Meta 的新开源模型能跑在 Mac 上，但要 1TB 内存

「能在 Mac 上跑」这五个字很吸引人。看完配置要求，多数人会把页面关掉：至少 1TB 内存。

一、发生了什么

据 TechCrunch 报道，Meta 在 10 月 15 日发布开源权重模型 Muse Spark Open，自称是「美国最强的开源权重模型」。参数规模 8160 亿，上下文窗口 100 万 token，原生多模态，为复杂编程任务和 agent 类工作设计。

它同时被设计成可以在苹果电脑上本地运行。代价是内存：至少需要 1TB，效果最好的是搭载 M5 Ultra 芯片的 Mac Studio。这个配置在苹果的产品线里属于顶配，价格不是普通开发者会随手买的量级。

Meta 给出的用法示例很具体：把这个模型接到自家的编程终端 Muse Code 上，跑了一个 Mastodon 客户端的改造，包含修 Bug、加功能、完整构建；还用它在达芬奇（DaVinci Resolve）里审片和裁剪素材。

把模型和终端一起推，意图不难猜：它推的不只是一个权重文件，而是一套能在本地闭环的开发环境。

除了本地，模型也已通过多个 API 平台提供。

二、跟你有什么关系

普通 Mac 用户：跟你的 M 系列笔记本没关系。1TB 统一内存的机器属于工作站级别，不是「下载一个 App 就能用」。想试这个模型，走 API 更现实。另外，100 万 token 的上下文是纸面上限，本地把窗口开满对内存的压力会更大，实际可用长度通常要打折。

数据不能出内网的人：这是本地部署真正的价值所在。医院病历、律所卷宗、工厂图纸，这类数据传给第三方 API 需要过合规，跑在自己机器上就少一道审批。1TB 内存的机器再贵，也比一次数据泄露便宜。

做开发的人：8160 亿参数、100 万上下文，纸面上够处理一整个中型仓库。但本地推理的速度取决于内存带宽，实际体验要等第三方实测，别只看参数表。还有一件容易被忽略的事：机器在跑任务时基本干不了别的，这段等待要算进排期。

三、怎么用：四步判断要不要本地跑

1. 先算总价，不只算模型。 一台 1TB 统一内存的 Mac Studio，加上电费、备份盘、维护时间，是这个方案的真实成本。再对比同等工作量走 API 一年的账单，多数团队会选 API。

1. 先用 API 验证效果，再决定买机器。 同一个模型，云端和本地是同一套权重，效果差别主要在量化和上下文长度上。先花几十美元把任务跑通，顺便记下每次调用的耗时和成本，这份数据比任何评测都更贴近你的真实情况。

1. 把「必须本地」的场景单独列出来。 涉及未公开财报、患者数据、客户合同的活，值得本地；写营销文案、改前端样式，不值得。

1. 算清隐性成本：升级要你自己来。 云端模型换代，厂商替你切换；本地权重换代，是你要重新下载、重新压测、重新验证提示词。这笔人力，往往比机器钱更贵。

四、三个别信的说法

「Mac 能跑，就等于人人都能跑。」 官方要求是 1TB 内存。这个数字把绝大多数人挡在门外，也解释了为什么 Meta 同时提供 API——它知道本地只是少数人的选项。真要体验本地 AI，几十亿参数的小模型在普通笔记本上就能跑，做摘要和分类够用了。

「开源就等于免费。」 权重开放不等于使用免费。机器要钱，电要钱，调优的人要钱。省下的是按 token 计费的边际成本，前期投入反而更高。真正的账单在运维上：监控、故障排查、版本回归，都得自己养人。

「参数越大越好用。」 8160 亿参数意味着更强的通用能力，也意味着更慢、更贵、更难部署。很多团队的真实任务，一个几十亿参数的专用小模型配合好流程，效果差别不大。榜单上的差距经常只有几分，换算到你的具体任务上，可能就是零。

五、一句话结论

本地 AI 的门槛确实降了一格，但这一格的高度是 1TB 内存——它服务的是合规需求，不是好奇心。

信息来源

• TechCrunch《Meta launches an open-weight AI model that runs on Macs》，2026-10-15：https://techcrunch.com/2026/10/15/meta-launches-an-open-weight-model-that-runs-on-macs/

功能与价格以官方公告为准。本文写于 2026 年 10 月 17 日。