Meta lanza Muse Spark Open: modelo de pesos abiertos de 816.000 millones de parámetros
Meta presentó a mediados de octubre de 2026 Muse Spark Open, la versión de pesos abiertos de su modelo Muse Spark. Según los reportes de varios medios tecnológicos, el lanzamiento se produjo el 15 de octubre, y la agencia AFP, difundida por France 24, lo publicó al día siguiente como un intento de competir con los modelos abiertos chinos.
Qué se sabe del modelo
Muse Spark Open tiene 816.000 millones de parámetros en total, de los cuales unos 42.000 millones se activan para procesar cada token. Es un modelo multimodal de forma nativa, con una ventana de contexto de un millón de tokens, y está orientado sobre todo a programación y tareas de agentes. Muse Spark había debutado en abril de 2026 como un modelo cerrado; ahora Meta libera los pesos de esta variante para que los desarrolladores puedan descargarlos y modificarlos.
Los pesos están disponibles en Hugging Face y también a través de Amazon SageMaker AI, Google Cloud Model Garden y Microsoft Foundry. Algunos medios añaden que se puede acceder por API mediante proveedores como Groq, OpenRouter y Together AI. En paralelo, Meta lanzó dos modelos cerrados llamados Muse Wonder y Muse Wonder Full.
La licencia: ¿realmente «abierto»?
Aquí está el matiz principal. Los pesos se distribuyen bajo la Muse Model License, una licencia propia de Meta con límites comerciales. Los reportes mencionan la obligación de mostrar un aviso «Built with Muse» en los productos y la necesidad de una licencia aparte para empresas por encima de cierto umbral de ingresos, que algunas fuentes sitúan en 20 millones de dólares mensuales. Por eso varios medios prefieren hablar de modelo de «pesos abiertos» y no de código abierto, y cuestionan que el adjetivo «abierto» sea el más adecuado.
Las afirmaciones de Meta y las clasificaciones independientes
Meta describe a Muse Spark Open como el modelo de pesos abiertos más capaz de Estados Unidos hasta la fecha. Esa valoración es de la propia compañía y de comentaristas del sector: el investigador Nathan Lambert, por ejemplo, lo ubica por encima de GLM 5.2 y cerca de DeepSeek V4.1 Flash. Las clasificaciones independientes no coinciden del todo: Vals.ai lo coloca en el puesto 38 de 49 en su índice. La conclusión prudente es que los resultados dependen del banco de pruebas y que conviene revisar la ficha oficial del modelo antes de adoptarlo en producción.
Para los equipos de habla hispana que trabajan con IA, la noticia es relevante por una razón práctica: contar con pesos descargables permite ejecutar el modelo en infraestructura propia, aunque los requisitos de hardware son altos. Algunas fuentes citan al menos 700 GB de memoria de aceleradores para la versión cuantizada, y se ha informado de que también puede correr en local en dos Mac Studio con chip M5 Ultra.
