Для стартапів на ранній стадії це, навпаки, комфортне вікно можливостей.
  • Конкуренція як плюс для розробників. Чим більше сильних відкритих моделей (Muse Spark Open, Nemotron, Mistral, DeepSeek), тим менше ви привʼязані до одного вендора. Це означає свободу вибору стеку, кращі ціни і більше простору для експериментів у командах.

Якщо ви зараз будуєте AI-продукт або тільки формуєте AI-команду, я б радив дивитися на Muse Spark Open як на одну з базових опцій у стеку — поряд із Mistral, DeepSeek і закритими API. Особливо, якщо для вас критичні мультимодальність і можливість локального розгортання.

Джерело: The Batch (deeplearning.ai) (https://www.deeplearning.ai/the-batch/issue-376)