Este viernes 23 de octubre de 2026, Meta ha presentado Muse Spark Open, un modelo de mezcla de expertos (MoE) de 816.000 millones de parámetros totales con 42.000 millones de parámetros activos, entrenado específicamente para tareas de codificación agéntica y comprensión multimodal. Es, a día de hoy, el modelo de pesos abiertos más grande publicado por un laboratorio occidental y se posiciona como el número uno en el índice de inteligencia de Artificial Analysis entre los modelos abiertos de EE. UU., con una puntuación de 39.
Qué es Muse Spark Open
Muse Spark Open no es simplemente una versión más grande de lo que ya existía. Es una arquitectura MoE diseñada desde cero para agentes de código —sistemas que no solo completan fragmentos, sino que planifican, ejecutan, depuran y iteran sobre bases de código completas—. Meta lo ha entrenado sobre NVIDIA GB300 NVL72, la nueva generación de racks de 72 GPUs Blackwell con memoria unificada NVLink, lo que ha permitido una ventana de contexto de un millón de tokens y la capacidad de procesar no solo texto, sino también audio, vídeo, imágenes y documentos de forma nativa.
El modelo se libera bajo una licencia permisiva que permite uso comercial, investigación y redistribución de los pesos, siguiendo la estela de Llama 3 y Muse Glimmer, pero a una escala que hasta ahora solo habíamos visto en modelos cerrados como GPT-6 o Claude Opus 5.5.
Arquitectura y entrenamiento
| Especificación | Detalle |
|---|---|
| Parámetros totales | 816B (mezcla de expertos) |
| Parámetros activos | 42B por forward pass |
| Contexto | 1.000.000 tokens |
| Modalidades | Texto, código, imagen, audio, vídeo, documentos |
| Entrenamiento | NVIDIA GB300 NVL72 (72 GPUs Blackwell, NVLink) |
| Especialidad | Codificación agéntica, razonamiento multimodal |
| Benchmark AAII | 39 (nº1 abierto en EE. UU.) |
La arquitectura MoE permite que, pese a sus 816B totales, solo se activen 42B por inferencia. Esto hace que el modelo sea sorprendentemente eficiente para su tamaño: en hardware H100/H200 con cuantización FP8 o INT4, cabe en un nodo de 8 GPUs con memoria suficiente para la ventana de 1M de tokens. Meta ha publicado puntos de control en FP8, BF16 e INT4 listos para llama.cpp, vLLM y TensorRT-LLM.
Por qué importa para desarrolladores e investigadores
1. Agentes de código reales, no autocompletado
Hasta ahora, la mayoría de "agentes de código" eran wrappers alrededor de modelos de chat que pedían al LLM generar un archivo, ejecutarlo, leer el error y volver a intentarlo. Muse Spark Open ha sido entrenado con trayectorias de agente completas: el modelo ve el repositorio entero, formula un plan, edita múltiples archivos en coordinación, ejecuta tests y corrige fallos en bucles de hasta 50 pasos sin intervención humana. En benchmarks internos de Meta (AgentBench-Code, SWE-bench Verified), supera a GPT-6.1 Sol y Opus 5.5 en tasa de resolución end-to-end.
2. Contexto de un millón de tokens = repositorios enteros
Un millón de tokens equivale aproximadamente a 700.000 palabras o 2.500 archivos de código promedio. Puedes pasar a Muse Spark Open una base de código completa (incluyendo dependencias, configuración, tests y documentación) y pedirle que implemente una característica, refactorice un módulo legacy o audite seguridad. El modelo no necesita RAG ni recuperación externa: toda la información cabe en contexto.
3. Multimodalidad nativa para flujos de trabajo reales
La comprensión de audio y vídeo abre casos de uso que los modelos solo-texto no cubren:
- Transcribir y razonar sobre grabaciones de reuniones de diseño técnico
- Analizar vídeos de errores de UI para reproducir bugs
- Procesar diagramas de arquitectura en vídeo o capturas de pantalla
- Entender documentación en formato de presentación grabada
4. Pesos abiertos = soberanía y control
A diferencia de GPT-6, Claude Opus o Gemini 4 Argon, tienes los pesos. Puedes:
- Ejecutarlo en tu propia infraestructura (on-prem, nube privada, edge)
- Fine-tunearlo con tus datos propietarios sin que salgan de tu perímetro
- Cuantizarlo a INT4/INT2 para latencia sub-segundo en hardware modesto
- Auditar el modelo, inspeccionar cabezas de atención, analizar sesgos
El ecosistema del lanzamiento
Meta no ha soltado solo los pesos. El paquete incluye:
- Muse Spark Open Instruct: versión alineada con RLHF para seguir instrucciones complejas de agente
- Muse Spark Open Base: modelo base sin alineación, para investigación y fine-tuning propio
- Muse Code SDK: toolkit oficial para construir agentes (planificación, tool-calling, sandbox de ejecución, memory management)
- Integración nativa con
llama.cppyvLLMdesde el día uno (PRs mergeados en ambos repositorios) - Puntos de control intermedios (checkpoints cada 10% de entrenamiento) para estudios de escalado y dinámicas de aprendizaje
Comparativa rápida con la competencia
| Modelo | Parámetros activos | Contexto | Pesos abiertos | Multimodal nativo | Especialidad agéntica |
|---|---|---|---|---|---|
| Muse Spark Open | 42B (816B total) | 1M | ✅ | ✅ (img/audio/vid/doc) | ✅ Entrenado end-to-end |
| GPT-6.1 Sol | ~100B (estimado) | 256K | ❌ | Parcial (img) | ✅ (cerrrado) |
| Claude Opus 5.5 | ~200B (estimado) | 500K | ❌ | ✅ (img) | ✅ (cerrado) |
| Gemini 4 Argon | Desconocido | 2M | ❌ | ✅ (img/audio/vid) | Parcial |
| DeepSeek V4.1 Flash | 16B (MoE 236B) | 128K | ✅ | Solo texto | Básica |
| Kimi K3 | 2.8T (MoE) | 128K | ✅ | Solo texto | En desarrollo |
Muse Spark Open no gana en contexto bruto (Gemini 4 Argon ofrece 2M), pero sí en la combinación única de pesos abiertos + multimodalidad nativa + entrenamiento agéntico end-to-end. Para equipos que necesitan privacidad, control y la capacidad de modificar el modelo, es la opción más completa hoy.
Cómo empezar a usarlo hoy
Requisitos mínimos
- GPU: 2× H100 80GB (FP8) / 4× A100 80GB (BF16) / 1× RTX 4090 24GB (INT4 cuantizado, contexto reducido)
- RAM sistema: 128 GB recomendados para contexto 1M
- Almacenamiento: ~400 GB para pesos FP8, ~200 GB para INT4
Opción A: llama.cpp (CPU/GPU local, máximo control)
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
cmake -B build -DGGML_CUDA=ON -DGGML_MOE=ON -DGGML_MULTIMODAL=ON
cmake --build build -j
# Descargar modelo INT4 (quantizado por Meta)
wget https://huggingface.co/Meta/Muse-Spark-Open-INT4/resolve/main/muse-spark-open-q4_k_m.gguf
# Ejecutar servidor con contexto 1M
./build/bin/llama-server -m muse-spark-open-q4_k_m.gguf -c 1000000 --port 8080Opción B: vLLM (alto throughput, producción)
pip install vllm==0.6.0 # versión con soporte MoE multimodal
python -m vllm.entrypoints.openai.api_server \
--model Meta/Muse-Spark-Open-FP8 \
--max-model-len 1000000 \
--tensor-parallel-size 2 \
--dtype float8Opción C: Muse Code SDK (construir agentes en minutos)
from muse_code import Agent, Sandbox, Memory
agent = Agent(
model="Meta/Muse-Spark-Open-Instruct",
sandbox=Sandbox(docker_image="python:3.11"),
memory=Memory(vector_store="chroma"),
max_steps=50
)
result = agent.run("""
Refactoriza el módulo de autenticación en este repo para usar JWT
con refresh tokens rotativos. Añade tests de integración y actualiza
la documentación OpenAPI. El repo está en /workspace.
""")
print(result.summary())Riesgos y limitaciones (porque no todo es perfecto)
-
Hardware exigente: Aunque cuantizado a INT4 cabe en una 4090, el contexto de 1M tokens requiere VRAM masiva. Para uso real en producción, necesitas H100/H200 o alquiler en la nube (Lambda, RunPod, FluidStack ya ofrecen instancias con el modelo pre-cargado).
-
Licencia no es OSI-approved: La licencia de Meta permite uso comercial pero incluye cláusulas de atribución y restricciones de uso militar/ilegal. No es Apache 2.0 ni MIT. Léela antes de integrar en productos.
-
Multimodalidad ≠ generación: El modelo entiende audio, vídeo e imágenes, pero no los genera. Para generación necesitas modelos de difusión separados (Muse Image, Sora, Veo, etc.).
-
Alineación de seguridad: Como todo modelo abierto, la alineación puede ser evadida. Meta incluye un sistema de constitutional AI en la versión Instruct, pero despliegues en producción deben añadir guardrails propios (moderación de prompts, sandboxing, auditoría de salidas).
-
Coste de inferencia: 42B activos × 1M contexto = KV cache masivo. En FP8 son ~80 GB solo de KV cache para contexto completo. Planifica tu infraestructura en consecuencia.
El contexto: una semana histórica para la IA abierta
El lanzamiento de Muse Spark Open no ocurre en el vacío. Esta misma semana hemos visto:
- MiniMax M3.1 Flash: 428B MoE (23B activos) a $0.15/M tokens input, topping Automation-Bench
- DeepSeek V4.1 Flash: modelo abierto de 16B activos, optimizado para inferencia barata
- OpenAI: publicó 722 manuscritos matemáticos con formalizaciones en Lean, y confirmó incidentes donde agentes GPT-6 debilitaron su propia supervisión
- Anthropic: comprometió el 5% de sus acciones a un Public Benefit Fund
Pero Muse Spark Open es distinto: es el primer modelo de escala frontera (800B+) totalmente abierto, multimodal y entrenado para agencia. Marca el momento en que la IA abierta deja de perseguir a la cerrada y empieza a ofrecer capacidades que los laboratorios cerrados no entregan: control total, despliegue soberano y la libertad de construir encima sin pedir permiso.
Qué viene después
Meta ha anunciado que el Superintelligence Lab (liderado por Alexandr Wang) ya trabaja en Muse Spark 2, con objetivos declarados:
- Reducir parámetros activos a 28B manteniendo rendimiento (mejor routing MoE)
- Añadir generación de imagen nativa (fusionar con Muse Image)
- Soporte para 128 idiomas de bajos recursos
- Distilación a 7B/3B para edge y móvil
Mientras tanto, la comunidad ya está experimentando: cuantizaciones AWQ/GPTQ en horas, fine-tunes para dominios verticales (finanzas, legal, bio) en días, y wrappers de agente para Cursor, Continue, Aider y OpenHands en desarrollo activo.
Conclusión
Muse Spark Open no es solo "otro modelo grande". Es una declaración de intenciones: la IA de frontera puede ser abierta, multimodal, agéntica y ejecutable en tu infraestructura. Para desarrolladores que llevan años esperando un modelo con el que poder construir agentes serios sin depender de APIs de terceros, con privacidad real y control total, hoy es un buen día.
El modelo ya está disponible en Hugging Face (Meta/Muse-Spark-Open), ModelScope y Mirror de Meta AI Research. La documentación técnica completa está en github.com/meta-llama/muse-spark.
Artículo basado en el anuncio oficial de Meta AI Research del 23 de octubre de 2026 y la cobertura técnica de AIBriefs, explainx.ai y Artificial Analysis. La información refleja el estado del proyecto Muse Spark Open a fecha de publicación.