하루인포팁

생활·건강·지원금·IT까지, 하루에 필요한 정보를 한 번에

카테고리

메타 Muse Spark Open 직접 돌릴까, Spark 1.3 API 쓸까

메타 Muse Spark Open 직접 돌릴까, Spark 1.3 API 쓸까

작성자

filo92

카테고리:

약 24분 소요

메타 오픈웨이트 Muse Spark Open은 Together 가격이 Spark 1.3 API와 같은데 AA 지수는 6점 낮습니다. 직접 호스팅이 맞는 조건, NVFP4 약 700GB 메모리, 라이선스 2,000만 달러 조항을 2026년 10월 기준으로 짚었습니다.

메타 AI 시작 전 확인할 것

Muse Spark Open은 데이터를 사내에 묶어 둬야 하거나 파인튜닝이 필요한 조직이 직접 호스팅할 때만 고를 이유가 있는 모델입니다. 2026년 10월 17일 기준으로 Together AI에서 쓰는 Spark Open 가격은 1M 토큰당 입력 $1.25·출력 $4.25입니다. Meta의 비공개 모델 Muse Spark 1.3 Standard와 같은 가격인데, Artificial Analysis(AA) 지수는 같은 xhigh 설정에서 39점 대 45점으로 6점 낮습니다. 이 글에서는 Meta가 2026년 10월 15일 공개한 Spark Open을 도입할 때 거치는 라이선스·하드웨어·호스팅 경로를 순서대로 살펴봅니다. 개별 앱의 기능 변화는 다루지 않습니다.

메타 AI 비서가 바뀌는 소식은 아닙니다

인스타그램·왓츠앱 안에서 쓰는 메타 AI 비서가 달라진다는 발표가 아닙니다. 이번 소식의 핵심은 Meta Superintelligence Labs가 만든 모델의 가중치 파일 자체를 내려받을 수 있게 공개했다는 점입니다. 무료로 풀렸다고 개인 PC에서 돌릴 수 있는 것도 아닙니다. 모델카드가 제시한 필요 메모리는 4비트 형식인 NVFP4로도 약 700GB라서, 서버급 장비를 갖추거나 외부 호스팅 업체를 거쳐야 합니다.

오픈웨이트 ‘복귀’는 단계별 개방 구조입니다

VentureBeat 보도에 따르면 Muse 계열 이전에 Meta가 마지막으로 낸 오픈웨이트 모델은 2025년 4월의 Llama 4(Scout·Maverick)였습니다. Meta는 2026년 4월 8일 Muse Spark를 비공개로 출시하면서 “we hope to open-source future versions of the model.”이라고 밝혔고, 2026년 10월에 그 말이 일부 지켜졌습니다. 그렇다고 Llama 때 같은 전면 개방은 아닙니다. 2026년 10월 17일 기준 Meta 라인업은 성능이 높은 모델일수록 닫혀 있는 계단 구조입니다.

모델 공개 방식 쓰는 경로 AA 지수
Muse Wonder Full 비공개 Muse Code 구독 전용 56
Muse Wonder (2026-10-12 출시) 비공개 Meta API·Muse Code 52
Muse Spark 1.3 비공개 Meta API 48(max)·45(xhigh)
Muse Spark Open (2026-10-15 공개) 오픈웨이트, 자체 라이선스·게이트 승인 직접 호스팅·외부 호스팅 39(xhigh)
Muse Glimmer 30B (2026년 8월 공개) 오픈웨이트, Apache 2.0 직접 호스팅 17

최상위 Wonder 계열은 닫혀 있고, Spark Open은 Meta 자체의 Muse Model License와 신원 확인을 거쳐야 합니다. 조건 없이 쓰는 Apache 2.0 모델은 30B Glimmer뿐입니다. Meta의 Alexandr Wang은 Bloomberg·The Next Web에 실린 인터뷰에서 “Because of both safety and capabilities, we will generally not open-source our most powerful models”라고 말했습니다. 좋은 오픈 모델은 계속 내겠다고 덧붙이면서, 무료 공개가 개발자를 유료 컴퓨팅으로 끌어온다는 사업 논리도 밝혔습니다.

Meta는 Spark Open을 “the most capable US open-weight model to date”라고 소개했습니다. 비교 범위를 ‘미국산’으로 좁힌 표현입니다. AA 지수 v4.3.2에서 Spark Open은 39점으로 120개 모델 중 10위이고, 미국산 오픈웨이트 중에서는 1위입니다. 오픈웨이트 전체로 넓히면 MiMo-V2.6-Pro(46), GLM-5.3(45), Kimi K3(44)처럼 중국계 모델이 최소 3개 앞섭니다.

용어 풀이
1. 오픈웨이트 — 학습을 마친 모델의 가중치 파일을 내려받아 직접 실행·수정할 수 있게 공개하는 방식으로, 학습 데이터·코드 공개까지 뜻하지는 않습니다.
2. AA 지수 — 독립 평가 기관 Artificial Analysis가 여러 벤치마크를 묶어 산출하는 종합 점수로, 제조사 자체 발표와 별개로 모델을 비교하는 잣대입니다.

준비물·필요 서류

준비물·필요 서류

Spark Open을 도입하려면 신원 정보, 서빙 하드웨어, 라이선스 준수 체계 세 가지를 준비해야 합니다. 모델은 총 816B 파라미터 가운데 토큰당 42B만 활성화되는 MoE 구조이고, 컨텍스트는 1M 토큰입니다. 입력으로 텍스트·이미지·영상·음성을 받지만 출력은 텍스트만 냅니다. Hugging Face 페이지에는 파라미터가 822B로 표시돼 있는데, Meta는 발표 수치 816B와 왜 다른지 설명하지 않았습니다.

구분 필요한 것 근거
접근 승인 실명·생년월일·기관 식별정보 제출 후 승인(게이트 방식) Hugging Face 모델카드
체크포인트 BF16(파일 약 1.6TB) 또는 NVFP4(파일 약 530GB) Meta 개발자 블로그
서빙 메모리 NVFP4 약 700GB, BF16 2TB Hugging Face 모델카드
GPU 구성 NVFP4 기준 Blackwell Ultra 4장 또는 H200 8장 Meta 개발자 블로그
대체 구성 512GB M5 Ultra Mac Studio 2대(MLX) Meta 연구 블로그
추론 엔진 SGLang·vLLM용 최적화 커널 동봉 PyTorch 블로그(Meta 작성)
파인튜닝 도구 TorchTitan(SFT·LoRA·RL 지원) PyTorch 블로그(Meta 작성)
라이선스 준수 “Built with Muse Spark Open” 표기, 금지 용도 점검, 매출 기준 확인 Muse Model License

표에서 먼저 볼 것은 파일 크기와 서빙 메모리가 다르다는 점입니다. NVFP4 파일은 약 530GB지만 모델카드가 요구하는 메모리는 약 700GB입니다. 활성 파라미터가 42B여도 메모리에는 가중치 전체를 올려야 하므로, 장비는 816B 전체 기준으로 잡아야 합니다. 디스크 용량만 보고 장비를 고르면 서빙 단계에서 막힙니다.

Mac Studio 구성도 마찬가지입니다. 512GB 한 대로는 700GB에 못 미쳐서 2대를 묶는 구성이 제시됐습니다. MacRumors·VentureBeat 보도에 따르면 512GB M5 Ultra 모델은 2026년 10월 15일 기준 출시 전입니다. 10월 말 출시 예정이라는 것만 알려졌고 가격은 아직 발표되지 않았습니다.

기업이라면 서류도 챙겨야 합니다. Muse Model License에 따르면 12개월 매출이 2,000만 달러를 넘는 기업이 이 모델을 서비스(MaaS)로 제공하려면 Meta에 통보하고 별도 계약을 맺어야 합니다. 직전 12개월 매출 자료와 서비스 형태 설명 자료를 법무 검토용으로 미리 준비해 두면 좋습니다. 군사·핵·첩보 용도와 핵심 인프라·교통·중장비 운용 용도는 매출 규모와 상관없이 금지됩니다.

용어 풀이
1. MoE·활성 파라미터 — MoE는 여러 전문가 하위 신경망 중 일부만 토큰마다 켜는 구조이고, 활성 파라미터는 한 토큰을 처리할 때 실제로 계산에 쓰이는 몫입니다.
2. NVFP4 — NVIDIA의 4비트 부동소수점 형식으로, 가중치를 BF16보다 훨씬 작게 담아 필요한 메모리를 낮춥니다.
3. 게이트 방식 — 모델 저장소에서 신원 정보를 내고 승인을 받아야만 파일을 내려받을 수 있게 막아 둔 배포 방식입니다.

단계별 진행 순서

단계별 진행 순서

도입은 아래 6단계로 진행합니다. 앞 단계에서 걸리면 뒤로 넘어갈 필요가 없도록 비용이 적게 드는 판정부터 배치했습니다.

1단계. 용도·라이선스 적합성 판정

Muse Model License 전문을 읽고 금지 용도나 MaaS 조항에 걸리는지 확인합니다. 군사·핵·첩보 용도나 핵심 인프라·교통·중장비 운용에 쓸 계획이 있다면 여기서 멈춥니다. 외부 고객에게 모델을 서비스로 제공하면서 12개월 매출이 2,000만 달러를 넘는다면 Meta 통보와 별도 계약을 먼저 마쳐야 합니다.

  • 소요시간: 라이선스 분량은 길지 않지만, 사내 법무 검토 일정에 따라 가장 오래 걸리는 단계가 되기도 합니다.
  • 주의점: VentureBeat는 이 모델의 출력으로 개선한 모델까지 파생 모델 정의에 들어갈 수 있다고 해석했습니다. 출력 데이터를 다른 모델 학습에 쓸 계획이라면 법무팀이 해당 조항을 원문으로 확인해야 합니다.

2단계. 호스팅 경로 결정

Spark Open은 Meta Model API로는 호출할 수 없습니다. 직접 호스팅하거나 Together AI·Groq 같은 외부 호스팅 업체를 거쳐야 합니다. 그런데 같은 베이스로 만든 비공개 모델 Spark 1.3이 Meta API에 있으니, 두 경로의 가격부터 나란히 놓고 봐야 합니다(2026년 10월 17일 기준, 1M 토큰당).

경로 입력 출력 캐시 비고
Muse Spark 1.3 Standard (Meta API) $1.25 $4.25 $0.15 AA 45(xhigh)·48(max)
Muse Spark 1.3 Contributor (Meta API) $0.10 $0.20 $0.002 데이터를 Meta 학습에 제공
Muse Spark Open (Together AI) $1.25 $4.25 $0.15 AA 39(xhigh)
Muse Spark Open (Groq) 영업 문의 영업 문의 — 프리뷰, 컨텍스트 131,072
Muse Wonder (Meta API) $4 $20 $0.20 AA 52

호스팅 업체를 거쳐 쓸 계획이라면 같은 단가에 점수가 높은 Spark 1.3이 합리적입니다. 데이터 제공을 감수하는 Contributor 모드라면 Spark 1.3은 Standard보다 입력이 12.5배, 출력이 21.25배 쌉니다. 반대로 데이터를 외부로 보낼 수 없거나, 파인튜닝이 필요하거나, Meta API를 쓸 수 없는 환경이라면 Spark Open을 고를 이유가 생깁니다.

  • 소요시간: 가격 비교는 금방 끝나지만, 결론은 월간 토큰 사용량을 추정해 봐야 납니다.
  • 주의점: 한국에서 Meta Model API를 쓸 수 있는지는 Meta의 지역 이용 정책(Geographic Use Policy)에서 먼저 확인합니다. Contributor 모드는 기밀 데이터에는 맞지 않습니다.

3단계. Hugging Face 접근 신청

직접 호스팅으로 정했다면 Hugging Face 저장소에서 접근을 신청합니다. 실명·생년월일·기관 식별정보를 제출하고 승인을 받아야 다운로드가 열립니다. 체크포인트는 BF16과 NVFP4 두 가지입니다.

  • 소요시간: Meta가 승인 기간을 공개하지 않았으니 장비 조달과 병행하는 편이 낫습니다.
  • 주의점: 신청자 정보를 실제 사용 기관과 일치시켜야 라이선스상 책임 주체가 분명해집니다.

4단계. 체크포인트 선택과 서빙 구성

대부분은 NVFP4를 고르게 됩니다. 파일이 약 530GB로 BF16(약 1.6TB)보다 작고, Meta 개발자 블로그에 따르면 Blackwell Ultra 4장 또는 H200 8장으로 서빙할 수 있습니다. 추론 엔진은 최적화 커널이 함께 배포된 SGLang이나 vLLM으로 시작합니다. 모델카드의 권장 설정은 temperature 1.0, top_p 1.0이고 추론 강도 기본값은 xhigh입니다.

  • 소요시간: 다운로드 시간은 회선 속도와 저장 장치에 좌우되고, BF16은 NVFP4보다 훨씬 오래 걸립니다.
  • 주의점: 장비는 NVFP4 약 700GB 메모리 기준으로 잡습니다. 1M 컨텍스트를 길게 채울수록 메모리가 더 든다는 점도 감안합니다.

5단계. 자사 업무로 재평가

Meta의 비교표는 그대로 받아들이기 어렵습니다. Meta 평가 방법론 문서를 보면 경쟁 모델 점수에 공식 리더보드 값, Meta 자체 측정값, 각사 자체 발표값이 섞여 있습니다. 코딩 평가는 모델마다 다른 하네스(Muse Code, Claude Code, Kimi Code, mini-swe-agent)로 돌렸고, Meta도 평가 환경을 경쟁 모델에 맞춰 조정하지 않았다고 문서에 적었습니다.

평가 항목 Spark Open 비교 대상 읽는 법
Terminal-Bench 2.1 76.4 Kimi K3 85.0 터미널 코딩은 Kimi K3 우위
DeepSWE 1.1 60 GLM-5.3 67, Kimi K3 68 하네스가 모델마다 다름
GDPVal-AA v2 1,401 GLM-5.3 1,653 Meta 표 안에서도 열세
JobBench 61.8 차점자 61.4 0.4점 차 1위
MCP-Atlas 89.2 — 점수 산출 주체가 Scale AI
AA-Omniscience 25 오픈웨이트 중 1위 독립 측정에서 확인된 강점

AA의 독립 측정에서 Spark Open은 지수에 포함된 에이전트 평가 4종에서 상위 오픈웨이트 중 꼴찌였습니다. 반면 상위 9개 오픈웨이트 가운데 출력 토큰을 가장 적게 썼고, 출력 속도는 초당 130.7토큰, 첫 토큰까지 0.73초였습니다. 지수 과제 1건당 비용도 $0.84로 Spark 1.3 max($1.60)보다 낮습니다. 가장 믿을 만한 판단 근거는 자사 저장소와 도구로 GLM-5.3·Kimi K3와 같은 조건에서 다시 돌려 본 결과입니다.

  • 소요시간: 평가셋 규모와 비교할 모델 수에 따라 달라집니다.
  • 주의점: MCP-Atlas 점수를 낸 Scale AI는 Wang이 창업한 회사이고, Meta가 2025년 6월 소수 지분을 투자한 곳입니다. 이해관계가 걸린 점수는 비중을 낮춰 읽습니다.

6단계. 출시 표기와 운영 점검

제품에 넣는다면 화면이나 문서에 “Built with Muse Spark Open” 표기를 해야 합니다. Meta는 자사 Superintelligence Scaling Framework의 공개 기준을 통과했다고 밝혔지만, 전체 평가 보고서는 곧 공개하겠다고만 했습니다. 안전 지표 중 StrongREJECT v2는 Meta 내부 벤치마크입니다. TechCrunch·SiliconANGLE은 성능 주장에 독립 검증이 없다는 점을 지적했습니다.

  • 소요시간: 표기 자체는 간단하지만, 매출이 2,000만 달러 기준을 넘을 때마다 MaaS 조항을 다시 확인해야 합니다.
  • 주의점: Meta가 PyTorch 블로그에서 설명한 바로는 Spark Open에 시스템 가드레일 없이 단독 실행되는 상황을 전제로 안전 후학습을 더했습니다. 직접 호스팅하면 모델 바깥의 안전장치는 운영자가 갖춰야 합니다. 전체 보고서가 나오면 위험 평가를 다시 합니다.

용어 풀이
1. MaaS — 모델을 API 같은 서비스 형태로 외부 고객에게 제공하는 사업 방식(Model as a Service)입니다.
2. 하네스 — 모델에 도구·프롬프트·실행 환경을 붙여 평가 과제를 수행하게 하는 틀로, 같은 모델도 하네스에 따라 점수가 달라집니다.
3. 추론 강도 — 답을 내기 전 모델이 생각하는 데 쓰는 연산 수준을 정하는 설정으로, 대체로 높을수록 정확도와 비용이 함께 올라갑니다.

자주 놓치는 부분

같은 베이스면 성능도 같다는 착각

Meta가 PyTorch 블로그에 쓴 설명에 따르면 Spark Open의 베이스 모델은 Spark 1.3과 같습니다. 그런데 AA 지수는 같은 xhigh 설정에서 6점 낮고, Spark 1.3의 최고 설정과 비교하면 39점 대 48점으로 9점 낮습니다. Meta는 이 차이가 안전 후학습 때문인지 공개하지 않았습니다. ‘같은 베이스’를 ‘같은 품질’로 읽으면 판단이 틀어집니다.

어느 업체에서나 1M 컨텍스트를 쓸 수 있다는 가정

1M 토큰은 모델이 지원하는 최대치일 뿐, 호스팅 업체가 실제로 열어 두는 길이는 업체마다 다릅니다. Groq는 프리뷰 단계에서 131,072토큰, 즉 1M의 12.5%만 제공하고 가격은 영업 문의로 안내합니다. VentureBeat 보도에 따르면 Fireworks는 1,048,576토큰을 제공합니다. 긴 문서를 통째로 넣는 용도라면 업체별 한도를 계약 전에 확인해야 합니다.

비교표 속 AA 점수의 수집 시점

Meta 비교표의 AA 점수는 공개 8일 전인 2026년 10월 7일에 Artificial Analysis에서 받아온 값입니다. VentureBeat는 공개 당시 AA의 별도 평가를 확인하지 못해 39점을 Meta 수치로 표기했는데, 이후 AA가 같은 39점을 게시해 두 값이 일치했습니다. 리더보드 순위는 새 모델이 나올 때마다 바뀌므로 도입 직전에 다시 조회하는 편이 안전합니다.

다른 오픈웨이트 모델과 비교하지 않고 넘어가는 것

Spark Open은 오픈웨이트 전체에서 1위가 아니므로, 같은 용도에 쓸 수 있는 다른 모델과 함께 놓고 봐야 합니다. 아래 표의 AA 지수는 GLM-5.3·Kimi K3가 max 설정, Spark Open이 xhigh 설정 기준입니다.

대안 규모·라이선스 AA 지수 이 조건이면 그쪽이 유리
GLM-5.3 (Z.ai) 753B, glm-5.3 라이선스 45 텍스트 기반 에이전트·코딩
Kimi K3 (Moonshot) 총 2.8T·활성 104B, 컨텍스트 1,048,576 44 터미널 코딩 중심
Muse Glimmer 30B (Meta) Apache 2.0, 4비트 양자화 시 24-32GB GPU 17 GPU 한 장, 라이선스 부담 최소
Muse Spark Open (Meta) 816B·활성 42B, Muse Model License 39 음성·영상 입력, 미국산 모델 필요

Spark Open이 분명히 앞서는 부분은 음성·영상까지 받는 멀티모달 입력입니다. GLM-5.3은 Hugging Face에서 텍스트 생성 모델로 분류돼 있습니다. Kimi K3는 총 파라미터가 Spark Open의 약 3.4배여서, 직접 호스팅한다면 Spark Open 쪽 장비 부담이 더 작습니다. GLM-5.3·Kimi K3의 API 가격은 각 회사의 최신 가격표로 따로 비교해야 합니다.

체크리스트 정리

도입 회의 전에 아래 일곱 항목을 순서대로 점검합니다.

  1. 라이선스: 금지 용도(군사·핵·첩보, 핵심 인프라·교통·중장비 운용) 해당 여부와 2,000만 달러 MaaS 조항 적용 여부를 법무팀이 확인했는가
  2. 경로 비교: 2026년 10월 17일 기준 가격표로 Spark 1.3 API(Standard·Contributor)와 비교했는가
  3. 접근 신청: Hugging Face 게이트에 낼 실명·생년월일·기관 정보를 준비했는가
  4. 장비: 파일 크기(약 530GB)가 아니라 서빙 메모리(NVFP4 약 700GB)를 기준으로 GPU를 잡았는가
  5. 컨텍스트: 쓰려는 호스팅 업체의 실제 컨텍스트 한도를 확인했는가
  6. 재평가: 자사 저장소·도구로 GLM-5.3·Kimi K3와 같은 조건에서 다시 평가했는가
  7. 운영: “Built with Muse Spark Open” 표기를 넣었고, 전체 안전 보고서가 나온 뒤의 재검토 일정을 잡았는가

2번에서 Spark 1.3 API가 더 낫다는 결론이 나오면 3번부터는 건너뛰어도 됩니다. 데이터 통제나 파인튜닝 때문에 직접 호스팅이 필요하다면 4번 장비 조건이 실제 도입 일정을 좌우합니다.

함께 보면 좋은 글

참고 자료

조사 기준일: 2026년 10월 17일

본문의 수치는 아래 자료에서 확인한 것입니다. 제조사 공식 자료(T1)와 전문 매체 실측(T2)을 구분해 표기했습니다. 가격·공급 상황은 변동이 크므로 기준일 이후의 값은 다시 확인해야 합니다.

공식 자료 (원문 열람·대조, 확인일 2026-10-17)


코멘트

답글 남기기

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다

관련 글

갤럭시 S27 울트라 발열 논란, 익스트림 Gen 6 실측 전 확인할 4가지
2026년 10월 19일

FLUX.3 Klein 로컬 AI 이미지 생성: 8GB GPU 되는 구성과 안 되는 구성
2026년 10월 19일

엔비디아 리플렉션 AI 인수 협상, Beam 오픈웨이트 약속은 지켜질까
2026년 10월 12일

삼성 LPDDR6 vs LPDDR5X 비교: 온디바이스 AI 토큰 속도 차이 정리
2026년 09월 25일