开源权重模型发布当天即可在多种加速器上获得推理支持，覆盖 NVIDIA Blackwell 与 H200、AMD MI350X 与 MI355X，以及 Intel Xeon 6 P-core 平台。 此前这类超大多模态模型的支持通常滞后于权重发布，部署方需要等待后端适配。 在 8 块 B300、TP8/EP8 的 OpenHands 多轮智能体编码回放上，NVFP4 检查点在并发 1 时达到每 GPU 14.8K token/s、每用户 543 token/s，并发 128 时为每 GPU 80.3K token/s、每用户 61 token/s。
长提示预填充的等待时间被压缩，做法是把激活沿 token 维切分到各张量并行卡上，让池化、反池化和归一化只处理本卡分到的 token。 单用张量并行时，池化、反池化和边界层归一化在每张卡上都要处理同一整批 token。 在 4 块 GB300、TP4/EP4、16K 预填充分块、并发 1 到 64 的七档扫描中，序列并行加 NVFP4 MegaMoE 把 p90 首 token 时间降低 28.3% 到 41.9%；并发 64 时从 29.03 秒降到 19.47 秒。
强化学习训练侧能对全参数做更新，并让多轮 rollout 的 token 序列与模型实际采样保持一致。 多轮训练中重新渲染对话模板会改动已有前缀，使训练序列偏离原始轨迹。 在 64 块 H200 与 32 块 B300 上用 GRPO 在 DAPO-Math-17K 上训练全语言模型，采用 rollout 路由回放后训练与 rollout 的 log 概率差为 0.0044 到 0.0071，未采用时为 0.015 到 0.020。
报道覆盖的是 Muse Spark Open 在 SGLang 与 Miles 上的支持范围：NVIDIA Blackwell 与 H200、AMD MI350X 与 MI355X、Intel Xeon 6 P-core 的推理路径，以及基于 Megatron-Core 的全参数强化学习训练。性能数字来自 8 块 B300 的 OpenHands 与 AgentX 回放、4 块 GB300 的预填充扫描，以及 64 块 H200 和 32 块 B300 的训练运行。TPU 路径的配方与 SGLang-TorchTPU 访问被描述为即将提供。
回放中的推测解码接受长度是固定的模拟值：OpenHands 扫描固定为 4.5，AgentX 扫描固定为 4.16，后者取自 80 条真实编码首轮提示上的实测值，因此解码开销反映的是该接受长度而非草稿模型的实际质量。AgentX 保留记录轨迹的 token 数与前缀结构但生成合成提示文本。精度对照表中部分基准的参考值来自模型卡与已发布的 SGLang 测试结果。
