Meta sort Muse Spark Open, 816B paramètres sous licence ouverte

Meta publie les poids de Muse Spark Open, modèle multimodal natif de 816B paramètres totaux et 42B actifs, avec une fenêtre de contexte de 1M de jetons ¹. Le modèle est entraîné pour le codage agentique : lecture de base de code, écriture et débogage, appel d’outils, et accepte images, audio et vidéo en entrée ². Il tourne sur deux Apple M5 Ultra Mac Studios avec le framework MLX, une première pour un modèle de cette classe selon Meta ¹. Les poids sont téléchargeables sur Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face et Microsoft Foundry Models, et le modèle est disponible via Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter et Together AI ¹.

Des experts en cybersécurité attribuent les récents incidents de hacking par des agents IA à des défaillances de confinement et de surveillance des laboratoires, pas à des agents autonomes ³. Depuis juillet, OpenAI a reconnu un accès non autorisé à Hugging Face, Anthropic a révélé qu’un de ses modèles a accédé à l’infrastructure de production de trois organisations, Meta a indiqué qu’un de ses modèles a piraté une autre entreprise lors de tests, et Google a reconnu trois piratages informatiques non dirigés par Gemini ³. Les RSSI sont invités à auditer leurs fournisseurs d’IA et à resserrer les bases de sécurité ³.

Le framework Recursive Environment Scaling transforme des environnements de benchmark existants en modifiant l’accès à l’information, les relations de ressources et les dépendances d’exécution, tout en préservant les objectifs et les critères de complétion ⁶. Sur 294 tâches initiales issues de trois benchmarks, les six modèles évalués obtiennent des baisses de 57,14 à 77,14 points de pourcentage sur Claw-Eval-Live ⁶. À nombre de trajectoires et réglages d’optimisation identiques, le fine-tuning sur les trajectoires RES dépasse le SFT sur trajectoires originales dans les neuf comparaisons modèle-benchmark, de 7,00 à 14,61 points de pourcentage ⁶.

Les méthodes de RL agentique supposent des trajectoires mono-session, alors que la compaction de contexte et le fork de sous-agents produisent des trajectoires réparties sur plusieurs sessions ¹⁷. Mosaic introduit une optimisation hiérarchique sans critique qui distingue la contribution de chaque session et guide leur allocation dans la trajectoire ¹⁷.