Meta Muse Spark Open 공개: Mac Studio 묶음 실측 속도와 Llama 4와 달라진 라이선스

Meta가 2026년 10월 15일 Muse Spark Open의 가중치를 공개했습니다. 전체 매개변수 8,160억 개 중 토큰마다 420억 개를 쓰는 전문가 혼합(MoE) 모델이고, 문맥 창은 100만 토큰입니다. 텍스트·이미지·영상·오디오를 받아 텍스트로 답합니다. 같은 날 Apple은 이 모델을 M5 Ultra Mac Studio 여러 대로 돌린 측정 결과를 냈습니다. Mac Studio 4대를 묶으면 8,192토큰 문맥에서 초당 36.73토큰으로 답을 씁니다. 다만 65,536토큰 문맥에서는 첫 토큰이 나오기까지 40.6초가 걸립니다. 라이선스는 Llama 4 때의 "월간 사용자 7억 명" 기준을 버리고 "모델을 API로 제공하는 사업을 하면서 계열사 합산 연 매출이 2,000만 달러를 넘는 경우"라는 새 기준을 세웠습니다. 이용 정책에는 18세 미만 이용을 상정하지 않는다는 문장도 들어갔습니다.

이 글에서는 모델을 쓸 수 있는 세 가지 경로, Mac Studio 묶음의 실측 속도, Llama 4와 달라진 라이선스 조건, 공개 점수를 누가 쟀는지, Hacker News 반응, 한국 팀이 따져 볼 점을 다룹니다.

모델을 돌리는 세 가지 경로

Meta 공식 블로그와 Hugging Face 모델 카드에 나온 제공 경로를 직접 정리하면 다음과 같습니다.

가중치를 받는 길에는 문턱이 하나 더 있습니다. Hugging Face 저장소가 수동 승인(gated) 방식이라, 신청서에 법적 이름·생년월일·국가·소속을 적고 라이선스에 동의해야 내려받을 수 있습니다. 자체 GPU 경로의 실행 엔진으로 Meta는 SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp, Unsloth를 듭니다.

모델 크기 때문에 한 대에는 올라가지 않습니다. Apple 설명에 따르면 BF16 원본은 매개변수만으로 1.6TB를 넘고, 4비트 NVFP4 판으로 줄여도 약 493GB입니다. 여기에 추론 중 계산용 메모리가 더해지므로 512GB Mac Studio 1대로는 부족합니다. NVFP4가 점수를 얼마나 잃는지는 Nemotron 3.5 Super VL 글에서 다른 모델로 다룬 적이 있습니다. Muse Spark Open은 NVFP4 판과 BF16 판을 같은 조건에서 비교한 표가 아직 없습니다.

Mac Studio 묶음의 실측 속도

Apple Machine Learning Research가 mlx_lm.benchmark로 잰 표에서 Muse Spark Open 행만 골라 그림 1로 다시 그렸습니다. 측정 조건은 NVFP4 판, M5 Ultra Mac Studio, 문맥 뒤에 128토큰을 생성하는 방식입니다.

답을 쓰는 속도(디코드)는 문맥이 길어져도 거의 줄지 않습니다. 텐서 병렬 4대 기준으로 8,192토큰에서 36.73, 65,536토큰에서 34.66입니다. 차이가 큰 쪽은 첫 토큰까지의 시간(TTFT)입니다. 같은 표에서 골라 정리하면 다음과 같습니다.

텐서 병렬로 2대를 묶으면 긴 문맥에서 오히려 파이프라인 병렬보다 느려집니다. Apple은 전문가 출력을 따로 정규화하는 과정이 통신을 늘리기 때문이라고 설명하고, 4대로 늘리면 이 손해가 회수된다고 적었습니다. 연결 방식도 숫자를 바꿉니다. Apple이 추가로 잰 결과, 4대 구성에서 기기 사이를 Thunderbolt 케이블 1개로 잇자 65,536토큰 TTFT가 약 50.5초였고, 2개로 늘리자 40.6초가 됐습니다. 이 기능은 macOS 26.2의 Thunderbolt RDMA 드라이버와 MLX v0.30.1 이후 버전을 전제로 합니다.

비교 기준으로 호스팅 API 쪽 수치도 있습니다. Artificial Analysis는 API 제공 업체 중앙값 기준 출력 속도를 초당 131토큰으로 잽니다(2026년 10월 17일 확인). 다만 측정 방식과 하드웨어가 달라 그림 1과 같은 축에 놓고 비교할 수는 없습니다.

Llama 4 라이선스와 달라진 조건

Muse Spark Open은 Llama 계열의 Community License가 아니라 새 Muse Model License로 나왔습니다. 두 원문에서 조건을 골라 직접 맞대면 다음과 같습니다.

가장 큰 변화는 기준이 사용자 수에서 사업 형태로 옮겨 갔다는 점입니다. 매출 2,000만 달러 조항은 내부 사용, 연구, 그리고 자사 제품 기능을 돌리는 데 쓰는 경우에는 적용되지 않는다고 원문 3조에 적혀 있습니다. 걸리는 쪽은 이 모델을 그대로 API로 되파는 클라우드·추론 업체입니다. 반대로 표기 의무의 범위는 넓어졌습니다. 라이선스는 이 모델의 출력으로 학습시킨 모델까지 파생물(Derivatives)로 정의합니다. 그래서 Muse Spark Open으로 합성 데이터를 만들어 자체 모델을 학습해도 "Built with Muse Spark Open"을 표시해야 합니다.

공개 점수와 측정 주체

모델 카드는 비슷한 크기의 오픈 웨이트 모델 7개와 비교한 표를 싣습니다. 그 표에서 Intelligence Index가 가장 높은 GLM 5.3, Kimi K3 두 모델과, 강점·약점이 드러나는 항목만 골랐습니다.

종합 지표와 코딩 에이전트 지표에서는 두 모델보다 뒤처집니다. 지식 정확도(AA Omniscience)와 도구 사용(MCP-Atlas)에서는 앞섭니다. Meta는 이 모델을 "코딩과 에이전트 작업용"으로 소개하지만, 코딩 쪽 숫자가 그 소개를 가장 덜 뒷받침합니다.

숫자를 누가 쟀는지는 Meta가 함께 낸 평가 방법 문서에 항목별로 적혀 있습니다. Intelligence Index, Terminal-Bench 2.1, AA Omniscience는 Artificial Analysis에서 가져왔습니다. MCP-Atlas와 HLE-Diamond는 Scale AI 결과입니다. DeepSWE는 Muse Spark Open만 Artificial Analysis 값이고, GLM 5.3과 Kimi K3는 각 회사 자체 발표 값입니다. 하네스도 서로 다릅니다. Artificial Analysis 모델 페이지에서도 Intelligence Index 39점이 확인됩니다. 같은 페이지는 비슷한 크기의 오픈 웨이트 모델과 비교하면 "특히 비싸다(particularly expensive)"고 평가합니다. 기준 가격은 입력 100만 토큰당 1.25달러, 출력 100만 토큰당 4.25달러입니다.

Hacker News에서 나온 지적

Apple 측정 글은 Hacker News에서 300점 넘게 받았고 댓글은 158개가 달렸습니다(2026년 10월 17일 확인). 비판은 측정 조건에 몰렸습니다. 사용자 peri-cl은 "Meta 모델은 4비트로, Qwen은 원래 정밀도인 BF16으로만 쟀다(benchmarking Meta's model at 4-bit, against Qwen only at native BF16)"며 비교가 기울었다고 지적했습니다. 사용자 mrboatshoepants는 첫 그래프가 "8,192토큰 문맥 기준이라 요즘 쓰기엔 턱없이 부족하다(Thats not nearly enough context to be useful these days)"고 썼습니다. 다만 Apple 원문에는 65,536토큰 표도 있으며, 위 표의 40.6초가 그 값입니다.

기대하는 목소리도 있습니다. 사용자 _pdp_는 "Mac Studio가 보조금이 들어간 구독보다 비싸다"고 인정하면서도 "언젠가 이런 모델을 일반 하드웨어에서 돌릴 수 있다는 약속이 반갑다(the promise that one day we can run these models on commodity hardware is exciting)"고 썼습니다. 사용자 comandillos는 "800B 모델이 300B짜리 다른 모델보다 훨씬 못하다(A 800B model that performs way worse than other 300B ones)"고 평가했습니다.

한국 팀이 따져 볼 것

대부분의 한국 팀에게는 호스팅 API가 현실적인 경로로 보입니다. Mac Studio 4대 묶음은 긴 문맥에서 첫 토큰까지 40초가 넘게 걸립니다. 코드 저장소 전체를 문맥에 넣는 코딩 에이전트라면 매 요청마다 그 시간을 기다려야 합니다. Mac Studio 경로가 의미 있는 곳은 소스 코드나 고객 데이터를 외부 API로 보낼 수 없는 팀입니다. 사내망 안에서 프런티어급 오픈 웨이트 모델을 돌리는 선택지가 GPU 서버 말고도 하나 더 생긴 셈입니다.

라이선스에서는 두 가지를 먼저 확인해야 합니다. 첫째, 10대 이용자가 있는 교육·커뮤니티 서비스입니다. 이용 정책이 18세 미만 이용을 상정하지 않는다고 적었고, 모델 카드는 그런 시스템에 넣을 때의 위험 평가와 법령 준수를 배포자 책임으로 둡니다. 둘째, 국내 클라우드나 추론 업체가 이 모델을 API 상품으로 내놓는 경우입니다. 이때는 매출 2,000만 달러 조항이 바로 걸립니다. 자사 앱 기능에 넣기만 하는 스타트업이라면 매출과 관계없이 "Built with Muse Spark Open" 표기와 이용 정책 준수가 주된 의무로 보입니다.

한국어 성능은 따로 시험해야 합니다. 모델 카드는 "100개 이상 언어 데이터로 학습했다"고만 쓰고, 잘 지원하는 언어 목록은 밝히지 않았습니다. 그러면서 "잘 지원하는 언어 밖에서는 성능이 떨어질 수 있다"고 경고합니다.

한계

• 이 글은 모델을 직접 내려받거나 호출하지 않았습니다. 속도는 Apple 측정, 점수는 Meta 모델 카드와 Artificial Analysis 값을 옮기거나 다시 정리한 것입니다.
• Mac Studio 속도는 같은 날 이 모델의 Mac Studio 실행을 함께 알린 Apple이 직접 잰 값입니다. 제3자가 재현한 결과는 아직 찾지 못했습니다.
• Apple 표는 배치 크기 1, 생성 128토큰 조건입니다. 여러 사용자가 동시에 쓰는 서버 환경의 처리량은 이 숫자로 알 수 없습니다.
• 벤치마크 표의 점수는 항목마다 출처(Artificial Analysis, Scale AI, 각 회사 자체 발표)가 다르고, DeepSWE처럼 모델마다 하네스가 다른 항목도 있습니다. Meta가 예고한 전체 평가 보고서는 아직 공개되지 않았습니다.
• 라이선스 비교는 원문을 읽고 정리한 것이며 법률 자문이 아닙니다. 실제 계약 판단은 원문과 법률 검토를 거쳐야 합니다.
• 한국어 성능을 잰 자료는 Meta 자료와 제3자 자료 모두에서 찾지 못했습니다.

출처

• Meta AI Research, Introducing Muse Spark Open, The Most Capable US Open-Weight Model to Date (2026-10-15)
• Hugging Face 모델 카드, meta-models/Muse-Spark-Open-816B-A42B
• Meta, Muse Spark Open Evaluation Methodology (PDF, 2026-10)
• Apple Machine Learning Research, Local and Distributed Large LLM Inference with MLX and RDMA on Mac Studio (2026-10-15)
• Meta, Llama 4 Community License Agreement
• Artificial Analysis, Muse Spark Open (xhigh) 모델 페이지
• Hacker News, Apple ML Research: Muse Spark Open with MLX on Mac Studio