> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/jp/moderu/muse-spark-open.md).

# Meta Muse Spark Open - ローカル実行ガイド

Metaの新しいMuse Spark Openモデルの実行方法を学びましょう。

Muse Spark Open は Meta の新しい **816Bパラメータ** MoEモデル（アクティブ約42.7B）で、マルチモーダルコーディングとエージェント的ワークフロー向けに構築されています。Muse-Spark-Open-**816B-A42B** は **テキスト、画像、動画、音声入力**、テキスト出力、そして **100万トークンのコンテキストウィンドウ**.

このガイドでは、Meta Superintelligence Labs の Muse Spark Open を Unsloth [Dynamic GGUF](https://sites.gitbook.com/preview/site_mXXTe/~/revisions/OKhxydnrrRuNu350geRP/basics/dynamic-3.0-ggufs) を通じて最適なパフォーマンスで実行する方法を解説します。 [Unsloth Desktop](https://sites.gitbook.com/preview/site_mXXTe/~/revisions/OKhxydnrrRuNu350geRP/models/muse-spark-1.2#unsloth-guide) または llama.cpp を使用します。2ビット量子化版は、RAM、VRAM、またはユニファイドメモリが256GBあるデバイスに収まります。Unsloth の初日アクセスを提供してくれた Meta に感謝します。 [**Muse-Spark-Open-816B-A42B-GGUF**](https://huggingface.co/unsloth/Muse-Spark-Open-816B-A42B-GGUF)

### 使用ガイド

Muse Spark Open は、ツール使用とテスト時推論を備えたネイティブなマルチモーダル推論モデルです。Muse Spark Open は、リポジトリ全体の生成、大規模なエンドツーエンドのプロジェクト、自動リサーチを含む長期的なコーディングタスクでも追加学習されています。

この **2ビット** `UD-IQ2_XXS` 量子化版は256GBのRAMに収まり、8ビットでは900GBのRAMが必要です。

#### ハードウェア要件

Muse Spark Open はおよそ **1.63 TB の完全精度 BF16 言語モデル重みを使用します** 実行時オーバーヘッドを除く。Unsloth の Dynamic 量子化は MoE アーキテクチャをサポートし、メモリ要件を削減しながら精度を保つためにモデル固有の量子化方式を使用します。

**表: Muse Spark Open のハードウェア要件** （単位 = 総メモリ: RAM + VRAM、またはユニファイドメモリ）。

| 1ビット       | 2ビット       | 3ビット       | 4ビット   | 6ビット   | 8ビット       |
| ---------- | ---------- | ---------- | ------ | ------ | ---------- |
| 180〜212 GB | 250〜316 GB | 346〜410 GB | 512 GB | 640 GB | 870〜950 GB |

{% hint style="info" %}
目安として、利用可能な総メモリは、ダウンロードする量子化モデルのサイズを少なくとも上回っている必要があります。llama.cpp は、そうでない場合でも RAM の一部やディスクへのオフロードを使えますが、生成は遅くなります。より長いコンテキスト長では追加のメモリも必要です。
{% endhint %}

#### 推奨設定 <a href="#thinking-settings" id="thinking-settings"></a>

Muse Spark Open は推論モデルで、low、medium、high、xhigh の推論レベルをサポートします。

Muse Spark Open の推奨推論パラメータ:

* `temperature = 1.0`
* `top_p = 1.0`
* `top_k = 0 または無効`

**最大コンテキスト長**: `1,048,576`

## Muse Spark Open チュートリアルを実行

量子化されているため **Muse-Spark-Open-816B-A42B** は複数のサイズで提供されるため、モデルの推奨出発点は [**Dynamic**](/docs/jp/ji-chu/dynamic-3.0-ggufs.md) &#x32;**-ビット**。Muse-Spark-Open-816B-A42B[ GGUF](https://huggingface.co/unsloth/Muse-Spark-Open-816B-A42B-GGUF).

<a href="/docs/jp/moderu/muse-glimmer.md#unsloth-guide" class="button primary">🦥 Unslothガイド</a><a href="/pages/067d57b1f49c107349ac8813aa15d6ad13fa98c9#llama.cpp-guide" class="button primary">🦙 Llama.cppガイド</a>

### 🦥 Unslothガイド

Muse Spark Open は、ローカルAI向けの新しいオープンソースデスクトップアプリである Unsloth Desktop で実行およびファインチューニングできるようになりました。Unsloth を使うと、モデルをローカルで **MacOS、Windows**、Linux、そして:

* 検索、ダウンロード、 [GGUFを実行](/docs/jp/shii/studio.md#run-models-locally) および safetensor モデル
* [**自己修復** ツール呼び出し](/docs/jp/shii/studio.md#execute-code--heal-tool-calling) + **ウェブ検索**
* [**コード実行**](/docs/jp/shii/studio.md#run-models-locally) (Python、Bash)
* [自動推論](https://unsloth.ai/docs/desktop#feature-deep-dive) パラメータ調整（temp、top-p など）
* llama.cpp による高速 CPU + GPU 推論
* [LLMを学習](/docs/jp/shii/studio.md#no-code-training) VRAMを70%削減しつつ2倍高速

{% stepper %}
{% step %}

#### **Unsloth のセットアップ**

始める最も簡単な方法は、以下をダウンロードすることです [Unsloth Desktop アプリ](/docs/jp/desktop.md).

<a href="https://unsloth.ai/download" class="button primary" data-icon="down-to-bracket">Unsloth をダウンロード</a>

* <i class="fa-apple">:apple:</i> [macOS 用をダウンロード](https://unsloth.ai/download/mac)
* <i class="fa-windows">:windows:</i> [Windows 用をダウンロード](https://unsloth.ai/download/windows)
* <i class="fa-linux">:linux:</i> [Linux 用をダウンロード](https://unsloth.ai/download/linux)

または、手動でインストールすることもできます:

{% tabs %}
{% tab title="ネイティブインストール" %}
**MacOS、Linux、WSL:**

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

**Windows:**

```powershell
irm https://unsloth.ai/install.ps1 | iex
```

{% endtab %}

{% tab title="Docker" %}
その [UnslothのDockerイメージ](https://hub.docker.com/r/unsloth/unsloth) `unsloth/unsloth` Dockerで利用できます。 [ガイドを読む。](https://unsloth.ai/docs/get-started/install/docker)
{% endtab %}

{% tab title="Homebrew" %}
Unsloth Desktopをインストール:

{% code collapsedlinecount="10" %}

```bash
brew install --cask unsloth
```

{% endcode %}

Unsloth Desktopを更新:

```bash
brew upgrade --cask unsloth
```

{% endtab %}

{% tab title="WinGet" %}
Unsloth Desktopをインストール:

```powershell
winget install --id UnslothAI.Unsloth -e
```

Unsloth Desktopを更新:

```powershell
winget upgrade --id UnslothAI.Unsloth -e
```

{% endtab %}
{% endtabs %}
{% endstep %}

{% step %}

#### Unsloth を起動し、Muse Spark Open を検索してダウンロード

初回起動時は Model hub タブに移動し、検索バーで Muse Spark Open を検索して、希望するモデルと量子化版をダウンロードしてください。
{% endstep %}

{% step %}

#### Muse Spark Open を実行

Unsloth Desktop を使用すると推論パラメータは自動設定されますが、手動で変更することもできます。コンテキスト長、チャットテンプレート、その他の設定も編集できます。GGUF、safetensors、MLX ファイルを実行できます。

詳細は、以下をご覧ください [Unsloth 推論ガイド](/docs/jp/shii/studio/chat.md).

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F2pHPTTp37UsjRmbCAzfM%2Fimage.png?alt=media&amp;token=f0840bf7-e08b-4b73-bdec-24caae22a29d" alt=""><figcaption></figcaption></figure>
{% endstep %}

{% step %}

#### Unsloth API で Muse Spark Open を提供

使用できます `unsloth run` コマンドを使用して、以下を使い API 経由で Muse Spark Open を提供できます `llama-server` 実行フラグには、コンテキストサイズ、GPU レイヤー、スレッディング、サンプリング、ネットワーキング、ツール設定が含まれます。詳細は以下の [API ドキュメント](/docs/jp/ji-chu/api.md) または [unsloth start](/docs/jp/tong-he/unsloth-start.md).

```bash
unsloth run --model unsloth/Muse-Spark-Open-816B-A42B-GGUF:UD-IQ2_XXS
```

{% endstep %}

{% step %}

#### これで Unsloth の準備が整いました

Unsloth Desktop では、Muse Spark Open を使って次のような多くのこともできます:

* **ツールを接続:** [Claude Code](/docs/jp/ji-chu/claude-code.md), [Codex](/docs/jp/ji-chu/codex.md), [ウェブ検索](/docs/jp/shii/studio/chat.md#advanced-web-search), [MCP](/docs/jp/ji-chu/mcp.md) など
* **モデルを学習:** テキスト、diffusion、 [埋め込み](/docs/jp/ji-chu/embedding-finetuning.md)、その他
* **メディアを生成:** 作成・学習 [画像](/docs/jp/ji-chu/diffusion-image.md)、動画、 [TTS](/docs/jp/ji-chu/text-to-speech-tts-fine-tuning.md) ローカルで
  {% endstep %}
  {% endstepper %}

### KLDベンチマーク

私たちは、一般タスクとチャットタスクの両方について、Muse Spark Open GGUF の KLD ベンチマークを実施しました。Muse 向けの UD-3 量子化版では、UD-Q4\_K\_XL が非常に小さい KLD を示しました（低いほど良い）。Q3\_K\_XL もかなり妥当です。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FwQAj1r2xtQU78NJLxAce%2Fmuse_spark_open_816b_kld_vs_disk.png?alt=media&amp;token=2a97b134-0deb-414b-b855-56d25a7fd1d6" alt=""><figcaption></figcaption></figure>

トップ1%の精度を求める場合、一般タスクとチャットタスクの両方でもテストしました。UD-IQ2\_S 未満の量子化版は一般タスクで性能低下があるため、エージェント的タスクに使う最小の量子化版としては通常 UD-IQ2\_S を推奨します。チャット形式のタスクは最小の量子化版でも問題なく動作します。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FwcFg5X5xzxrMiTzzzZIA%2Fmuse_spark_open_816b_top1_vs_disk.png?alt=media&amp;token=3125af4a-4ecd-47eb-8a00-12960c1239b4" alt=""><figcaption></figcaption></figure>

### 🦙 Llama.cppガイド

このガイドでは、Muse-Spark-Open-816B-A42B に Dynamic 2-bit を使用します。参照: [Muse-Spark-Open-816B-A42B GGUF](https://huggingface.co/unsloth/Muse-Spark-Open-816B-A42B-GGUF)

{% stepper %}
{% step %}
llama.cpp の特定バージョンをインストールします。以下のビルド手順に従っても構いません。次を変更してください `-DGGML_CUDA=ON` を `-DGGML_CUDA=OFF` GPU がない場合、または CPU 推論だけを使いたい場合は **Apple Mac / Metal デバイスの場合**、次を設定します `-DGGML_CUDA=OFF` 、その後は通常どおり続行してください - Metal サポートはデフォルトで有効です。\
\
注意 <https://github.com/ggml-org/llama.cpp/pull/30616> は main からのビルドを機能させるためにマージされている必要があります - そうでない場合は、以下の事前ビルド版を利用してください <https://github.com/unslothai/llama.cpp>

```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \\
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

{% endstep %}

{% step %}
モデルを実行するには、次のようにします:

{% code overflow="wrap" %}

```bash
pip install -U "huggingface_hub[cli]"
hf download unsloth/Muse-Spark-Open-816B-A42B-GGUF \\
    --local-dir unsloth/Muse-Spark-Open-816B-A42B-GGUF \\
    --include "*UD-IQ2_XXS*" # 2ビットの場合は "*IQ2_XXS*" を使用
```

{% endcode %}
{% endstep %}

{% step %}
次に実行します:

{% code overflow="wrap" %}

```bash
./llama.cpp/llama-cli \\
    --model unsloth/Muse-Spark-Open-816B-A42B-GGUF/UD-IQ2_XXS/Muse-Spark-Open-816B-A42B-UD-IQ2_XXS-00001-of-00006.gguf \\
    --temp 1.0 \\
    --top-p 1.0 \\
    --top-k 64
```

{% endcode %}
{% endstep %}
{% endstepper %}

### 公式ベンチマーク

Meta は、Muse Spark Open を同規模・同アーキテクチャの他の主要なオープンウェイトモデルと比較しています。Muse Spark Open では、各ベンチマークにおいて xhigh 推論が有効で、temperature = 1.0、top\_p=1.0、top\_k=無効に設定されています。

<table><thead><tr><th width="177.9913330078125" align="center">ベンチマーク</th><th>Muse Spark Open（xhigh）</th><th>Inkling（xhigh）</th><th>Nemotron 3 Ultra（think）</th><th>Beam</th><th>Mistral Large 4</th><th>Qwen3.8-2.4T-A95B（xhigh）</th><th>GLM 5.3（max）</th><th>Kimi K3（max）</th></tr></thead><tbody><tr><td align="center"><strong>一般</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>エージェント的</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>JobBench</strong></td><td><strong>61.8</strong></td><td>31.1</td><td>27.2</td><td>-</td><td>-</td><td>52.7</td><td>61.4</td><td>54.3</td></tr><tr><td align="center"><strong>MCP-Atlas</strong></td><td><strong>89.2</strong></td><td>76.0</td><td>63.1</td><td>78.7</td><td>-</td><td>84.5</td><td>84.2</td><td>82.3</td></tr><tr><td align="center"><strong>GDPVal-AA v2</strong></td><td>1401</td><td>1079</td><td>1016</td><td>-</td><td>1424</td><td>1613</td><td><strong>1653</strong></td><td>1537</td></tr><tr><td align="center"><strong>Artificial Analysis Intelligence Index</strong></td><td>39</td><td>26</td><td>23</td><td>-</td><td>38</td><td>40</td><td><strong>45</strong></td><td>44</td></tr><tr><td align="center"><strong>OSWorld Verified</strong></td><td>80.4</td><td>40.1</td><td>-</td><td><strong>-</strong></td><td>-</td><td>-</td><td>-</td><td><strong>84.8</strong></td></tr><tr><td align="center"><strong>Toolathlon Verified</strong></td><td>72.8</td><td>45.5</td><td>34.3</td><td><strong>-</strong></td><td>-</td><td>72.5</td><td>73.0</td><td><strong>76.5</strong></td></tr><tr><td align="center"><strong>知識と推論</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>HLE-Diamond（ツールなし）</strong></td><td><strong>26.1</strong></td><td>11.2</td><td>8.9</td><td>-</td><td>-</td><td>17.3</td><td>16.4</td><td>22.2</td></tr><tr><td align="center"><strong>AA Omniscience</strong></td><td><strong>25</strong></td><td>2</td><td>0</td><td>13</td><td>-5</td><td>4</td><td>14</td><td>20</td></tr><tr><td align="center"><strong>SciCode</strong></td><td>58.5</td><td>47.0</td><td>40.3</td><td>49.7</td><td>54.2</td><td>54.1</td><td>59.0</td><td><strong>59.5</strong></td></tr><tr><td align="center"><strong>HLE（ツールあり）</strong></td><td>61.0</td><td>46.0</td><td>37.4</td><td>51.2</td><td>-</td><td>56.2</td><td><strong>62.5</strong></td><td>56.0</td></tr><tr><td align="center"><strong>GPQA Diamond</strong></td><td>89.0</td><td>87.2</td><td>86.7</td><td>90.5</td><td>-</td><td><strong>93.5</strong></td><td>91.7</td><td><strong>93.5</strong></td></tr><tr><td align="center"><strong>コーディング</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>DeepSWE 1.1</strong> 推奨ハーネス</td><td>60</td><td>-</td><td>-</td><td>44</td><td>62</td><td>57</td><td>67</td><td><strong>68</strong></td></tr><tr><td align="center"><strong>SWE-Atlas-QnA</strong> 推奨ハーネス</td><td>58</td><td>-</td><td>-</td><td>35</td><td>59</td><td>62</td><td>59</td><td><strong>66</strong></td></tr><tr><td align="center"><strong>Terminal-Bench 2.1</strong> Terminus 2 エージェント</td><td>76.4</td><td>55.1</td><td>53.9</td><td>80.1</td><td>-</td><td>82.0</td><td>83.9</td><td><strong>85.0</strong></td></tr><tr><td align="center"><strong>マルチモーダル</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>ZeroBench（ツールあり）</strong></td><td><strong>50.0</strong></td><td>14.0</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td>41.0</td></tr><tr><td align="center"><strong>BabyVision（ツールあり）</strong></td><td>80.2</td><td>34.2</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td><strong>85.7</strong></td></tr><tr><td align="center"><strong>SimpleVQA（ツールあり）</strong></td><td><strong>73.6</strong></td><td>52.3</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td>71.9</td></tr><tr><td align="center"><strong>WorldVQA（ツールあり）</strong></td><td>49.4</td><td>18.0</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td><strong>51.0</strong></td></tr><tr><td align="center"><strong>IntPhys2</strong></td><td><strong>68.3</strong></td><td>55.2</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td>60.3</td></tr><tr><td align="center"><strong>VideoMMEv2</strong></td><td>61.5</td><td>36.9</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td><td><strong>65.4</strong></td></tr><tr><td align="center"><strong>安全性</strong></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td align="center"><strong>FORTRESS 敵対的（静的）</strong> 低いほど良い</td><td>ARS: 5.8 ORS: 17.4</td><td>ARS: 25.0 ORS: 7.4</td><td>ARS: 26.4 ORS: 13.3</td><td>-</td><td>-</td><td>ARS: 21.6 ORS: 12.8</td><td>ARS: 28.2 ORS: 3.2</td><td>ARS: 26.7 ORS: 2.7</td></tr><tr><td align="center"><strong>StrongREJECT v2（適応的）</strong> 低いほど良い</td><td><strong>0.5</strong></td><td>86.4</td><td>80.7</td><td>-</td><td>-</td><td>65.6</td><td>62.9</td><td>66.6</td></tr></tbody></table>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://unsloth.ai/docs/jp/moderu/muse-spark-open.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.