企业希望AI不仅补全几行代码，还能理解大型项目、调用工具并持续完成跨文件任务。随着Meta的Muse Spark Open进入Amazon SageMaker JumpStart，开放编程模型开始把超长上下文与私有部署放在一起。

10月15日，AWS宣布Meta的Muse Spark Open可通过SageMaker JumpStart部署。该模型针对代码生成、调试、多文件重构和长周期软件工程任务优化，企业可以从预置模型页面创建推理端点，并在自己的AWS账户中运行。

百万Token上下文面向大型代码库

根据AWS披露，Muse Spark Open采用混合专家架构，总参数规模为8160亿，每个Token激活约420亿参数，支持100万Token上下文窗口。模型可以接收文本、图像、文档、音频以及音视频输入，输出则为文本。这使其能够同时处理代码、技术文档、架构图和问题记录等不同材料。

超长上下文并不意味着可以无差别地把整个代码仓库一次性塞给模型。大型项目仍需要检索、权限过滤、依赖分析和版本管理，否则过量噪声可能降低回答质量，还会增加推理成本。企业测试时应使用真实仓库任务，比较问题解决率、修改正确率和回归缺陷，而不只看上下文长度。

稀疏架构降低计算量，但不等于低门槛

混合专家模型每次只激活部分参数，有助于降低单个Token的计算量，但完整权重仍需要装入显存。AWS提供BF16和NVFP4两种版本，其中NVFP4所需内存约为BF16的四分之一。官方示例分别使用ml.p5e.48xlarge和ml.p6-b300.48xlarge等多GPU实例，说明这仍是一类面向高算力环境的模型。

AWS称，创建端点通常需要15至20分钟。端点只要持续运行就会计费，测试结束后应及时删除。企业在比较量化版本时，也要检查代码正确性、长任务稳定性和工具调用表现，避免只因显存占用下降就直接替换生产模型。

智能体能力还取决于外部工具与治理

Meta将该模型定位为可在较长时间跨度内进行规划、执行、观察和修正的编程模型，并支持工具调用、子智能体和计算机操作等场景。但模型本身并不会自动获得浏览器、终端或代码仓库权限，实际工具、沙箱、审批和日志仍由应用框架提供。

在部署层面，SageMaker端点运行在客户AWS账户内，可结合VPC、KMS存储加密、网络隔离和固定模型版本等控制措施。首发区域为美国弗吉尼亚北部和俄亥俄，其他地区的可用性需要等待后续更新。

编辑观察：企业要评估的是完整任务，而不是单轮得分

编程智能体进入生产环境后，真正重要的指标是一个任务能否在权限边界内完成：是否正确理解需求，是否修改了不该动的文件，能否运行测试，失败后是否可追溯和回滚。百万Token上下文与开放权重提供了新的工程选择，但也把算力、安全和运维责任更多地交给部署方。

更稳妥的试点可以从只读代码分析和低风险缺陷修复开始，限定工具权限，保留人工合并，并记录每一步调用。只有当任务成功率、时延、成本和安全性同时达到要求，长周期智能体才适合从实验环境进入核心研发流程。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：AWS官方技术博客（2026年10月15日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。