---
title: "Muse Sparkとは？1.3の性能・API料金とMuse Spark OpenをOllama・SageMakerで動かす条件【2026年10月】"
url: "https://www.issoh.co.jp/tech/details/11719/"
published: 2026-04-09
updated: 2026-10-24
categories: ["LLM・RAG"]
publisher: "株式会社一創"
---

# Muse Sparkとは？1.3の性能・API料金とMuse Spark OpenをOllama・SageMakerで動かす条件【2026年10月】

Muse Spark（ミューズ・スパーク）は、MetaのMeta Superintelligence Labs（MSL）が開発する大規模言語モデルです。2026年4月8日の初代から半年で1.1・1.2・1.3と版を重ね、2026年10月24日時点の最新はMuse Spark 1.3（9月2日公開）です。開発者は有料のMeta Model APIから入力100万トークン1.25ドルで呼び出せます。さらに10月15日には重みを公開した「Muse Spark Open」（総パラメータ816B）が出て、「ローカルでは動かない」という4月以来の前提が崩れました。同じ日にAmazon SageMaker JumpStartでも提供が始まり、自社のAWSアカウント内に推論エンドポイントを立てる道もできています。ただし手元で動かすのに必要なメモリは2ビット量子化でも300GB前後です。本記事では、1.3の公式ベンチ、API料金、Claude CodeやOpenRouterからの呼び出し方、Muse Spark OpenをOllama・llama.cpp・Hugging Face・SageMaker JumpStartで動かす条件を一次情報で整理します。

## まとめ：Muse Sparkの現在地（2026年10月24日時点）

| 項目                  | 現在の事実                  |
| ------------------- | ---------------------- |
| 最新版                 | Muse Spark 1.3         |
| API料金（Standard）     | 入力$1.25／出力$4.25        |
| API料金（Contributor）  | 入力$0.10／出力$0.20        |
| コンテキスト長             | 1,048,576トークン          |
| 呼び出し口               | Meta Model APIほか       |
| 重み（API版1.1〜1.3）     | 非公開                    |
| 重み（Muse Spark Open） | 816B（アクティブ42B）         |
| ローカル実行              | Open：2ビットで約300GB       |
| Ollama              | クラウド実行のみ               |
| SageMaker JumpStart | Open：米国東部2リージョン        |
| チャット                | Meta AIアプリ・meta.ai（無料） |

最新版の公開日は2026年9月2日で、1.4は未発表です。Standardの料金は100万トークンあたりの額で、キャッシュ入力は$0.15です。Contributorでは入出力がMetaの学習に使われます。呼び出し口はMeta Model API・Muse Code・OpenRouterです。Muse Spark Openの重みは2026年10月15日公開です。ローカル実行はMuse Spark Openなら可能で、表の約300GBは必要メモリを示します。Ollamaの公式ライブラリは `muse-spark-open:cloud` のみで、クラウド実行です。SageMaker JumpStartが提供するのはMuse Spark Openで、表のリージョンは提供開始時の範囲です。

選び方の結論です。**APIで使うなら1.3、社外にデータを出せない案件なら自社環境で動かすMuse Spark Openが候補です。**Open版のローカル実行には2ビット量子化でも約300GBのメモリが要るため、一般的なPCで試すならAPIを使います。AWSの自社アカウント内で動かすならSageMaker JumpStartが最短経路ですが、GPUインスタンスは起動している間ずっと時間課金が続き、提供リージョンも10月24日時点で米国東部に限られます。

## Muse Sparkの読み方と初代から現行版までの公開日・変更点

### Muse Sparkの読み方とMuseファミリー内で担当する処理の位置づけ

読み方は「ミューズ・スパーク」です。MuseはMSLのモデルファミリー名で、[Meta開発者ドキュメントのモデル一覧](https://dev.meta.ai/docs/models)には、Muse Wonder（最上位・プレビュー）、Muse Spark、Muse Image（画像生成）、Muse Voice Transcribe（文字起こし）、SAM 3.1（セグメンテーション）がAPI提供モデルとして並び、自前で動かすオープンウェイトとしてMuse GlimmerとMuse Spark Openが載っています。Muse Sparkはエージェント処理とコーディング向けの汎用モデルで、より難しい長時間のコーディングは上位の[Muse Wonderの料金とMuse Sparkとの使い分け](/tech/details/18344/)で扱っています。社内コード名「Avocado」との関係は[Meta Avocadoの正体とLlama 4からの転換](/tech/details/11374/)にまとめました。

### Muse Sparkの初代から1.3までの公開日と各バージョンの変更点

| 版               | 公開日         | 主な変化                       |
| --------------- | ----------- | -------------------------- |
| 初代              | 2026年4月8日   | Meta AIアプリで提供              |
| 1.1             | 2026年7月9日   | Meta Model API開始           |
| 1.2             | 2026年8月5日   | コーディング強化・Muse Codeと同時公開    |
| 1.3             | 2026年9月2日   | 長い指示の順守を改善・推論の強さ `max` に対応 |
| Muse Spark Open | 2026年10月15日 | 重みを公開した別チェックポイント           |

初代のAPI提供先は一部パートナーのみです。1.1では有料のMeta Model APIが始まり、文脈長が100万トークンになりました。

[Muse Spark 1.3の公式発表](https://research.meta.ai/blog/introducing-muse-spark-1-3)によると、Metaのエンジニアが1.2と比べた社内評価で、同じ作業を約20%少ないツール呼び出し・約25%少ないトークンで終えています。APIでは3つの版がすべて選べ、モデルIDは `muse-spark-1.3`・`muse-spark-1.2`・`muse-spark-1.1` です。ドキュメントは1.3を「新規の作業に推奨」としています。注意点が1つあり、1.3の音声入力は「完全にはサポートされていない」と明記されているため、音声を含む処理は1.2か専用のMuse Voice Transcribeを使うよう案内されています。「muse spark 1.4」で検索されることがありますが、10月24日時点でMetaの発表もドキュメントの記載もありません。

## Muse Spark 1.3の性能：公式ベンチで勝つ領域と負ける領域

[Muse Spark 1.3の製品ページ](https://dev.meta.ai/models/muse-spark)が、1.2・GPT-5.6 Sol・Claude Opus 5との比較を公表しています。いずれもMetaが測った値で、推論の強さは1.3がmax、1.2がxhighです。

| ベンチマーク                 | 1.3  | 1.2  | GPT-5.6 Sol | Opus 5 |
| ---------------------- | ---- | ---- | ----------- | ------ |
| GDPVal-AA v2（知識労働）     | 1754 | 1615 | 1710        | 1824   |
| JobBench（業務ツール）        | 64.9 | 61.6 | 45.4        | 65.7   |
| DeepSearchQA（ブラウズ）     | 90.3 | 85.9 | 93.1        | 90.4   |
| MRCR 512K〜1M（長文脈）      | 98.1 | 55.5 | 73.8        | ―      |
| DeepSWE v1.1（長期コーディング） | 75.4 | 55.0 | 73.0        | 74.0   |
| Terminal-Bench 2.1     | 88.8 | 82.9 | 88.8        | 86.7   |

差がはっきり出ているのは長文脈です。長い入力の中から指定された箇所を正確に取り出せるかを測るMRCR（512K〜1Mトークン）で1.3は98.1を記録し、GPT-5.6 Sol（73.8）を24.3ポイント上回ります。1.1の時点では長期のコーディングが弱点でしたが、1.3のDeepSWEは1.2の55.0から75.4へ上がり、GPT-5.6 Sol（73.0）・Opus 5（74.0）と並びました。一方、知識労働のGDPVal-AA（1754対1824）とJobBench（64.9対65.7）はOpus 5が上回ります。

この表から言えるのは、**100万トークン近い入力から指定情報を取り出す用途では、1.3を優先的に評価する価値がある**ということです。コーディングは「他社の上位モデルと横並び」までで、乗り換えの決め手にはなりません。数値はMetaの自社計測で、第三者の再現は限られる点も差し引いて読んでください。

## Muse Spark APIの料金と学習利用条件・レート制限の確認

### Standard modeとContributor modeの単価

Meta Model APIは、入出力を学習に使わないStandard modeと、学習に使う代わりに安いContributor modeの2つに分かれます。切り替えはモデルIDで行い、`muse-spark-1.3-contributor` を指定するとContributor modeになります（[Meta Model APIの料金とレート制限](https://dev.meta.ai/docs/pricing-rate-limits)）。

| 100万トークンあたり | Standard    | Contributor |
| ----------- | ----------- | ----------- |
| 入力          | $1.25       | $0.10       |
| キャッシュ入力     | $0.15       | $0.002      |
| 出力          | $4.25       | $0.20       |
| 対象の版        | 1.3・1.2・1.1 | 1.3・1.2     |

Contributorは出力が約21分の1になりますが、送ったプロンプト・コード・ファイルと返ってきた応答が将来のMetaモデルの学習に使われます。顧客データや社外秘のコードを扱う業務ではStandardを選んでください。公開データを使い、Metaによる学習利用を許容できる検証ではContributorが候補です。ただし1.3 Contributorは推論強度maxに対応せず、負荷試験では後述のレート制限も条件になります。長文脈の割増しは無く、100万トークン近くまで入れても同じ単価です。

### Muse Spark APIのモード別レート制限とWeb検索の追加料金

レート制限はAPIキー単位ではなくチーム単位で数えます。`muse-spark-1.3` は毎分3,000リクエスト・400万トークン、Contributor版は毎分150リクエスト・300万トークンです。Contributor版はリクエスト数の上限が20分の1なので、並列で大量に投げる処理には向きません。Web検索ツール（`web_search`）を使うと、トークン代とは別に検索1,000回あたり2.50ドルがかかります。

## Muse SparkのAPI・CLI・OpenRouter接続設定

### OpenAI SDKによるMuse Sparkへの初回リクエスト

Meta Model APIはOpenAIのChat Completions・Responses API、AnthropicのMessages APIの3形式に対応する仕様です。既存のOpenAI SDKコードでは、APIキー・接続先URL・モデルIDはMeta用への変更が必要です。初めて実行する場合は、先に `python -m pip install openai` でSDKを導入し、環境変数 `MODEL_API_KEY` に発行したキーを設定します。APIキーは [dev.meta.ai](https://dev.meta.ai/) で開発者アカウントを作って発行します。

```
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MODEL_API_KEY"],
    base_url="https://api.meta.ai/v1",
)
resp = client.chat.completions.create(
    model="muse-spark-1.3",
    messages=[{"role": "user", "content": "APIとは何かを日本語で3点にまとめて説明して"}],
)
print(resp.choices[0].message.content)
```

### Claude Code・OpenCodeからMuse Sparkを呼ぶ接続先設定

Meta専用のCLIとしては純正のコーディングエージェント[Meta Muse Code](/tech/details/16218/)があり、1.2と1.3が載っています。手持ちのClaude Codeから使う場合は、[Meta公式のコーディングエージェント設定ガイド](https://dev.meta.ai/docs/coding-agents)に従って環境変数を設定します。

```
export ANTHROPIC_BASE_URL="https://api.meta.ai"
export ANTHROPIC_AUTH_TOKEN="$MODEL_API_KEY"
export ANTHROPIC_MODEL="muse-spark-1.3"
export ANTHROPIC_DEFAULT_OPUS_MODEL="muse-spark-1.3"
export ANTHROPIC_DEFAULT_SONNET_MODEL="muse-spark-1.3"
export ANTHROPIC_DEFAULT_HAIKU_MODEL="muse-spark-1.3"
export CLAUDE_CODE_SUBAGENT_MODEL="muse-spark-1.3"
export ENABLE_TOOL_SEARCH="true"
```

Metaの設定例はメインのループに上位の `muse-wonder-1.0` を、サブエージェントに `muse-spark-1.3` を割り当てています。上の例はすべてをMuse Sparkにした構成です。間違えやすい点が2つあります。Claude Codeの接続先は `https://api.meta.ai` で、末尾に `/v1` を付けません（Claude Codeが `/v1/messages` を足すため）。キーは `ANTHROPIC_API_KEY` ではなく `ANTHROPIC_AUTH_TOKEN` に入れます。前者は `x-api-key` ヘッダーで送られ、Bearer認証のMeta Model APIでは通りません。opus・sonnet・haikuの別名とサブエージェント用もMetaのモデルIDに設定してください。未設定の経路では、Meta Model APIが提供していないClaudeのモデル名を要求し、エラーになる可能性があります。[OpenCode](/tech/details/10369/)は `opencode.json` にプロバイダーを追加し、`baseURL` に `https://api.meta.ai/v1` を指定します。

### OpenRouter・AWS・AzureからMuse Sparkを利用する経路

7月時点では掲載が無かったOpenRouterにも、現在は `meta/muse-spark-1.1`〜`meta/muse-spark-1.3` とContributor版、`meta/muse-spark-open` が並んでいます（OpenRouterのモデル一覧APIで10月22日に確認）。単価はMeta Model APIと同じで、複数社のモデルを1つのキーで切り替えたい場合に向きます。

AWSやAzureの上で自社管理したい場合は、Muse Spark Openの重みを使います。Metaが公開時の入手先として挙げているのは、Hugging Faceに加えAmazon SageMaker AI・Google Cloud Model Garden・Microsoft Foundry Modelsです。このうちAWSのSageMaker JumpStartは、ライセンス同意からエンドポイント作成までを画面かPython SDKで済ませられる経路で、手順と費用は後半の章で詳しく扱います。

## Muse Spark Openをローカル・Ollamaで動かす条件

### Muse Spark Openの公開された仕様と重みが非公開のAPI版との違い

Metaは2026年10月15日の[Muse Spark Openの公開発表](https://research.meta.ai/blog/muse-spark-open)で、これを「米国のオープンウェイトモデルとして現時点で最も高性能」と位置づけています。[Hugging FaceのMuse Spark Openモデルカード](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B)によると、総パラメータ816B・アクティブ42BのMixture-of-Expertsで、256のエキスパートからトークンごとに8つを選びます。入力はテキスト・画像・動画・音声、出力はテキスト、コンテキストは推論時100万トークンです。単体で使われる前提で安全性の追加学習を施した版と説明されています。

同日に出た[Hugging Faceの公開解説ブログ](https://huggingface.co/blog/meta-muse-spark-open)は、内部構造をもう一段細かく書いています。言語モデル部分は62層・隠れ次元8192で、パラメータの約97%をエキスパートが占めます。8月に出た30Bの小型モデルMuse Glimmerとトークナイザーと語彙が共通で、チャットテンプレートもGlimmerの形式に音声・動画の記号を足したものです。画像と動画は1.8Bの視覚エンコーダー、音声は80ミリ秒ごとに1トークンを出す音声エンコーダーを通ります。10秒の音声なら入力は125トークンになる計算です。

API版1.3と同じ性能ではありません。モデルカードの公表値はDeepSWE 1.1が60、Terminal-Bench 2.1が76.4で、1.3製品ページの75.4・88.8を下回ります（測定条件が同一とは書かれていません）。比較相手もGLM 5.3やKimi K3などのオープンウェイトモデルで、Artificial Analysis Intelligence Indexは39とGLM 5.3（45）・Kimi K3（44）に届いていません。**「API版と同じものを手元で動かせる」と考えて選ぶと期待を外します。**同じく大型MoEのオープンウェイトである[Kimi K3の性能と料金](/tech/details/15288/)と並べて、手元の業務データで比べてから決めるのが安全です。

### Muse Spark Openの量子化形式別メモリ・GPU要件

MoEは計算量こそアクティブ42B分ですが、推論中は816B分の重みをすべてメモリに載せる必要があります。[Meta公式の推論手順](https://dev.meta.ai/docs/muse-spark-open/deploy)とモデルカードの目安は次のとおりです。

| 形式         | 必要メモリの目安            | 想定構成                 |
| ---------- | ------------------- | -------------------- |
| BF16       | 重み約1.65TB／VRAM約2TB  | B300×8               |
| NVFP4      | 重み約537GB／VRAM約700GB | B300×4               |
| GGUF 4ビット  | 470〜500GB           | RAM＋VRAMの合計          |
| GGUF 2ビット  | 300〜315GB           | RAM＋VRAMの合計          |
| MLX（NVFP4） | 512GB×2台            | Mac Studio（M5 Ultra） |

最も小さい2ビットのGGUFでも、システムRAMとVRAMの合計（Apple siliconなら統合メモリ）で約300GBが必要です。GGUFという形式そのものの仕組みは[GGUFの仕組みとGPTQ・AWQとの違い](/tech/details/13788/)で解説しています。[Metaの開発者ブログ](https://dev.meta.ai/resources/blog/build-with-muse-spark-open)はこれを「GPUクラスタではなく1台のワークステーションで動かす」方法として案内していますが、128GBの[DGX Spark](/tech/details/9498/)1台や一般的なゲーミングPCには載りません。NVFP4をMLXで動かす場合、MetaはM5 Ultra・512GBのMac Studioを2台、または256GBを4台つなぐ構成を案内しています。GGUFをllama.cppで動かす場合とは異なる必要構成です。メモリが足りずディスクへのスワップが起きると生成が極端に遅くなる、とドキュメントも注意しています。数十GBのPCで動くローカルLLMを探しているなら、[ローカルLLMの必要スペックとOllamaでの構築手順](/column/details/12964/)で扱っている小型モデルのほうが現実的です。

### Ollama・llama.cpp・Hugging Faceでの入手と起動

Ollamaの公式ライブラリにある `muse-spark-open` は、10月24日時点でも `:cloud` タグ1つだけです。`ollama run muse-spark-open:cloud` はOllamaのクラウドで推論し、料金は入力$1.25・出力$4.25（100万トークン）と表示されています。手元のGPUで動くわけではありません。ローカル実行にはMetaが案内するllama.cppやUnslothのGGUFを使います。次の例の `llama serve` は公式手順でllama CLIを導入してから実行します。`hf download` にはHugging Face CLIの導入と、承認済みアカウントのトークンによる認証も必要です。

```
# llama.cpp：ggml-org配布のGGUF（Q2_K・Q4_K_S・Q8_0）を取得して起動
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K

# Hugging Face：利用申請が承認された後にNVFP4版を取得（約537GB）
hf download meta-models/Muse-Spark-Open-816B-A42B-NVFP4 --local-dir ./muse-spark-open-nvfp4
```

Hugging FaceのMeta公式リポジトリは手動承認制（gated）で、ライセンスに同意して申請しないとファイルを取得できません。Hugging Face自体の料金やアカウントの作り方は[Hugging Faceでできることと料金](/tech/details/6108/)を参照してください。サーバー用途ではSGLang・vLLM・TensorRT-LLMがOpenAI互換のHTTPを提供します。GPUを用意しない場合はTogether AI・Fireworks AI・Basetenなどのホスティング事業者が同じ重みを提供しています。

### 推論の強さ・KVキャッシュとApple siliconでの実測速度

Hugging Faceのブログには、自分で動かす前に知っておきたい制約が3つ書かれています。1つ目は、**Muse Spark Openは推論（思考）を切れない**ことです。推論の強さはlow・medium・high・xhighの4段階で、既定はxhighです。簡単な質問に毎回長い推論を挟むとトークンと待ち時間が増えるため、軽い処理ではlowを指定するよう案内されています。

2つ目はKVキャッシュの大きさです。1トークンごとに126,976個の値がキャッシュに積まれ、BF16では1トークン約250KB、100万トークンを使い切ると約266GBになります。重みとは別にこの容量が要るので、「100万トークン対応」を手元で本当に使うには、上の表の重みの目安にさらに数百GBを足して見積もります。vLLMの参考構成がサーバーの文脈長を131,072トークンに絞っているのも、このメモリ事情によるものです。

3つ目は速度の実測値です。Hugging Faceのチームが512GBのMac（M3 Ultra）で試したところ、imatrix補正済みの2ビット量子化はllama.cppで毎秒18トークン、モデルが使うメモリは304GBでした。MLX向けの3ビット量子化（oQ3e）は約344GBを使い、生成が毎秒約21トークンです。対話で読むには足りる速さですが、エージェントに長い作業を何本も並べて走らせる用途には1台では足りません。

### Hugging Face Inference EndpointsとTRLでの微調整

手元にGPUを置かずに専有環境で動かす方法として、Hugging Face Inference Endpointsにも検証済みの構成が用意されています。NVFP4版をSGLangで動かす構成で、RTX Pro 6000（98GB）×8なら文脈長131,072トークン、H200（141GB）×8なら利用可能な文脈長は1,048,576トークンです。`hf endpoints catalog deploy --repo meta-models/Muse-Spark-Open-816B-A42B-NVFP4 --name muse-spark` の1行で作成でき、Chat Completions（`/v1/chat/completions`）とResponses API（`/v1/responses`）のOpenAI互換口が開きます。

自社データでの微調整も公開されています。[TRLのMuse Spark Open用サンプル](https://github.com/huggingface/trl/tree/main/examples/sft%5Fmuse%5Fspark%5Fopen)は、注意機構の4つの射影だけにLoRAを掛け、256のエキスパートは凍結したまま学習します。Hugging Faceの実行例はH100を8台×8ノード（計64基）使い、500ステップに約2時間でした。社内の文体やコード規約に寄せたい場合でも、学習側に64基規模のGPUが要る点は見積もりの前提に入れてください。

### Muse Model Licenseで自社製品への組み込み前に確認する3条件

Muse Spark OpenはApache 2.0ではなく、独自の[Muse Model License](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md)です。改変・ファインチューニング・蒸留・再配布・販売は認められていますが、自社製品に組み込む前に次の3点を確認してください。

- モデルや派生モデルを使う製品のUIか説明文・設定画面に「Built with Muse Spark Open」と表示する
- APIなどでAIモデルを第三者に提供する事業（Model as a Service）で、ライセンシーとその関連会社の合計総収入が任意の連続12か月間で2,000万米ドル相当を超える場合は、その事業で本モデルまたは派生モデルを提供する前にMetaへの通知と書面による別契約が必要
- 利用ポリシー（Usage Policy）に従い、ソフトウェアおよび派生モデルの複製物または重要部分には著作権表示・ライセンス・利用ポリシーを同梱する。18歳未満の利用は想定されていない

2つ目は、社内利用や、自社サービスの一機能として組み込むだけなら対象外と明記されています。影響を受けるのは推論APIそのものを売る事業者です。Llama 3系の「月間アクティブユーザー7億人超は別途申請」とは基準が違うため、Llamaの社内審査をそのまま流用しないでください。

## Muse Spark OpenをSageMaker JumpStartへデプロイする手順

### SageMaker JumpStartの提供バリアントとインスタンス・リージョン条件

AWSは2026年10月15日の[SageMaker JumpStartでの提供開始の発表](https://aws.amazon.com/blogs/machine-learning/metas-muse-spark-open-now-available-in-amazon-sagemaker-jumpstart/)で、Muse Spark Openを自分のAWSアカウント内のSageMaker AIエンドポイントへ数ステップで置けると説明しています。ソースコードやプロンプトは自社で設定した基盤の上で処理され、エンドポイントを自社のVPCにつなぐ、ストレージをAWS KMSの鍵で暗号化する、コンテナのネットワークを隔離する、といった設定も選べます。モデルの版も固定でき、自分で再デプロイしない限り中身は変わりません。条件は次のとおりです。

| 項目         | BF16版               | NVFP4版          |
| ---------- | ------------------- | --------------- |
| インスタンス     | ml.p6-b300.48xlarge | ml.p5e.48xlarge |
| リージョン（開始時） | 米国東部（バージニア北部・オハイオ）  | 同左              |
| デプロイ所要時間   | 15〜20分              | 15〜20分          |

JumpStart上のモデルIDは、BF16版が `meta-vlm-muse-spark-open-816b-a42b`、NVFP4版が末尾に `-nvfp4` を付けた `meta-vlm-muse-spark-open-816b-a42b-nvfp4` です。AWSはコストを抑えて試すならNVFP4版から評価するよう勧めています。NVFP4は重みのメモリがBF16の約4分の1で済むためです。どちらも複数GPUのインスタンスで、事前にサービスクォータ（エンドポイント用の上限）の引き上げ申請が要る場合があります。東京リージョンは開始時の提供先に入っていません。**「自社アカウント内で処理する」ことと「国内で処理する」ことは別**で、データを国外へ出せない案件では、この時点のJumpStartは要件を満たしません。他のリージョンの状況は、各リージョンのJumpStart画面で確かめるよう案内されています。

### SageMaker Python SDK v3でのデプロイと推論リクエスト

SageMaker Studioの画面からでも、JumpStartで「Muse Spark Open」を検索してモデルカードからDeployを押せば作れます。ゲート付きモデルなので、途中で表示される利用許諾（EULA）への同意が必要です。コードで管理したい場合はPython 3.10以上とSageMaker Python SDK v3（`pip install --upgrade sagemaker`）を使います。SDK v3はv2から書き方が変わっているので、移行の注意点は[SageMaker JumpStartの使い方とSDK v3移行](/tech/details/2792/)も参照してください。次の例はAWSの発表にある手順をそのまま並べたもので、SageMaker Studio以外で動かすときは `role_arn` にSageMaker AIの実行ロールを渡します。

```
import json
from sagemaker.core.jumpstart.configs import JumpStartConfig
from sagemaker.serve import ModelBuilder
from sagemaker.train.configs import Compute

# NVFP4版。BF16版は "meta-vlm-muse-spark-open-816b-a42b" と ml.p6-b300.48xlarge を指定
jumpstart_config = JumpStartConfig(
    model_id="meta-vlm-muse-spark-open-816b-a42b-nvfp4",
    accept_eula=True,  # Metaのライセンスに同意したことを示す
)
model_builder = ModelBuilder.from_jumpstart_config(
    jumpstart_config=jumpstart_config,
    compute=Compute(instance_type="ml.p5e.48xlarge"),
)
model = model_builder.build(model_name="muse-spark-open-nvfp4")
endpoint = model_builder.deploy(endpoint_name="muse-spark-open-nvfp4")

payload = {
    "messages": [{"role": "user", "content": "ISO 8601の日付を検証するPython関数とpytestのテストを書いて"}],
    "max_tokens": 4096,
}
response = endpoint.invoke(body=json.dumps(payload), content_type="application/json")
message = json.loads(response.body.read().decode("utf-8"))["choices"][0]["message"]
print(message.get("reasoning_content"))
print(message["content"])
```

エンドポイントはOpenAI互換のチャット形式を受け付け、最終回答は `content`、推論の過程は `reasoning_content` に分かれて返ります。推論を切れないモデルなので、`max_tokens` は推論と回答の両方が収まる値にしておかないと、回答の途中で打ち切られるため注意が必要です。ストリーミングで受け取るときは本文に `"stream": true` を足し、`invoke_with_response_stream` を呼びます。

### SageMakerの時間課金とHugging Face Endpointsとの比較

SageMaker AIのリアルタイムエンドポイントは、リクエストが来ていない時間も起動している限り課金されます。AWSのPrice List API（2026年10月23日公開分）では、米国東部（バージニア北部）のBF16版用ml.p6-b300.48xlargeのホスティング単価は毎時163.7784ドルで、730時間つけっぱなしにすると約11.96万ドルです。NVFP4版用ml.p5e.48xlargeのホスティング単価は同APIの米国東部2リージョンに掲載が無かったため、[SageMaker AIの料金ページ](https://aws.amazon.com/sagemaker/ai/pricing/)で確認してください。検証が終わったら、SDKで作った場合はモデル・エンドポイント・エンドポイント設定の3つを削除します。消し忘れが最大の費用リスクです。

SageMaker JumpStartとHugging Face Inference Endpointsの使い分けは、データの置き場所で決めます。社内のAWS環境（VPC・KMS・IAM）の内側で処理し、監査の記録もAWSにまとめたいならSageMaker JumpStart、AWSに縛られずに短期間の検証で試したいならInference Endpointsが手早く試せる選択肢です。どちらもGPUを数百GB単位で占有するため、月に数億トークン程度の利用量であれば、Meta Model APIの従量課金のほうが総額は小さくなります。Standard modeで出力を1億トークン生成しても425ドルで、ml.p6-b300.48xlargeの3時間分にも届きません。

## Meta AIアプリ・Web版での使い方と日本で確認したい提供状況

### Meta AIアプリ・Web版へのログイン方法と無料チャットの利用条件

APIを使わずに試すなら、Meta AIアプリかWeb版のmeta.aiにFacebookまたはInstagramのアカウントでログインします。チャット利用は無料です。初代の発表時点では、即答するInstant、時間をかけて考えるThinking、複数のエージェントを並行させるContemplatingのモードが案内されていました。2026年7月の[Metaの日本向け発表](https://about.fb.com/ja/news/2026/07/meta-ai-muse-spark-doesnt-just-think-it-acts/)では、Muse Spark 1.1がMeta AIアプリとmeta.aiの基盤モデルだと説明されています。アプリ側が1.3へ切り替わったことを示す発表は、10月22日時点で見当たりません。

### 日本でのMeta AI・Meta Model APIの提供状況

チャットは日本でも使えます。Meta AIは2025年11月25日から日本で段階的に提供が始まり、Web版のmeta.aiも対象です（[Meta AIの日本での提供開始の発表](https://about.fb.com/ja/news/2025/11/meta-ai-gradual-rollout-begins-in-japan/)）。

開発者向けのMeta Model APIは、1.1の開始時点では米国の開発者が対象でしたが、2026年9月24日の[Meta Connectの総括記事](https://developers.meta.com/blog/meta-connect-recap/)で全世界での一般提供が発表されました。10月12日更新の[Geographic Use Policy](https://dev.meta.ai/legal/geographic-use-policy)でも、全モデルの利用を禁じる地域（中国・ロシア・イラン・北朝鮮など）に日本は入っていません。ただし同ポリシーは「Metaがアクセスを有効にした法域でのみ利用できる」と定めており、日本を名指しで許可した記載はありません。業務に組み込む前に、日本の住所と支払い方法で登録し、テスト呼び出しが通ることを確かめてください。Muse Spark Openのセルフホストでは、Meta Model APIの提供地域とは別に、Muse Model License・利用ポリシーと、利用地域に適用される輸出管理などの法令を確認します。

## Muse Sparkを選ぶ場面と選ばない場面を費用・処理環境で判断

Muse Spark 1.3を選んでよいのは、契約書や仕様書の束など数十万〜100万トークンの資料から特定の条項や記載を探し出す処理と、学習利用を許せる公開データでの低コストな検証です。前者はMRCRで他社を大きく上回る領域で、後者はContributorなら出力100万トークン0.20ドルで回せます（毎分150リクエストまで）。

Muse Spark OpenをSageMaker JumpStartで動かす判断が成り立つのは、ソースコードや設計書をMetaにもAPI事業者にも渡さず、自社のAWSアカウント内だけで処理したい場合です。条件は2つあります。米国東部での処理を社内規程と顧客との契約が許すこと、そしてGPUインスタンスの時間課金を上回る利用量か、APIに出せないという明確な理由があることです。どちらかが欠けるなら、Standard modeのAPIのほうが費用も運用の手間も小さく済みます。

選ばないほうがよいのは、音声入力が中心の処理（1.3は音声が未完成）、学習利用を許せないデータをContributorで流す運用、そして数十GB程度のメモリしかないPCでローカル推論したい場合です。最後のケースは、Muse Spark Openでも2ビットで約300GBが要ります。Meta製にこだわるなら、Apache 2.0で配布されている30BのMuse Glimmer（4ビットGGUFで約17GB）のほうが一般的なPCに載せられるモデルです。Muse Sparkを社内の業務フローに組み込む設計や、API版とセルフホストのどちらにするかの判断は、issohの[生成AI導入支援](/service/ai/genai/)でも相談を受けています。

## よくある質問

### Muse Sparkの読み方は？

「ミューズ・スパーク」です。MetaのMuseファミリーのうち、エージェント処理とコーディングを担う言語モデルを指します。

### Muse Sparkは無料で使えますか？

Meta AIアプリとmeta.aiでのチャット利用は無料です。Meta Model APIは有料で、1.3のStandard modeは入力$1.25・出力$4.25（100万トークン）、学習利用を許すContributor modeは入力$0.10・出力$0.20です。

### Muse Spark OpenはAWSのSageMakerで使えますか？

使えます。2026年10月15日からSageMaker JumpStartで提供されており、BF16版はml.p6-b300.48xlarge、NVFP4版はml.p5e.48xlargeのエンドポイントに置けます。開始時の提供リージョンは米国東部（バージニア北部・オハイオ）で、東京は含まれていません。エンドポイントは起動中ずっと時間課金されます。このほかHugging Face・Google Cloud Model Garden・Microsoft Foundryでも入手でき、Together AIやFireworks AIのAPIからも呼び出せます。

### OllamaやHugging Faceでローカル実行できますか？

API版の1.1〜1.3は重みが非公開なのでできません。2026年10月15日に公開されたMuse Spark OpenならHugging Faceから重みを取得してllama.cppなどで動かせますが、2ビット量子化でも約300GBのメモリが必要です。512GBのMac（M3 Ultra）での実測は毎秒18トークン前後でした。Ollamaの公式ライブラリは10月24日時点でクラウド実行の `muse-spark-open:cloud` のみです。

### Muse Spark 1.4は出ていますか？

2026年10月24日時点で、Metaの発表も開発者ドキュメントへの掲載もありません。現行の最新はMuse Spark 1.3です。

## 関連記事

- [Muse Wonderとは？API料金・呼び出し方とMuse Spark・Wonder Fullの使い分け【2026年10月】](/tech/details/18344/)
- [Meta Muse Codeとは？イベントログ再現とバックグラウンド常駐の仕組み・料金・導入判断【2026年8月】](/tech/details/16218/)
- [Muse Imageとは？Metaの画像生成AIの使い方・API料金（1枚0.01ドル）と日本での提供状況【2026年10月】](/tech/details/13361/)
- [Meta Avocadoとは？正体はMuse Spark｜Llama 4からの転換と現行モデル【2026年10月】](/tech/details/11374/)
- [Amazon SageMaker JumpStartの使い方｜SDK v3移行とデプロイ費用【2026年版】](/tech/details/2792/)

---

出典: [Muse Sparkとは？1.3の性能・API料金とMuse Spark OpenをOllama・SageMakerで動かす条件【2026年10月】](<https://www.issoh.co.jp/tech/details/11719/>)（株式会社一創）