חברת Meta הופכת את אחד המודלים המתקדמים ביותר שלה לנגיש לקהילת המפתחים העולמית. החברה שחררה את המשקלים הפתוחים (Open Weights) של מודל הבינה המלאכותית Muse Spark Open, אשר עומד על היקף כולל של 816 מיליארד פרמטרים. המודל, שהיה סגור לשימוש פנימי מאז הופעת הבכורה שלו באפריל, מיועד לביצוע משימות קידוד מורכבות והפעלת סוכני בינה מלאכותית (AI Agents) לאורך זמן. ב-Meta מתארים אותו כמודל המשקלים הפתוחים בעל היכולות הגבוהות ביותר שיצא עד כה ממעבדת מחקר בארצות הברית.
גרסת הקוד הפתוח מבוססת על דגם Muse Spark 1.2 שהושק באוגוסט, ואליה נוספו שלבי אימון בטיחות ייעודיים כדי להבטיח את עמידות המודל גם ללא מערכות ההגנה ההיקפיות של שירותי Meta. החברה ציינה כי המודל עבר את ספי השחרור הנדרשים במסגרת ההערכה הפנימית שלה (Meta Superintelligence Scaling Framework), כאשר דוח הערכה מלא צפוי להתפרסם בהמשך.
ארכיטקטורה ענקית והרצה על חומרה מקומית
על אף גודלו העצום, המודל מבוסס על מנגנון הפעלה חסכוני שבו רק 42 מיליארד פרמטרים מופעלים בפועל עבור כל טוקן בודד. המודל תומך בחלון הקשר (Context Window) של עד מיליון טוקנים, ומסוגל לעבד קלטים המשלבים טקסט יחד עם תמונות, קובצי אודיו או וידאו.
ממסמך טכני של חברת Hugging Face עולה כי תהליך האימון והבדיקה של המודל התבסס על סביבות עבודה ממשיות של מפתחים, כולל שיפוץ קוד (Refactoring) של קבצים מרובים וסשנים ממושכים של ניפוי שגיאות (Debugging).
במסגרת בדיקות ההתאמה מחוץ למרכזי הנתונים, Meta הריצה את המודל על גבי זוג מחשבי Mac Studio של חברת Apple המצוידים בשבבי M5 Ultra. המחשבים חוברו למערכת אחודה באמצעות תשתית MLX של Apple, והציעו זיכרון משותף של כטרהבייט אחד. במהלך הניסוי, כלי הקוד Muse Code פעל על גבי מערך זה וביצע תיקוני באגים ופיתוח תכונות חדשות עבור לקוח הקוד הפתוח Ice Cubes של רשת Mastodon. בניסוי נוסף, המודל ניתח וידאו פריים אחר פריים בתוכנת העריכה DaVinci Resolve כדי לזהות ולחתוך את המקטעים הטובים ביותר עבור סרטונים אנכיים.
השילוב של מודלי בינה מלאכותית בתהליכי פיתוח תוכנה הולך ומתרחב, אולם לצד היתרונות מתברר כי נפח הקוד שיוצר ה-AI מאט את סקירת הקוד בצוותי הנדסה רבים.
ביצועים במבחנים: הובלה בהפעלת כלים
במבחני הביצועים שהציגה Meta, הציג Muse Spark Open תוצאות מרשימות בתחומי האוטונומיה והפעלת הכלים:
מבחן הסוכנים JobBench: המודל השיג ציון של 61.8 נקודות, יותר מפי שניים מהמודל הפתוח Inkling של מעבדת Thinking Machines Lab (31.1 נקודות) ומהמודל Nemotron 3 Ultra של Nvidia (שקיבל 27.2 נקודות).
שימוש בכלים (MCP-Atlas): המודל רשם ציון של 89.2 נקודות, ודורג ראשון מול כל המתחרים שנסקרו. המבחן בודק ביצוע משימות בשפה טבעית ללא צורך בהגדרת הכלים הנדרשים, כאשר המודל נדרש להבין בעצמו איזה כלי להפעיל מתוך מאגר של 220 כלים הפזורים ב-36 שרתי פרוטוקול MCP (Model Context Protocol).
מבחני קידוד (Terminal-Bench 2.1): המודל הגיע לציון של 76.4 נקודות. בתחום זה המודלים הסיניים עדיין מובילים, כאשר Kimi K3 דורג ראשון עם ציון של 85, ודגמי GLM 5.3 ו-Qwen3.8 עברו אף הם את התוצאה של Meta.
תנאי רישוי מוגבלים ואפשרויות זמינות
משקלי המודל מופצים תחת רישיון חדש (Muse Model License) המגדיר תנאים מסחריים מוגבלים. מפתחים המתאימים את המודל או משלבים אותו בתוך יישומים ותוכנות משלהם פטורים מתשלום תמלוגים. עם זאת, Meta דורשת חתימה על הסכם נפרד מחברות המספקות את המודל כשירות אירוח בתשלום והציגו הכנסות ברוטו של מעל 20 מיליון דולר בפרק זמן של 12 חודשים. בנוסף, כל מוצר שנבנה על בסיס המודל מחויב להציג את התווית "Built with Muse Spark Open". חל איסור מוחלט על שימוש במודל עבור יישומים צבאיים או תשתיות קריטיות.
לצד הורדת המשקלים מ-Hugging Face ומקטלוגי הענן של AWS, Google ו-Microsoft, המודל זמין כבר בהשקה אצל שבעה ספקי הסקה (Inference), ובהם Groq ו-Fireworks AI. השחרור הנוכחי מצטרף ל-Muse Glimmer הקטן יותר (30 מיליארד פרמטרים) שהופץ באוגוסט, בעוד שהסדרה המתקדמת ביותר של החברה, Muse Wonder שהוכרזה בתחילת השבוע, נותרה סגורה וזמינה בלבד דרך ה-API הרשמי וכלי Muse Code.
חופש עבודה לצוותי פיתוח
הבחירה לשחרר מודל בהיקף של 816 מיליארד פרמטרים עם יכולות גבוהות בהפעלת כלים מעניקה לצוותי פיתוח כלי עוצמתי לבניית סוכני בינה מלאכותית אוטונומיים. הנגישות למשקלי המודל מאפשרת לארגונים להריץ מערכות מורכבות ישירות על גבי תשתית עצמאית או ענן פרטי, תוך שמירה על שליטה מלאה בנתונים וללא תלות מוחלטת בצינורות ה-API הסגורים של ספקיות הענן הגדולות.
למה זה חשוב לך
עבור מפתחים וחברות הייטק ישראליות, שחרור מודל בהיקף כזה בקוד פתוח מאפשר גישה לטכנולוגיה מתקדמת ללא עלויות רישוי כבדות, מה שעשוי לקצר תהליכי פיתוח ולהוזיל עלויות תפעול. היכולת להריץ את המודל על תשתית מקומית או ענן פרטי מעניקה לארגונים בישראל שליטה רבה יותר על אבטחת מידע ופרטיות, סוגיה רגישה במיוחד בתעשיית ההייטק המקומית. בנוסף, יכולות הקידוד והפעלת הכלים המתקדמות עשויות להאיץ את פיתוח סוכני ה-AI בחברות ישראליות המתחרות בשוק הגלובלי.
קראו גם: סמנכ"לית הכספים של OpenAI מזהירה: מודלי AI מוזלים מסין מהווים סיכון סייבר · נפח הקוד שיוצר ה-AI מאט את סקירת הקוד: האתגר החדש של צוותי הפיתוח
