In 30 Sekunden
- Sieben Wege: Meta nennt fünf quelloffene Frameworks für das Nachtraining von Muse Spark Open auf eigenen GPUs und zwei gehostete Dienste, Together AI (Vorschau) und Fireworks AI.
- Groß auch für LoRA: Das Referenzrezept für ein LoRA-Training mit TorchTitan läuft auf 16 GB300-GPUs, Reinforcement Learning mit Miles auf 64 H200-GPUs.
- Jedes angepasste Modell ist ein Derivat: Die Lizenz erlaubt Feinabstimmung und Destillation, verlangt aber für Produkte mit Derivaten den Hinweis „Built with Muse Spark Open“. Als Derivat gilt auch ein Modell, das mit Ausgaben von Muse Spark Open trainiert wurde.
- AI Act: Übliches Nachtraining löst laut Kommissionsleitlinien meist keine zusätzlichen Pflichten als Anbieter eines KI-Modells mit allgemeinem Verwendungszweck aus. Die Schwelle liegt bei mehr als einem Drittel der ursprünglichen Trainingsrechenleistung; die Leitlinien sind nicht rechtsverbindlich.
Executive Summary
Nachtraining ist bei Muse Spark Open möglich und lizenzrechtlich erlaubt, aber kein günstiger Einstieg. Es lohnt erst, wenn eine Prompt- oder RAG-Lösung mit eigenen Testfällen nachweislich nicht reicht. Die eigentliche Entscheidung liegt zwischen eigenem GPU-Cluster und gehostetem Dienst, also zwischen Investition und Datenweitergabe.
Was Unternehmen jetzt tun sollten
- Fachbereich und KI-Team, vor jedem TrainingEinen Testkatalog mit echten Aufgaben anlegen und das unveränderte Modell mit Prompt oder RAG dagegen messen. Ohne diesen Ausgangswert lässt sich kein Trainingserfolg belegen.
- Datenschutz, vor der DatenauswahlKlären, ob Trainingsdaten Personendaten enthalten und ob sie an einen gehosteten Dienst gehen dürfen. Ein trainiertes Modell kann Daten wiedergeben.
- Rechtsabteilung, vor dem EinsatzPflichten für Derivate festhalten: Lizenz und Usage Policy beilegen, Hinweis im Produkt, Prüfung der Model-as-a-Service-Klausel. Auch Destillation aus Muse-Ausgaben einbeziehen.
Der Beitrag richtet sich an KI-Plattformteams und Entscheider, die Muse Spark Open selbst betreiben oder betreiben wollen und überlegen, das Modell mit eigenen Gesprächen, Dokumenten oder Aufgaben anzupassen. Wer das Modell nur über einen Anbieter aufruft, findet die Grundlagen im Beitrag zu Muse Spark Open. Sinnvoll beginnt man nicht mit dem Training, sondern mit der Frage, welche Aufgabe das unveränderte Modell heute messbar nicht schafft.
Wo das Nachtraining im Angebot von Meta steht
Meta bietet die Meta Model API mit gehosteten Muse-Modellen, das Abonnement Muse Code und offene Gewichte an, wie die Seite Meta für Unternehmen zeigt. Nachtraining gehört zu den offenen Gewichten. Laut Übersicht laufen offene Modelle auf eigener Hardware, Prompts und Antworten bleiben in der eigenen Infrastruktur. Für die gehosteten Modelle der Meta Model API beschreibt die Dokumentation kein Nachtraining.
Muse Spark Open ist laut Modellseite ein Mixture-of-Experts-Modell mit 816 Milliarden Parametern, davon 42 Milliarden aktiv je Token, mit Text-, Bild-, Audio- und Videoeingabe und einem Kontext von 1.048.576 Tokens. Die BF16-Fassung umfasst rund 1,65 TB Gewichte, die NVFP4-Fassung rund 537 GB. Für den Betrieb in BF16 empfiehlt Meta rund 2 TB Grafikspeicher. Ein nachtrainiertes Modell braucht im Betrieb dieselbe Größenordnung. Hardware und Betrieb des Basismodells behandelt dieser Beitrag nicht im Detail.
Welche Trainingswege Meta nennt
Für die meisten Unternehmen läuft die Wahl auf zwei Wege hinaus: gehosteter Dienst oder eigener Cluster. Ein LoRA-Training auf einem gehosteten Dienst ist ohne eigenen Cluster möglich, dafür gehen die Trainingsdaten an den Dienst. Wo dieser rechnet und wie lange er Daten speichert, beschreibt Metas Dokumentation nicht; das muss im Vertrag mit Together AI oder Fireworks AI geklärt werden. Ein Training im eigenen Rechenzentrum oder bei einem Cloud-Anbieter mit EU-Region hält die Daten in der eigenen Hand, braucht aber erhebliche Hardware: Das LoRA-Referenzrezept von TorchTitan nutzt 16 GB300-GPUs, das TRL-Rezept 64 H100. Wie viel ein eigener Lauf tatsächlich braucht, hängt von Verfahren, Kontextlänge und Daten ab. Wer kleiner anfangen will, kann prüfen, ob das offene Modell Muse Glimmer mit 30 Milliarden Parametern reicht; für dieses beschreibt Meta ein eigenes Post-Training. Dessen Lizenz und Hardwarebedarf sind gesondert zu prüfen.
Die Seite zum Post-Training listet sieben Optionen. Die Hardwareangaben stammen aus den Referenzrezepten und sind Startpunkte, keine Mindestanforderungen für jeden Datensatz.
| Weg | Verfahren laut Meta | Referenz-Hardware oder Grenze |
|---|---|---|
| TorchTitan | SFT mit LoRA oder mit allen Parametern auf Text, Bild und Audio; RL mit DAPO | LoRA-Rezept: 16 GB300, Kontext 131.072 Tokens; RL-Rezept: 256 Trainings- plus 16 Generator-GPUs |
| Miles | RL mit GRPO | 8 Knoten mit je 8 H200 über InfiniBand; je Kopie des Checkpoints rund 1,6 TB |
| TRL | SFT mit LoRA | 8 Knoten mit je 8 H100 |
| NVIDIA NeMo AutoModel, Megatron Bridge | SFT mit allen Parametern oder LoRA; Megatron-basiertes Training | Rezepte bei NVIDIA |
| Together AI | SFT und RL als gehosteter Dienst | Unterstützung für Muse Spark Open laut Meta in der Vorschau |
| Fireworks AI | Serverloses LoRA für SFT, DPO, ORPO, Destillation und RL; alle Parameter auf dedizierten GPUs | Basis ist die NVFP4-Fassung; LoRA-Rang bis 64, Sequenzen bis 262.144 Tokens |
Quelle: Meta, Post-training, abgerufen am 13. November 2026. SFT: überwachte Feinabstimmung mit Beispielgesprächen; LoRA: Training eines kleinen Zusatzmoduls statt aller Gewichte; RL: Training über eine Belohnungsfunktion.
Was Meta selbst einschränkt: Das SFT-Rezept im Kochbuch nennt sich ausdrücklich einen Ausgangspunkt, kein abgestimmtes Ergebnis. Der Erfolg hänge vor allem von den Daten ab, also welche Gespräche, wie viele und wie sauber. Kleine Datensätze überpassen laut Meta schnell. Belastbare Angaben, wie viel Qualität ein Nachtraining bei typischen Unternehmensaufgaben bringt, veröffentlicht Meta nicht.
Was die Lizenz für das angepasste Modell verlangt
Die Muse Model License erlaubt ausdrücklich, das Modell zu verändern, einschließlich Feinabstimmung, abgeleitete Werke zu erstellen, zu destillieren und weiterzugeben. Sie knüpft das an Bedingungen, die für Derivate genauso gelten wie für das Original. Als Derivat definiert sie jedes KI-Modell, das mit der Software oder mit deren Ausgaben oder Ergebnissen erstellt, trainiert, verändert, destilliert oder verbessert wurde.
Daraus folgt eine Pflicht, die Teams leicht übersehen: Wer mit Antworten von Muse Spark Open ein eigenes, kleineres Modell trainiert, etwa um Kosten im Betrieb zu senken, erzeugt laut Definition ebenfalls ein Derivat. Die Animation zeigt beide Wege schematisch.
Redaktionelle, schematische Darstellung von AI-Fabrik nach dem Wortlaut der Muse Model License (Abschnitte 1 bis 3, Definition „Derivatives“). Vereinfachte Darstellung, keine Rechtsberatung; die Umsatzschwelle bezieht sich auf Lizenznehmer und verbundene Unternehmen in einem beliebigen Zwölfmonatszeitraum.
Die einzelnen Bedingungen der Lizenz:
- Hinweis im Produkt: Jedes Produkt und jeder Dienst, der das Modell oder ein Derivat nutzt, muss „Built with Muse Spark Open“ gut sichtbar in der Oberfläche zeigen oder in Dokumentation, Website oder Einstellungsmenü. Für interne Werkzeuge reicht damit in der Regel ein Eintrag in der Dokumentation oder den Einstellungen.
- Lizenz beilegen: Copyright-Hinweis, Lizenz und Usage Policy gehören zu allen Kopien des Modells und seiner Derivate, auch wenn ein angepasstes Modell an Tochtergesellschaften oder Partner geht.
- Model as a Service: Wer KI-Modelle per API an Dritte anbietet und mit verbundenen Unternehmen mehr als 20 Millionen US-Dollar Umsatz in zwölf Monaten erzielt, braucht vorher eine eigene Vereinbarung mit Meta. Interne Nutzung und eigene Produktfunktionen, die kein Model as a Service sind, nimmt die Lizenz davon aus.
- Verantwortung: Meta beansprucht kein Eigentum an Ausgaben, haftet aber nicht für Derivate. Für Sicherheit, Einsatz und Nutzung eines Derivats ist laut Lizenz allein der Lizenznehmer verantwortlich. Die Usage Policy gilt auch für Derivate; Muse Spark Open ist laut Policy unter anderem nicht für Personen unter 18 Jahren bestimmt.
Vertragspartner für Lizenznehmer mit Sitz in der europäischen Region ist laut Lizenz Meta Platforms Ireland Limited. Die Lizenzgrundlagen jenseits des Nachtrainings, etwa für Einkauf und Weitergabe, ordnet der Beitrag zu Muse Spark Open ein.
AI Act und Datenschutz beim Nachtraining
Wer ein KI-Modell mit allgemeinem Verwendungszweck verändert, wird nicht automatisch selbst zum Anbieter mit allen Pflichten. Laut FAQ der EU-Kommission zu ihren Leitlinien gilt das nur in Ausnahmefällen, nämlich wenn die Veränderung mehr als ein Drittel der Rechenleistung nutzt, mit der das ursprüngliche Modell trainiert wurde. Selbst dann beschränken sich die Pflichten auf die Dokumentation der Veränderung und der neuen Trainingsdaten. Die Leitlinien sind nicht rechtsverbindlich, maßgeblich bleibt die Bewertung des Einzelfalls. Ein LoRA-Training mit Unternehmensdaten dürfte in der Regel weit unter der Schwelle liegen. Wie viel Rechenleistung Meta für das Basismodell eingesetzt hat, haben wir in den durchgesehenen Meta-Quellen nicht gefunden; für die Dokumentation sollte das Unternehmen den eigenen Trainingsaufwand festhalten. Unabhängig davon können Pflichten aus dem AI Act für das KI-System entstehen, in dem das Modell eingesetzt wird.
Für den Datenschutz ist entscheidend, was in den Trainingsdaten steht. Der Europäische Datenschutzausschuss hat in seiner Stellungnahme 28/2024 festgehalten, dass ein mit personenbezogenen Daten trainiertes Modell nicht ohne Weiteres als anonym gilt. Wer Gespräche aus dem Kundenservice oder Tickets mit Namen nachtrainiert, sollte deshalb vor dem Training pseudonymisieren oder bereinigen und testen, ob das Modell solche Daten wiedergibt.
Sicherheit nach dem Training neu prüfen: Die Lizenz legt die Verantwortung für Derivate allein beim Lizenznehmer ab. Ein Nachtraining verändert das Verhalten des Modells, auch bei Sicherheitsregeln und Ablehnungen. Ein angepasstes Modell gehört deshalb vor dem Einsatz durch denselben Sicherheits- und Qualitätskatalog wie ein neues Modell, nicht nur durch den Fachtest.
Wann sich das Nachtraining lohnt
| Weg | Passt, wenn | Aufwand und Risiko |
|---|---|---|
| Prompt und RAG ohne Training | Wissen fehlt, das sich aus Dokumenten nachladen lässt, oder Regeln in den Systemprompt passen | Geringster Aufwand, kein Derivat; Ausgangswert für jeden Vergleich |
| LoRA beim gehosteten Dienst | Format, Ton oder ein fester Arbeitsablauf trotz guter Prompts nicht stabil gelingen und die Daten weitergegeben werden dürfen | Kein eigener Cluster; Daten gehen an den Dienst, Verarbeitungsort und Speicherung vertraglich klären |
| Training im eigenen Cluster | Die Daten das Haus nicht verlassen dürfen oder RL mit eigener Belohnungsfunktion nötig ist | Referenzrezepte reichen von 16 GB300 (LoRA) bis 256 Trainings- plus 16 Generator-GPUs (Reinforcement Learning); Team für Training, Bewertung und Betrieb |
Entscheidungshilfe von AI-Fabrik auf Basis der Meta-Dokumentation, keine Messung. In allen Fällen gilt: erst Ausgangswert messen, dann trainieren, dann mit denselben Testfällen vergleichen.
Pilotfragen vor dem ersten Trainingslauf
- Welche Aufgabe löst das unveränderte Modell mit Prompt oder RAG messbar nicht, und mit welchen Testfällen und Abnahmekriterien belegen wir den Unterschied?
- Enthalten die Trainingsdaten Personendaten oder Geschäftsgeheimnisse, und dürfen sie an Together AI oder Fireworks AI gehen?
- Wo wird das angepasste Modell betrieben, und reicht die vorhandene Hardware für Training und Betrieb in derselben Größenordnung wie das Basismodell?
- Wie erfüllen wir die Lizenzpflichten für Derivate, auch für Modelle, die mit Muse-Ausgaben trainiert werden, und wer prüft die Model-as-a-Service-Klausel?
- Wer verantwortet Sicherheitstests und Freigabe des angepassten Modells, und wie oft wird bei neuen Daten nachtrainiert?
Fazit: Erst messen, dann trainieren
Die Lizenz erlaubt das Nachtraining ausdrücklich, macht aber jedes Ergebnis zum Derivat mit Pflichten, auch destillierte kleinere Modelle. Für die meisten Unternehmen ist es der zweite Schritt: sinnvoll erst, wenn ein Testkatalog zeigt, dass Prompt und RAG nicht reichen, und wenn entschieden ist, ob die Trainingsdaten zu einem Dienstleister dürfen.
Die nächste Entscheidung: Welche Aufgabe soll ein Nachtraining verbessern, und mit welchem Testkatalog wird der Ausgangswert gemessen?
Quellen
Anbieter (abgerufen am 13. November 2026)
- Meta: Muse Spark Open (Modell, Checkpoints, Hardware) und Open-weight models
- Meta: Post-training (Trainingswege, Referenzrezepte, gehostete Dienste)
- Meta: Fine-tune Muse Spark Open with TorchTitan (Kochbuch)
- Meta auf Hugging Face: Model Card mit Muse Model License und Usage Policy (Usage Policy vom 15. Oktober 2026)
EU und Datenschutz
- EU-Kommission: FAQ zu den Leitlinien für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck
- Europäischer Datenschutzausschuss: Stellungnahme 28/2024 zu Datenschutzaspekten von KI-Modellen
