TL;DR: Meta lanzó Muse Spark Open el 15 de octubre de 2026, presentando un modelo multimodal de pesos abiertos diseñado para programación, uso de herramientas y flujos de trabajo de agentes autónomos. Con aproximadamente 816 mil millones de parámetros totales, 42 mil millones de parámetros activos por token y hasta un millón de tokens de contexto, el lanzamiento lleva capacidades MoE a gran escala a pesos de modelo descargables y servicios de inferencia alojados.
La principal disyuntiva: ganas control sobre el despliegue y la personalización, pero asumes costos de hardware, licencias y evaluación. Meta lo denomina el modelo de pesos abiertos más capaz de Estados Unidos. Esa afirmación no implica que encabece todos los benchmarks globales.
Puntos clave
- Muse Spark Open utiliza una arquitectura MoE dispersa con aproximadamente 816B de parámetros totales y 42B de parámetros activos por token, y admite hasta 1M de tokens de contexto.
- Muse Spark Open acepta entradas de texto, imagen, audio y video, y genera salidas de texto.
- Meta diseñó Muse Spark Open para programación, razonamiento, uso de herramientas y flujos de trabajo de agentes multimodales.
- Meta ofrece checkpoints de Muse Spark Open en formatos BF16 y NVFP4, mientras que proyectos de la comunidad proporcionan variantes cuantizadas adicionales.
- Los pesos descargables de Muse Spark Open no lo convierten en software de código abierto sin restricciones ni hacen que sea barato autoalojarlo.
¿Qué es Muse Spark Open? Especificaciones y panorama general
Muse Spark Open es un modelo multimodal de gran escala y pesos abiertos de Meta. Utiliza una arquitectura MoE dispersa para tareas de ingeniería de software y agentes, incluyendo inspección de repositorios, edición de código, uso de herramientas e interpretación de observaciones visuales o de audio.
Especificaciones de Muse Spark Open
| Especificación | Especificaciones de Muse Spark Open |
|---|---|
| Desarrollador | Meta |
| Fecha de lanzamiento | October 15, 2026 |
| Arquitectura | Sparse Mixture of Experts (MoE) |
| Par\u00e1metros totales | Approximately 816B |
| Parámetros activos | Approximately 42B per token |
| Expertos / expertos seleccionados | 256 / 8 por capa MoE |
| Capas Transformer | 62 |
| Ventana de contexto | Up to 1,048,576 tokens |
| Entradas | Text, images, audio, video |
| Salida | Text |
| Checkpoints | BF16, NVFP4 |
| Inferencia | Transformers, llama.cpp, SGLang, vLLM, MLX, TensorRT-LLM, and Unsloth (Meta launch announcement) |
| Licencia | Muse Model License |
El diagrama de arquitectura publicado muestra los componentes del modelo.
¿Qué puede hacer Muse Spark Open?
Arquitectura MoE dispersa
Cada capa MoE ofrece 256 expertos y enruta un token a ocho. La activación dispersa ayuda a reducir el cómputo respecto a ejecutar densamente los 816B parámetros, preservando una gran capacidad total. No elimina la memoria necesaria para almacenar los pesos del modelo ni la sobrecarga de comunicación de los sistemas con paralelismo de expertos.
Comprensión multimodal nativa
Un único modelo procesa entradas de texto, imágenes, audio y video y produce texto. Esto respalda flujos de trabajo como depuración guiada por capturas de pantalla, inspección de interfaces, tareas asistidas por transcripción y agentes de navegador visual. Acepta imágenes, audio y video como entradas; no genera imágenes, música ni video como salidas.
Agentes de programación de largo horizonte
Meta enfatiza la refactorización multicarpeta, la depuración, la invocación de herramientas y la ejecución iterativa de agentes. Una ventana de contexto larga ayuda a los agentes a retener el código fuente y el historial de tareas, pero el éxito aún depende de la recuperación, los permisos de herramientas, la validación y la distribución de la información relevante en el contexto.
Razonamiento y uso de herramientas
El ecosistema de inferencia admite esfuerzo de razonamiento configurable y analizadores de llamadas a herramientas. Un esfuerzo de razonamiento bajo es una base práctica para tareas económicas; flujos de trabajo más exigentes pueden justificar mayores presupuestos de razonamiento, sujetos a mejoras medidas en la finalización de tareas.
¿Cómo rinde Muse Spark Open en benchmarks de IA?
Lo siguiente son resultados de lanzamiento informados en la tarjeta del modelo de Meta, no mediciones realizadas para este artículo. Meta especifica xhigh reasoning effort, temperatura 1.0, top_p 1.0 y top_k deshabilitado. Los harnesses específicos de cada benchmark importan; el resumen no proporciona una configuración de hardware completa para reproducir cada puntuación.
| Evaluación | Resultado reportado por Meta | Alcance |
|---|---|---|
| Artificial Analysis Intelligence Index | 39 | Índice compuesto de terceros reproducido por Meta |
| Terminal-Bench 2.1 | 76.4 | Agente Terminus 2; evaluación de código dependiente del harness |
| VideoMMEv2 | 61.5 | Evaluación de video; no es una medición de rendimiento |
Interpretación de los benchmarks de Muse Spark Open
Estos valores usan escalas diferentes y no deben promediarse. Reproduzca sus propios flujos de trabajo de repositorios y herramientas con presupuestos, reglas de parada y ajustes de modelo iguales. Registre finalización exitosa, reintentos, latencia y costo total; una puntuación de benchmark no establece fiabilidad en producción.
Cómo implementar: local, API y nube
Elija implementación local para control sobre pesos y datos, una API alojada para una evaluación rápida o un endpoint en la nube gestionado para servicio dedicado. Verifique el checkpoint exacto, las entradas compatibles y el contexto de servicio antes de elegir una ruta.
Implementación local
La memoria es la principal restricción para la implementación local. Por recuento bruto de parámetros, los pesos en BF16 por sí solos ocupan alrededor de 1.6 TB; la guía de despliegue de Meta especifica al menos 2 TB de memoria de GPU para BF16 y 700 GB para NVFP4; los búferes en tiempo de ejecución y la caché KV también deben caber. Las configuraciones cuantizadas de la comunidad tienen huellas diferentes.
Se documentan dos configuraciones distintas de Apple Silicon. El anuncio de lanzamiento de Meta describe el despliegue en dos máquinas Apple M5 Ultra Mac Studio usando MLX. Por separado, la sección de Llama.cpp en el artículo de lanzamiento de Hugging Face informa una cuantización de 2 bits calibrada con imatrix en un Mac M3 Ultra de 512 GB, usando aproximadamente 304 GB para el modelo y generando alrededor de 18 tokens por segundo. Estos reportes se refieren a hardware y configuraciones de inferencia diferentes; ninguno establece una calidad igual entre cuantizaciones.
| Despliegue | Ventaja | Consideración |
|---|---|---|
| Apple Silicon / MLX | Memoria unificada, controles locales | Límites de memoria y rendimiento |
| Cuantización con llama.cpp | Ecosistema GGUF accesible | Compromisos de precisión/calidad |
| NVIDIA GPUs / SGLang | Inferencia paralela optimizada para NVFP4 | Varios aceleradores de alta memoria |
| vLLM | Integraciones de servicio escalable | Restricciones de plugin, checkpoint y hardware |
| Hugging Face Inference Endpoints | Infraestructura gestionada | Costo de alojamiento continuo |
| Proveedor de API alojada | Configuración mínima | Disponibilidad del proveedor y términos de privacidad |
Ejemplo: servir el checkpoint Q2 con llama.cpp.
Instale el runtime de llama y arranque el checkpoint grande Q2 usando la receta publicada de llama.cpp. Esto requiere una máquina compatible con gran memoria.
curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Muse-Spark-Open-816B-A42B-GGUF:Q2_K
Este ejemplo requiere suficiente memoria para un modelo cuantizado muy grande; no es un comando pensado para un portátil común. Una vez que el servidor se inicia, su interfaz compatible con OpenAI puede invocarse usando un cliente compatible.
Acceso mediante API alojada
Use el siguiente ejemplo de Groq para una solicitud a una API alojada. Para un despliegue dedicado en la nube, Hugging Face proporciona una receta gestionada de Inference Endpoints. Verifique la instancia seleccionada, el límite de contexto del endpoint y los cargos de alojamiento continuos antes de aprovisionar.
Groq documenta acceso de vista previa limitada para organizaciones aprobadas. Instale su SDK de Python con pip install groq y establezca GROQ_API_KEY antes de ejecutar esta solicitud solo de texto.
from groq import Groq
client = Groq() # Lee GROQ_API_KEY del entorno
response = client.chat.completions.create(
model="meta-models/muse-spark-open",
messages=[{"role": "user", "content": "Explica el enrutamiento de MoE."}],
)
print(response.choices[0].message.content)
Este ejemplo requiere acceso de vista previa y no se ha ejecutado con una cuenta de pago para este artículo. Actualmente, Groq documenta una ventana de contexto de 131,072 tokens y entrada de texto/imagen; el servicio alojado no expone todas las modalidades nativas del modelo.
¿Cuánto cuesta Muse Spark Open?
Descargar pesos y pagar por la inferencia son preguntas de costo diferentes. Los proveedores pueden cobrar por token de entrada/salida, capacidad aprovisionada o hardware dedicado. El uso autoalojado conlleva GPUs, memoria, almacenamiento, electricidad, operaciones y esfuerzo de ingeniería.
Solo a modo de ilustración, el siguiente escenario asume $1.25 por 1M de tokens de entrada y $4.25 por 1M de tokens de salida. No son tarifas universales verificadas ni de CometAPI.
| Carga de trabajo ilustrativa | Tokens de entrada | Tokens de salida | Cargo calculado |
|---|---|---|---|
| Tarea de programación corta | 10,000 | 2,000 | $0.0210 |
| Revisión de repositorio | 100,000 | 10,000 | $0.1675 |
| Flujo de trabajo de agente grande | 500,000 | 50,000 | $0.8375 |
| Análisis de un millón de tokens | 1,000,000 | 20,000 | $1.3350 |
Fórmula: costo estimado = input tokens / 1,000,000 × input unit rate + output tokens / 1,000,000 × output unit rate. El caché, los reintentos, la infraestructura y cargos específicos del proveedor pueden cambiar el total.
¿Es Muse Spark Open realmente de código abierto?
A diferencia de un servicio cerrado solo por API, Muse Spark Open ofrece checkpoints para inferencia gestionada por desarrolladores. Las organizaciones pueden comparar sistemas alojados localmente, despliegues en la nube dedicados y endpoints gestionados según privacidad, personalización, calidad y costo operativo.
Muse Spark Open se distribuye como pesos abiertos bajo la Muse Model License. Los checkpoints descargables no implican derechos de código abierto sin restricciones. Revise las condiciones de la licencia para redistribución, derivados, atribución y servicios de modelo alojado antes del despliegue.
Los equipos deben revisar el texto de la licencia vigente antes de usar los pesos en productos de cara al cliente, redistribuir checkpoints modificados o prometer derechos de uso aguas abajo.
Muse Spark Open frente a Muse Spark Hosted API
Elija Muse Spark Open cuando necesite control sobre los pesos del modelo y el despliegue. Elija una API alojada cuando desee inferencia gestionada sin operar la pila de servicio.
La identidad del modelo y el método de despliegue son aspectos separados. Muse Spark Open es un lanzamiento de pesos abiertos, mientras que un endpoint alojado puede servir una versión distinta de Muse Spark. Verifique el ID y la versión exactos del modelo antes de compararlos. El anuncio de Muse Spark 1.1 de Meta es un ejemplo de un modelo Muse Spark ofrecido a través de Meta Model API.
| Aspecto | Muse Spark Open | Hosted Muse Spark API (p. ej., 1.3 Standard / Contributor) |
|---|---|---|
| Pesos | Open (checkpoints BF16 y NVFP4 descargables desde Hugging Face, etc.) | Cerrados (no se publican pesos) |
| Lanzamiento | Oct 15, 2026 | 1.3: Sep 2, 2026 (también disponibles 1.1/1.2 anteriores) |
| Tamaño / Arquitectura | 816B parámetros totales, ~42B activos por token (MoE: 256 expertos, 8 activos) | No divulgado públicamente (mismo base que Open según declaraciones de Meta) |
| Contexto | 1M tokens | 1M tokens |
| Modalidades | Entradas de texto, imagen, video, audio; salida de texto | Entradas de texto, imagen, video, PDF (y a veces audio); salida de texto |
| Pricing (per 1M tokens) | Autoalojado: solo costo de hardware | Meta Standard: $1.25 entrada / $0.15 en caché / $4.25 salida Contributor: $0.10 / $0.002 / $0.20 (datos usados por Meta) |
| Acceso | Autoalojado | Meta Model API, Muse Code, o agregadores como CometAPI / OpenRouter |
| Licencia / Términos | Muse Model License (uso comercial permitido con condiciones; Model-as-a-Service a gran escala >$20M de ingresos requiere acuerdo con Meta; requisitos de atribución) | Términos propietarios de Meta; el nivel Contributor permite a Meta entrenar con sus datos |
| Seguridad / postentrenamiento | Postentrenamiento de seguridad adicional para uso autónomo sin guardarraíles de Meta | Integrado con los guardarraíles del sistema de Meta |
Muse Spark Open y la hosted Muse Spark API comparten el enfoque de la familia Muse Spark en programación, agentes, tareas de largo horizonte, entradas multimodales (texto + imagen/video/audio/PDF), llamadas a herramientas y una ventana de contexto de 1M de tokens, pero difieren fundamentalmente en distribución, acceso y control.
Diferencias prácticas
- Control y privacidad: Open permite autoalojar (requiere hardware sustancial: ~700 GB+ de VRAM para NVFP4 o ~2 TB para BF16) para que los datos permanezcan en su infraestructura. Hosted enruta todo a través de Meta o del proveedor.
- Costo a escala: El autoalojamiento requiere hardware o capacidad en la nube, almacenamiento, operaciones y tiempo de ingeniería. Las APIs alojadas reducen esos costos de infraestructura pero agregan tarifas de uso, cuotas y posibles costos de reintentos. Compare el costo total para su carga de trabajo en lugar de asumir que una opción siempre es más barata.
- Funciones y rendimiento: Ambos admiten llamadas a herramientas, niveles de esfuerzo de razonamiento (low/medium/high/xhigh) y programación con agentes. Open está ajustado para robustez autónoma; las versiones cerradas se integran más estrechamente con productos de Meta (Muse Code, Meta AI). Los resultados de benchmarks son similares; Open se posiciona como el modelo de pesos abiertos más fuerte en EE. UU. al lanzamiento, mientras que el cerrado 1.3 era el endpoint recomendado para producción antes del lanzamiento de Open.
- Flexibilidad: Open permite fine-tuning, cuantización personalizada y uso local/sin conexión. Hosted es más simple (sin infraestructura) e incluye el nivel Contributor más económico si acepta el uso de datos.
¿Cuál elegir?
- Prefiera Muse Spark Open cuando necesite autoalojamiento, fine-tuning, despliegue local o aislado, máximo control de datos o mayor control sobre el servicio del modelo.
- Prefiera la hosted Muse Spark API (especialmente 1.3 Standard o Contributor) para el acceso oficial más simple, integración con Muse Code, potencialmente menor costo vía Contributor y la infraestructura/seguridad gestionadas por Meta.
- Vía un agregador como CometAPI: útil para cambio sencillo, facturación unificada y comparar ambos (más competidores) sin múltiples cuentas. Verifique
CometAPI como ruta de acceso alternativa
CometAPI proporciona una interfaz compatible con OpenAI para modelos soportados. Su catálogo lista Muse Wonder, que puede evaluarse como un modelo de Meta separado. Muse Wonder no es Muse Spark Open, y su listado no establece que Muse Spark Open esté disponible a través de CometAPI. Confirme el ID del modelo, acceso, entradas soportadas, límite de contexto y tarifas actuales antes de integrarlo.
Para un piloto, ejecute las mismas tareas representativas contra sus endpoints preseleccionados y compare finalización exitosa, latencia y costo total incluyendo reintentos. Use CometAPI cuando el acceso conveniente a varios modelos soportados sea la prioridad; elija un endpoint verificado de Muse Spark Open cuando se requiera ese modelo exacto; autoaloje cuando el control a nivel de pesos justifique el esfuerzo operativo.
¿Para qué se usa Muse Spark Open?
- Mejor ajuste: equipos que construyen agentes de programación o flujos de trabajo de análisis de interfaces multimodales que se benefician del acceso directo a los pesos del modelo.
- Condicional: inferencia privada empresarial e investigación de adaptación de modelos, siempre que el equipo tenga suficiente infraestructura, capacidad de evaluación y un acuerdo de licencia adecuado.
- Para prototipos ocasionales: comience con una API alojada para evitar comprometerse con infraestructura dedicada antes de validar la carga de trabajo.
¿Cuáles son las principales limitaciones de Muse Spark Open?
- El chat en un portátil común no es una buena opción: la inferencia a tamaño completo requiere mucha memoria incluso con activación dispersa. Considere un modelo más pequeño o acceso alojado para uso ligero.
- No se admite generación nativa de medios: el modelo produce texto, por lo que la generación de imágenes, música y video requiere modelos o herramientas separadas.
- La calidad y el rendimiento de la inferencia son sensibles a la cuantización y al despliegue en paralelo.
- La licencia personalizada del modelo debe revisarse para el uso comercial previsto.
- Las demos de agentes no son prueba de seguridad en producción sin supervisión ni de ejecución consistente de herramientas.
FAQ
¿Por qué un endpoint de Muse Spark Open puede rechazar un prompt largo?
Verifique el límite de contexto configurado del endpoint, el presupuesto de salida reservado y el cómputo de tokens multimodales. La ventana máxima del modelo no garantiza que cada despliegue sirva esa longitud. Reduzca la solicitud o elija un despliegue configurado explícitamente para el contexto requerido.
¿Cómo validar Muse Spark Open después de cuantizar?
Reproduzca un conjunto fijo de tareas representativas contra los checkpoints original y cuantizado usando los mismos prompts, herramientas y presupuestos. Compare el éxito en tareas, llamadas a herramientas malformadas y regresiones en entradas difíciles. Una generación más rápida por sí sola no es evidencia suficiente para aprobar un despliegue cuantizado.
¿Qué debe registrar cuando falla un agente de Muse Spark Open?
Registre el checkpoint, la versión del runtime, los ajustes de razonamiento, el tamaño de entrada, los esquemas de herramientas, las respuestas de herramientas y la condición de parada. Redacte secretos y datos personales. Distinga errores del modelo de fallas de herramientas y truncamiento de contexto para que la siguiente prueba cambie el componente relevante.
¿Cómo presupuestar un piloto de Muse Spark Open?
Establezca un tope de gasto por tarea y un número máximo de reintentos antes de ejecutar la evaluación. Registre el uso total facturado y las finalizaciones exitosas en todo el piloto, incluidos los intentos fallidos. Use ese costo observado por éxito para estimar el gasto en producción.
Conclusión
Muse Spark Open presenta un caso convincente para empresas y desarrolladores que buscan razonamiento multimodal de frontera con control directo de los pesos del modelo. La combinación de 816B de parámetros totales, 42B activos por token, hasta 1M de contexto y entrenamiento orientado a agentes lo distingue de lanzamientos más simples orientados al chat.
Su valor práctico depende menos del recuento de parámetros que de la calidad medida, la viabilidad de despliegue, el encaje legal y el costo por tarea exitosa. Comience con una evaluación de carga de trabajo reproducible antes de escalar a producción.