Muse Spark Open: il collo di bottiglia dei pesi aperti è la memoria, non il calcolo

01 Cosa è successo

Il lancio di Muse Spark Open da parte di Meta è già stato trattato in un nostro articolo del 16 ottobre 2026. Qui ci interessa un aspetto emerso dalla documentazione tecnica pubblicata il 15 ottobre 2026: quanto costa, in hardware, eseguire davvero il modello.^[1]

Secondo il blog di Hugging Face, il modello usa un'architettura mixture-of-experts con 256 esperti per blocco, di cui il router ne seleziona 8 per ogni token. Gli esperti contengono circa il 97% dei parametri. Ogni token è calcolato con circa 42 miliardi di parametri, ma tutti gli esperti restano in memoria: serve quindi la memoria di un modello da 816 miliardi, con la velocità di uno da 42.^[1]

Il checkpoint in BF16 pesa circa 1,5 TB. In transformers gira su 4 nodi da 8 GPU H200 con parallelismo tensoriale. La versione NVFP4, a 4 bit e pensata per le GPU NVIDIA Blackwell, funziona su un singolo nodo B200; il blog parla di perdita di accuratezza trascurabile.^[1]

TechCrunch riferisce che Meta ha lanciato il modello insieme ad Apple, con esecuzione locale su Apple silicon. Il requisito indicato, citando Engadget, è almeno 1 terabyte di RAM, con il Mac Studio con chip M5 Ultra come configurazione ideale. Meta dichiara una finestra di contesto da 1 milione di token e la disponibilità tramite diverse piattaforme API.^[2]

Divergenza fra le fonti Le fonti citano requisiti di memoria diversi: circa 1,5 TB per il checkpoint BF16 secondo Hugging Face, almeno 1 TB di RAM per l'uso su Mac secondo TechCrunch. Gli estratti non precisano la precisione numerica usata sul Mac, quindi le due cifre non sono confrontabili direttamente.^{[1, 2]}

Le prestazioni superiori ad altri modelli open-weight e la definizione di «più capace» fra i modelli aperti statunitensi derivano da valutazioni pubblicate da Meta stessa. Gli estratti non riportano verifiche indipendenti.^{[1, 2]}

02 Perché conta

Interpretazione: nei modelli mixture-of-experts il costo per token scende, ma il costo di capacità non scende. Un terabyte di memoria resta fuori dalla portata della maggior parte degli sviluppatori individuali e di molte piccole imprese.

Il vantaggio dei pesi aperti, cioè trasparenza, flessibilità e costi potenzialmente più contenuti rispetto ai modelli chiusi, si realizza quindi soprattutto per chi dispone di infrastruttura. La sola disponibilità dei pesi non basta.^[2]

Anche la quantizzazione a 4 bit va letta in questa chiave. Riduce il peso del checkpoint e il numero di nodi necessari, ma è ottimizzata per hardware NVIDIA specifico. Un modello «aperto» può dunque restare legato a precise scelte di piattaforma.^[1]

04 Cosa osservare adesso

1. Verifiche indipendenti

   Valutazioni di terzi sui risultati dichiarati da Meta, e in particolare sulla perdita di accuratezza della versione NVFP4 rispetto alla BF16.^{[1, 2]}

2. Esecuzione su hardware accessibile

   Se le ricette per llama.cpp, vLLM e SGLang indicate nel blog di Hugging Face renderanno il modello eseguibile su configurazioni più piccole, e con quali compromessi.^[1]

3. Dibattito sulla sicurezza dei pesi aperti

   Il tema è al centro di dibattiti europei sulla sovranità e sulla sicurezza dei modelli open-weight. Gli estratti disponibili non permettono di riportarne gli argomenti.