Transformers documentation

Muse Spark Open

Transformers

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Mô hình này đã được đóng góp cho Hugging Face Transformers vào ngày 2026-10-14.

Muse Spark Open

Tổng quan

Muse Spark Open là một mô hình mixture-of-experts (MoE) đa phương thức do Meta phát triển, nhận văn bản, hình ảnh, âm thanh và video làm đầu vào và tạo ra văn bản. Mô hình có tổng cộng 816 tỷ tham số, với 42 tỷ tham số hoạt động cho mỗi token, và hỗ trợ cửa sổ ngữ cảnh lên đến 1.048.576 token được chia sẻ giữa tất cả các phương thức đầu vào. Mô hình được huấn luyện cho các tác vụ lập trình agentic, bao gồm chỉnh sửa mã đa tệp, gỡ lỗi và sử dụng công cụ.

Xương sống ngôn ngữ bao gồm 62 lớp transformer, mỗi lớp định tuyến các token đến 8 trong số 256 chuyên gia. Nó sử dụng chú ý truy vấn nhóm với chuẩn hóa khóa-truy vấn, cổng và chuẩn hóa đầu ra chú ý, cùng các cổng dư học được. Một bộ mã hóa nhận thức dùng chung xử lý hình ảnh và các khung hình video, trong khi bộ mã hóa âm thanh tích chập tạo ra các biểu diễn âm thanh ở tốc độ 12,5 token mỗi giây. Muse Spark Open chia sẻ bộ mã hóa token và từ vựng với Muse Glimmer, với các phần mở rộng cho mẫu trò chuyện dành cho đầu vào đa phương tiện. Các checkpoint có sẵn ở định dạng BF16 và NVFP4.

Tài nguyên

AutoModel

AutoModel Image

AutoModel Video

AutoModel Audio

import os

from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig

distributed_config = DistributedConfig(
    tp_size=int(os.environ["WORLD_SIZE"]), # Number of devices across which the dense layers are sharded
    ep_size=int(os.environ["WORLD_SIZE"]), # Number of devices across which the experts are distributed
)

processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B")
model = AutoModelForMultimodalLM.from_pretrained(
    "meta-models/Muse-Spark-Open-816B-A42B",
    distributed_config=distributed_config,
)

messages = [
    {"role": "user", "content": "Explain in one sentence why the sky is usually blue."},
]
inputs = processor.apply_chat_template(
    messages,
    reasoning_effort="low",  # default: xhigh, options: low/medium/high/xhigh
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device).to(model.dtype)
input_len = inputs["input_ids"].shape[-1]

outputs = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(outputs[0][input_len:], skip_special_tokens=False))
#  to=self<|message|>Explain in one sentence why the sky is usually blue.
# ...
# <|eom|><|start|>assistant to=user<|message|>The sky is usually blue because molecules in Earth's atmosphere scatter shorter-wavelength blue sunlight in all directions much more strongly than longer-wavelength red light.<|eot|>

import os

from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig

distributed_config = DistributedConfig(
    tp_size=int(os.environ["WORLD_SIZE"]),
    ep_size=int(os.environ["WORLD_SIZE"]),
)

processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B")
model = AutoModelForMultimodalLM.from_pretrained(
    "meta-models/Muse-Spark-Open-816B-A42B",
    distributed_config=distributed_config,
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
            {"type": "text", "text": "What is shown in this image?"},
        ],
    },
]
inputs = processor.apply_chat_template(
    messages,
    reasoning_effort="medium", # default: xhigh, options: low/medium/high/xhigh
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device).to(model.dtype)
input_len = inputs["input_ids"].shape[-1]

outputs = model.generate(**inputs, max_new_tokens=512)
response = processor.decode(outputs[0][input_len:], skip_special_tokens=False)
print(response)
#  to=self<|message|>What is shown in this image?
# ...
# <|eom|><|start|>assistant to=user<|message|>The image shows a **Pallas's cat — also known as a manul, *Otocolobus manul*** — walking through snow.
#
# It is a small, stocky wild cat recognizable by:
#
# * **Its extremely dense, long, greyish-brown winter coat** with faint dark stripes and a dusting of snow on its back
# * **Its flat, broad face** with low-set ears, a short muzzle, and dark stripes on the cheeks
# * **Its short legs and thick, plump body** adapted for cold climates
#
# The cat is captured mid-stride on a snow-covered surface, with one front paw lifted. In the background are white birch tree trunks with black markings and a chain-link fence on the left, indicating the animal is in a zoo or wildlife enclosure in winter.<|eot|>

import os

from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig

distributed_config = DistributedConfig(
    tp_size=int(os.environ["WORLD_SIZE"]),
    ep_size=int(os.environ["WORLD_SIZE"]),
)

processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B")
model = AutoModelForMultimodalLM.from_pretrained(
    "meta-models/Muse-Spark-Open-816B-A42B",
    distributed_config=distributed_config,
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "url": "https://huggingface.co/datasets/hf-internal-testing/fixtures_videos/resolve/main/tennis.mp4"},
            {"type": "text", "text": "What is happening in this video?"},
        ],
    },
]
inputs = processor.apply_chat_template(
    messages,
    reasoning_effort="medium",  # default: xhigh, options: low/medium/high/xhigh
    processor_kwargs={
        "fps": 2,   # default: 2, number of frames sampled per second
        "num_frames": 8, # default: 94, maximum number of frames sampled from the video
    },
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device).to(model.dtype)
input_len = inputs["input_ids"].shape[-1]

outputs = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(outputs[0][input_len:], skip_special_tokens=False))
#  to=self<|message|>What is happening in this video?
# ...
# <|eom|><|start|>assistant to=user<|message|>In this video two people are playing tennis on an indoor court.
#
# The shot is taken from behind one of the players - a man in a white t-shirt, black shorts and white shoes and socks. He is standing near the baseline on an orange hard court with white lines, in a ready position with his knees bent and his racket held in front of him.
#
# Across the net, on the far side of the court, is his opponent, also dressed in light-colored clothing.
#
# The sequence shows a short rally:
#
# *   The opponent hits the ball over the net.
# *   The man in the foreground shuffles to his left, turns his body, and prepares for a shot.
# *   He executes a two-handed backhand, swinging the racket across his body and following through as he hits the ball back over the net.
#
# The setting is a large indoor tennis hall with a high, arched ceiling with exposed wooden beams and overhead fluorescent lights. The court is surrounded by a grey run-off area, green windscreening on the walls, and netting that separates it from adjacent courts. On the right side you can see an umpire's chair and a few yellow and black benches. An "Adobe Stock" watermark is visible in the center of the frame.<|eot|>

Trọng số NVFP4

Trọng số lượng tử hóa NVFP4 với yêu cầu bộ nhớ thấp hơn có sẵn trên hub. Mô hình có thể được tải trên bất kỳ thiết bị nào tương thích với NVFP4 mà không cần thay đổi mã. Cấu hình lượng tử hóa được áp dụng tự động khi tải.

Để hỗ trợ NVFP4, bạn phải cài đặt transformers từ nhánh này.
pip install git+https://github.com/huggingface/transformers.git@finegrained-per-scheme-demo

import os

from transformers import AutoModelForMultimodalLM, AutoProcessor, DistributedConfig

distributed_config = DistributedConfig(
    tp_size=int(os.environ["WORLD_SIZE"]),
    ep_size=int(os.environ["WORLD_SIZE"]),
)

processor = AutoProcessor.from_pretrained("meta-models/Muse-Spark-Open-816B-A42B-NVFP4")
model = AutoModelForMultimodalLM.from_pretrained(
    "meta-models/Muse-Spark-Open-816B-A42B-NVFP4",
    distributed_config=distributed_config,
)

# ...

Transformers

Muse Spark Open

Tổng quan

Tài nguyên

Trọng số NVFP4

MuseSparkConfig

lớp transformers.MuseSparkConfig

MuseSparkTextConfig

lớp transformers.MuseSparkTextConfig

MuseSparkVisionConfig

lớp transformers.MuseSparkVisionConfig

MuseSparkAudioConfig

lớp transformers.MuseSparkAudioConfig

MuseSparkFeatureExtractor

lớp transformers.MuseSparkFeatureExtractor

MuseSparkProcessor

lớp transformers.MuseSparkProcessor

MuseSparkPreTrainedModel

lớp transformers.MuseSparkPreTrainedModel

MuseSparkTextModel

lớp transformers.MuseSparkTextModel

forward

MuseSparkVisionModel

lớp transformers.MuseSparkVisionModel

forward

MuseSparkAudioModel

lớp transformers.MuseSparkAudioModel

forward

MuseSparkModel

lớp transformers.MuseSparkModel

forward

MuseSparkForConditionalGeneration

lớp transformers.MuseSparkForConditionalGeneration

forward