사내 워크스테이션에서 단일 GPU로 로컬 모델을 구동하려는 엔지니어는 Muse Glimmer를, 클라우드 기반 100만 토큰 에이전트를 시험하려는 팀은 Muse Spark 1.1을 검토할 수 있습니다. 로컬과 클라우드의 배포 성격을 명확히 구분해야 합니다.

채택 전에는 오픈 가중치 실행에 수반되는 자체 인프라 비용과 함께, 외부 리더보드에만 등장한 Muse Spark 1.3의 공식 미출시 상태를 파악해야 합니다.

한 줄 결론

공개 가중치 Glimmer와 클라우드 프리뷰 Spark 1.1을 분리해 접근하며, 리더보드에서 확인한 1.3은 공식 제공 조건을 별도로 확인해야 합니다.

바뀐 점

  • Muse Glimmer 공개: Apache 2.0 라이선스 기반 30B 파라미터 오픈 가중치 모델로 공식 구성 파일의 문맥 한도는 131,072토큰입니다. 메모리 요구량은 가중치 정밀도와 실행 설정에 따라 달라지며 최대 출력 한도는 별도 확인되지 않았습니다.
  • Muse Spark 1.1 프리뷰: 2026년 7월 9일 발표된 Meta Model API 퍼블릭 프리뷰 모델로 1,000,000 토큰 컨텍스트를 지원합니다.
  • Muse Spark 1.3 현황: 외부 리더보드에 벤치마크 점수가 등재되었으나, 2026년 9월 7일 현재 Meta의 공식 발표 블로그나 API 제품 문서는 확인되지 않은 벤치마크 관측 모델입니다.

가격과 조건

Meta 제품 사용 경로 공개 문맥 / 출력 정보 도입 시 확인할 조건
Muse Glimmer 오픈 가중치 (Apache 2.0) 131,072 / 별도 미확인 자체 인프라 및 GPU 하드웨어·전력 비용 소요
Muse Spark 1.1 Meta Model API 퍼블릭 프리뷰 1,000,000 / 미공개 공식 종량제 요율표 미발표 (프리뷰 접근)
Muse Spark 1.3 외부 리더보드 관측 모델 미공개 / 미공개 공식 제공 조건 미확인

Glimmer의 자체 배포에는 장비와 전력 비용이 듭니다. Spark 1.3은 리더보드 관측 상태로 분류했으며, 사용 가능 여부는 별도의 공식 제공 안내가 필요합니다.

공개 평가에서 읽을 것

  • Muse Glimmer: Artificial Analysis Intelligence Index(v4.2 · 2026-09-04, high) 24.38점, GPQA Diamond high 83.54%입니다.
  • Muse Spark 1.1: LiveBench(2026-06-25 release, muse-spark-1.1-xhigh) 75.30점, GPQA Diamond xhigh 89.80%입니다.
  • Muse Spark 1.3 (리더보드 관측): LiveBench(muse-spark-1.3-xhigh) 81.59점, Artificial Analysis Intelligence Index max 52.95점, xhigh 51.55점, GPQA Diamond xhigh 94.14%, max 93.84%를 나타냈습니다.

Meta AI · 공개 평가 결과. Artificial Analysis Intelligence Index · Intelligence Index v4.2

도표 크게 보기

평가 버전: v4.2 · 2026-09-04.

도표의 AA v4.2 점수는 Muse Spark 1.3 (max) 52.95, Muse Spark 1.3 (xhigh) 51.55, Muse Glimmer (high) 24.38입니다. 설정이 다르므로 각 행의 모델과 추론 강도를 함께 읽으세요.

전체 결과와 평가 조건

같은 평가 안에서 공개된 실행 설정을 구분했습니다. 추론 강도와 평가 버전이 달라지면 점수를 직접 비교하지 않습니다.

도표의 공개 원문

추천하는 사용법

  • 데이터 외부 유출이 차단된 연구실 환경에서는 메모리 사용량을 확인한 GPU에 Muse Glimmer를 배포하여 에이전트 도구 연동 성능을 테스트하는 구성을 권장합니다.
  • 대용량 컨텍스트 기반 에이전트 실험은 Meta Model API의 Spark 1.1 프리뷰 계정을 통해 사전 기능 테스트를 수행하고 정식 가격 발표를 확인하는 구성을 추천합니다.

Spark와 Glimmer의 선택 기준

Meta의 모델을 검토할 때는 API를 호출하는 제품과 가중치를 직접 배포하는 제품을 먼저 나누세요. Spark의 평가 결과를 보고 Glimmer의 실제 응답 품질도 같을 것이라고 예상하면 안 됩니다. 공개 리더보드에 등장한 Spark 버전이 현재 계정에서 호출 가능한 버전과 같은지도 확인해야 합니다. 제품 제공 상태를 확인하지 못한 경우에는 점수만 근거로 도입 일정을 정하기 어렵습니다.

Glimmer를 사내에서 실행하려면 가중치 크기 외에 대화 문맥을 저장할 메모리와 동시 요청 처리 여유가 필요합니다. 특정 GPU의 메모리 용량만으로 모든 정밀도와 문맥 길이에서 실행된다고 단정할 수 없습니다. 배포 도구가 지원하는 모델 형식과 입력 종류를 확인한 뒤 실제 요청을 넣어 메모리 사용량을 측정해야 합니다. 같은 모델도 실행 설정에 따라 처리량이 달라질 수 있습니다.

두 경로의 비용은 계산 방식부터 다릅니다. API는 호출량에 따른 청구 조건을 보고, 자체 배포는 장비와 운영 비용을 포함해 비교합니다. 가중치 다운로드에 별도 API 단가가 없다는 사실을 무료 서비스라는 뜻으로 읽으면 안 됩니다. 외부 통신 제한이 중요한 조직이라면 모델뿐 아니라 실행 도구와 로그 전송 경로까지 확인한 뒤 배포 구성을 정하는 편이 좋습니다.

출처