ARTICLE · 1201659
816B 模型免费下载:省了授权费,最贵的账单在后头|老板避坑清单 11
10 月 15 日晚上，扎克伯格在自己账号上发了一张照片。桌面上两台银灰色的机器，用一根线连起来，配文大意是： 8160 亿参数的大模型，就在这两台 Mac Studio 上跑起来了。
第二天，这条消息在科技媒体的标题里，长成了同一个句式——「美国最强开源模型，两台 Mac 就能跑，不用机房、不用云端、不缴 API 税」。
我第一反应是去翻报价单。翻完之后，心里凉了半截。
结论先说，这话每一句都是真的。把它连起来读，也是半句话。
剩下那半句，就是这篇要说的五笔账。
一｜坑一：权重不要钱，内存很要钱
有句话我觉得比所有官方文档都准，最初出自知乎一位博主的总结：内存按 816B 准备，速度按 42B 算。
为什么？ Muse Spark Open 是 MoE 架构， 8160 亿总参数里，每个 token 只激活 420 亿。但激活是运行时的事，256 个专家的静态权重必须全部常驻内存。省掉的只是每一步的计算量，不是它占的地方。
把这句话换算成钱： NVFP4 量化之后，光是权重就要 493GB。一台 512GB 内存的 Mac Studio 装不下，真跑起来还得留出计算内存。官方的解法，是两台 512GB 拼成 1TB 。
三个数字，其实是三本账，很多人第一遍会看成一本：
然后是最容易被跳过的一句：512GB 内存版的 M5 Ultra Mac Studio ，到今天还没正式开售，高配因为产能排到了 10 月下旬。
速度也得看。实测数据是这样的：两台直连，大约 25 token/s ；四台张量并行， 36.7 token/s ；四台机器、输入 6.5 万 token ，首字延迟 40.6 秒。
机器翻了一倍，速度只涨了一半，这账看着就离谱。瓶颈不在算力，在机器之间那根线。
还有那个「 100 万 token 上下文」。它是理论上限，真把窗口填满， KV cache 还要再吃掉两百多 GB 。社区里的建议很实在：日常压在 128K 以内。
这事儿就像买车。官网给你看的是裸车价，落地要再加购置税、保险、上牌费，一算就有点离谱。模型的裸车价是 493GB ，落地价是 1TB 。
传业认为，预算按纯权重做的人，没一个是照原预算花完的。多出来的那一倍，才叫尴尬。
差的那一倍从哪来？它会自己找上门。
二｜坑二：不是所有卡都能吃这个格式
第二笔账更隐蔽，因为它藏在「兼容」两个字后面。很多人是签完合同、交了钱才反应过来的。
官方说适配 NVIDIA 、 AMD 、 Intel ，引擎支持 SGLang 、 vLLM 、 TensorRT-LLM 、 llama.cpp 。看起来的意思是：我手上这些卡就行。
坑在量化格式上。NVFP4 是 Blackwell 的原生格式， H100 、 H200 没有硬件加速。
也就是说，机房里有几台 H100 想直接接上的，先别急着写立项书。
苹果那边也不是接上就能用，门槛是一串： macOS 26.2 以上、 MLX 0.30.1 以上、雷雳 5 直连。
避法很土：立项前把机房里现有卡的型号抄下来，对着官方支持的量化格式逐条比。对不上的，要么等硬件换代，要么退回 BF16 跑，内存直接翻倍，预算得重算一遍，省得买回来才发现白搭。
传业点评：供应商嘴里的「兼容」，通常是「编译得过去」的意思，不是「你的卡跑得快」——
这两个词之间，隔着一张追加的采购单。这一笔多半没处挪，最后是自己吃亏。
三｜坑三：「开源」两个字后面，有一行小字
第三笔账是法律账，也是最多人漏掉的一笔。
Muse Spark Open 用的不是 MIT ，也不是 Apache ，是 Meta 自己写的 Muse Model License。
能干什么，条款写得其实挺大方：使用、修改、微调、蒸馏、再分发、商用，都行。
但有两行字值得读第二遍。
第一行：产品界面里必须醒目标注「 Built with Muse Spark Open 」。这套技术栈是你搭的，定制费是你出的，界面上却要挂别人的名字。憋屈，但合法。
第二行是个营收门槛：如果你把模型做成 API 卖给别人，条款里叫 Model as a Service ，并且你和关联公司在任意连续 12 个月里的合计总营收超过 2000 万美元，那就得先通知 Meta ，另行签一份书面协议。
两千万美元，差不多 1.4 亿人民币。对多数中小企业是条很远的天花板，但对做 SaaS 的、做垂直模型对外服务的，这条线不算高。真踩上去才发现要补签合同，那就有点打脸了。
企业内部自己用、学术研究、把模型当成自家产品的一个零件而不是对外卖模型服务，都不受这条限制。
还有版本上的小字：这次的权重，基于 8 月的 Muse Spark 1.2 ，加了一轮额外的安全后训练，和 1.3 共用基座。 Meta 现在最强的那个 Muse Wonder ，仍然只走它自己的 API 。
顺手做个对照： DeepSeek V4.1 Flash 同样支持百万上下文加图像输入，编程基准 Terminal-Bench 2.1 跑到 90.6 ，代码和权重是纯 MIT。
不是所有「开源」都长一个样。有的开源给你自由，有的开源给你自由，再加一份合同。
这事儿最坑的地方在于，那部分小字没人会主动念给你听——
等真踩上去才看清，那就有点尴尬了。
避法一句话：把许可协议丢给法务，让他们回答两个问题。我们的界面要不要挂标注？我们对外卖的是产品，还是模型服务？
四｜坑四：免费的是权重，贵的是人、电和机房
前三个坑，说到底都是「能不能跑起来」。第四个坑，是「养不养得起」。
开源模型不收授权费，这个是真的。但一份来自腾讯云开发者社区的 TCO 拆解显示，私有化部署的第一年投入在 1700 万到 4300 万之间：
第二年起，年度运营 850 万到 2200 万，这笔钱只能自己扛，扛不住的很容易焦虑。五年 TCO 算下来，私有化路线大约 9000 万，云端路线大约 5450 万，贵了六成五。
零碎的钱也别漏。满载的 8 卡服务器，月均电费 3000 元以上。日常运维至少要有 0.5 个专职工程师——这笔人力的账，才是真让人焦虑的地方。
知乎上那篇私有化部署的文章，标题挺糙，结论却没人反驳——「没有 500 万，你最好别碰。」
这话不是劝退，是提醒：这个决策的单位不是「买一张卡」，是「养一个机房」。真按「买卡」的思路去立项，大概率要亏。买回来发现跑不动，那就更白搭了，钱花出去连个响声都听不见。
避法还是老一套，算三笔账。快账是采购和实施，中账是人力和电费。
五｜坑五：能跑，不等于能干你的活
第五笔账，是能力账。
先看 Meta 自己的测试： 11 项里赢 6 项、输 5 项，输的位置很集中，就是编程。它的 Terminal-Bench 2.1 只有 76.4，同期 Kimi K3 是 85.0 ， GLM-5.3 是 83.9 。
第三方那边的口径更直接。 Artificial Analysis 给出的综合智能指数是 39 分，在 117 个开源大模型里排第 8。排在它前面的是小米 MiMo-V2.6-Pro 的 46 分、 GLM-5.3 的 45 分、 Kimi K3 的 44 分。
有句网友评论我截图存下来了：「把定语『美国』摘掉，榜单就是排名。」看完有点无语。
还有一行更该看的：在 OpenRouter 、 Together AI 上，这个模型的 API 价格是输入每百万 token 1.25 美元、输出 4.25 美元，和闭源的 Muse Spark 1.3 同价，没有价格优势。
也就是说，如果你只是要用，又不涉及数据不出内网，托管 API 是更省事的选择，而且不算贵。硬要自己搭一套，反而容易亏。
那它值钱的地方在哪？一位技术博主的判断我认为很准。这是为 Agent 特化的模型， 42B 的大激活量对多步任务的稳定性有帮助，不容易上下文漂移；代价就是吃硬件、降速度。优点和缺点，是同一枚架构硬币的两面。
避法只有一条：拿三个你自己最真实的任务去跑同题测试。不是看榜单，是看它在你那份报表、那段代码、那堆脏数据上表现到底怎么样。
传业认为，选型最贵的错误不是选错模型，是拿别人的榜单替自己做决定。榜单测的是平均能力——
你的活儿不长在平均值上，指望榜单替你做决定，多半吃亏。
一张自查表，签字前过一遍
五笔账，五个问题。别问供应商——他们的回答一定都是没问题。问自己和财务，答案才算数。
五个「是」，可以立项。任何一个「否」，先回去改预算，别等签完字再后悔。
不对，更准确地说，真正要回答的不是这五个问题，是一个问题：你要的到底是「模型在我手里」，还是「这件事有人管」？
开源把前者的价格压到了零。它从来没承诺过后者。指望它顺便把后者也包了，那是天真。
那个成本，一直不在权重里。
【转发】如果你公司也在评估自建模型，把这 5 笔账转给拍板的那个人，让他看完再签字。 【互动】你们上过的 AI 项目，算过电费和运维人力吗？评论区报个数。
我是传业，16 年技术 + 管理经验，人大管理学硕士、经济师、FDE、企业AI落地教练，为企业提供AI落地服务，承接 AI 增效、流程重构、定制开发、企业培训等服务。
