สถาปัตยกรรม Sparse MoE 816B และขีดความสามารถประมวลผลข้อมูลหลายรูปแบบ
Meta ได้เปิดตัวโมเดลโอเพนเวตระดับเรือธงรุ่นล่าสุด 'Muse Spark Open' อย่างเป็นทางการเมื่อวันที่ 15 ตุลาคม 2026 โดยถูกพัฒนาขึ้นบนสถาปัตยกรรม Sparse Mixture-of-Experts (MoE) มีพารามิเตอร์รวมทั้งสิ้น 816 พันล้านพารามิเตอร์ (816B) ทว่าในการประมวลผลจริงต่อโทเคน ตัวแบบจะเปิดการทำงานเฉพาะผู้เชี่ยวชาญ 8 รายการจากทั้งหมด 256 รายการ (Top-8 routing across 256 experts) ส่งผลให้มีขนาด Active Parameters อยู่ที่ 42 พันล้านพารามิเตอร์ (42B) ต่อโทเคนเท่านั้น นอกจากนี้ตัวโมเดลยังติดตั้ง Perception Encoder ขนาด 1.8 พันล้านพารามิเตอร์สำหรับแปลงสัญญาณข้อมูลภาพและเสียงเข้าสู่โมเดลโดยตรง
จุดเด่นสำคัญของ Muse Spark Open คือความสามารถแบบ Multimodal ตั้งแต่ฐานราก โดยรองรับข้อมูลนำเข้าหลากหลายประเภท ทั้งข้อความ (Text), รูปภาพ (Image), เอกสาร (Document), สัญญาณเสียง (Audio) ตลอดจนวิดีโอ (Video) และให้ผลลัพธ์เป็นข้อความที่มีความแม่นยำสูง อีกทั้งยังรองรับ Context Window ขนาดยาวถึง 1,000,000 (1M) โทเคน ทำให้ตัวโมเดลสามารถวิเคราะห์เอกสารทางธุรกิจทั้งคลัง หรือวิเคราะห์วิดีโอและซอร์สโค้ดขนาดยักษ์ได้ในกระบวนการทำงานเดียว โดยเน้นเจาะกลุ่มงานเขียนโค้ดและงานระบบอัตโนมัติแบบ Agentic Workflows ที่ต้องดำเนินการต่อเนื่องระยะยาว
ข้อกำหนดด้านฮาร์ดแวร์ รูปแบบไฟล์เวต และการรองรับในระบบนิเวศการคำนวณ
น้ำหนักโมเดล (Weights) ได้รับการเผยแพร่บน Hugging Face ภายใต้สัญญาอนุญาต Muse Model License ควบคู่กับนโยบาย Muse Spark Usage Policy โดยมีไฟล์ให้ดาวน์โหลด 2 รูปแบบ ได้แก่ รูปแบบความละเอียดมาตรฐาน BF16 และรูปแบบควอนไทเซชันแบบใหม่ NVFP4 ทั้งนี้ ความต้องการด้านหน่วยความจำกราฟิก (VRAM) จัดว่าอยู่ในระดับที่สูงมาก โดยรูปแบบ NVFP4 จำเป็นต้องใช้ VRAM ประมาณ 700GB ในขณะที่รูปแบบความละเอียดเต็ม BF16 ต้องการ VRAM ราว 2TB สำหรับการโหลดน้ำหนักและรันระบบอย่างสมบูรณ์
ในด้านเฟรมเวิร์กการประมวลผลผลลัพธ์ ตัวโมเดลได้รับการรองรับการทำงานตั้งแต่วันแรกผ่านระบบอนุมานชั้นนำอย่าง SGLang, vLLM, TensorRT-LLM, Unsloth และ llama.cpp อีกทั้งยังมีอิมเมจพร้อมใช้บน AWS SageMaker JumpStart สำหรับระดับคลาวด์ ด้านการพัฒนาภายใน Meta ได้ผสานการทำงานร่วมกับ PyTorch Helion DSL และเครื่องมือกระจายการคำนวณ TorchTitan ขณะเดียวกันยังรองรับการปรับแต่งเชิงลึกผ่าน MLX เพื่อให้สามารถรันบนฮาร์ดแวร์ระดับเวิร์กสเตชัน เช่น การเชื่อมต่อคอมพิวเตอร์ Mac Studio สเปกชิป Apple M5 Ultra จำนวน 2 เครื่องเข้าด้วยกันเพื่อรันโมเดลในระดับ Local ได้
เสียงสะท้อนจากกลุ่มนักพัฒนา: ข้อจำกัดของแคช KV และความเข้มงวดด้านความปลอดภัย
กลุ่มนักพัฒนาและวิศวกรซอฟต์แวร์ให้การตอบรับอย่างคึกคักต่อการรองรับระบบรันไทม์อย่างครอบคลุม โดยเฉพาะเคอร์เนลปรับแต่งพิเศษของ SGLang และการรันแบบรวมหน่วยความจำบน Mac Studio หลายเครื่อง ซึ่งเปิดโอกาสให้ระบบระดับ Frontier ทำงานได้นอกคลาวด์ของผู้ให้บริการรายใหญ่ ทว่าท่ามกลางความตื่นเต้น มีข้อสังเกตเชิงลึกจากผู้เชี่ยวชาญด้านสถาปัตยกรรมเครือข่ายประสาทเทียมเกี่ยวกับระบบ Grouped Query Attention (GQA) ของโมเดล ซึ่งนักพัฒนาเตือนว่าการไม่เลือกใช้สถาปัตยกรรมใหม่อย่าง Multi-Head Latent Attention (MLA) หรือ KDA จะส่งผลให้ขนาดแคช Key-Value (KV Cache) ขยายตัวอย่างมหาศาลเมื่อเรียกใช้งานที่บริบท 1 ล้านโทเคน ส่งผลให้ต้นทุนแรมและความหน่วงในการตอบสนองเพิ่มขึ้นตามไปด้วย
นอกจากนี้ นักวิจัยด้านความปลอดภัยไซเบอร์ยังแสดงความกังขาต่อกระบวนการปรับแต่งความปลอดภัย (Safety Post-Training) ที่เข้มงวดเกินไป โดยพบว่าตัวโมเดลมักปฏิเสธการตอบสนองต่องานวิจัยด้านความปลอดภัยเชิงรุก (Offensive Security) หรือการวิเคราะห์ช่องโหว่ซอฟต์แวร์ ซึ่งกลุ่มผู้ใช้งานบางส่วนมองว่าทำให้ความยืดหยุ่นลดลงเมื่อเทียบกับโมเดลโอเพนเวตคู่แข่งบางรุ่น ขณะเดียวกัน กลุ่มนักวิเคราะห์ยังระบุว่าผลการทดสอบการใช้งานจริงในงานประเภทตัวแทนอัตโนมัติ (Agentic Workflows) และ SWE-bench ยังคงต้องรอการตรวจสอบอย่างเป็นอิสระจากบุคคลภายนอกเพื่อยืนยันประสิทธิภาพที่แท้จริงนอกเหนือจากเอกสารรายงานของผู้พัฒนา
นัยสำคัญต่อภาคธุรกิจและโครงสร้างพื้นฐานไอทีในประเทศไทย
สำหรับองค์กรธุรกิจในประเทศไทย การมาถึงของ Muse Spark Open ถือเป็นจุดเปลี่ยนสำคัญในการประเมินยุทธศาสตร์ปัญญาประดิษฐ์ โดยเฉพาะกลุ่มธุรกิจการเงิน (BFSI), ธุรกิจโทรคมนาคม และหน่วยงานภาครัฐที่ต้องปฏิบัติตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) อย่างเคร่งครัด โมเดลนี้ช่วยให้องค์กรสามารถติดตั้งระบบปัญญาประดิษฐ์ที่มีความสามารถทัดเทียมโมเดลแถวหน้าของโลกไว้ภายในศูนย์ข้อมูลของตนเอง (On-Premises) หรือบนระบบคลาวด์ส่วนตัว ช่วยลดความเสี่ยงจากการรั่วไหลของข้อมูลความลับทางธุรกิจไปยัง API ภายนอกประเทศ
อย่างไรก็ตาม ผู้บริหารฝ่ายเทคโนโลยีสารสนเทศ (CIO และ CTO) ในไทยจำเป็นต้องประเมินต้นทุนรวมของการเป็นเจ้าของ (TCO) อย่างรอบคอบ แม้เวตโมเดลจะเปิดให้ใช้งานฟรี แต่ฮาร์ดแวร์ที่ต้องใช้รันระบบในระดับ 700GB ถึง 2TB VRAM คิดเป็นงบประมาณการลงทุนโครงสร้างพื้นฐานเซิร์ฟเวอร์เร่งความเร็วการประมวลผลที่สูงมาก การนำไปปรับใช้จริงจึงอาจเริ่มต้นจากการใช้งานผ่านแพลตฟอร์มคลาวด์ที่คิดค่าบริการตามจริง หรือการทดสอบในงานวิเคราะห์เอกสารและมัลติมีเดียที่ต้องการความปลอดภัยของข้อมูลสูงสุดก่อนขยายขอบเขตการใช้งานในภาพรวม
การปล่อยโมเดลระดับ Frontier แบบเปิดเวตพร้อมบริบทระดับ 1 ล้านโทเคน ช่วยให้องค์กรสามารถควบคุมโครงสร้างพื้นฐานและข้อมูลตนเองได้เต็มที่ โดยลดการพึ่งพาโมเดลแบบปิดบนคลาวด์