Meta lanza Muse Spark Open: 816.000 millones de parámetros abiertos, ventana de 1M y una licencia con cláusula de facturación

El 15 de octubre Meta lanzó Muse Spark Open, la versión de pesos abiertos de su modelo Muse Spark. Los pesos están en Hugging Face bajo una Muse Model License propia, fechada ese mismo día, y el modelo ya se puede desplegar en Amazon SageMaker JumpStart. Llega tres días después de que el modelo cerrado de frontera de Meta, Muse Wonder, entrara en la Meta Model API, y ocupa otro lugar: un modelo muy grande que podés correr en tu propia infraestructura.

Meta lo presenta como el modelo de pesos abiertos más capaz de una empresa estadounidense. Ese ranking se apoya en resultados de evaluación que publicó la propia Meta, como señala TechCrunch; al momento de escribir esto no había evaluación independiente disponible.

Qué se lanzó

Según el post de lanzamiento de Hugging Face, escrito con los equipos de integración que soportan el modelo, Muse Spark Open es un mixture-of-experts con unos 816.000 millones de parámetros en total y unos 42.000 millones activos por token. Cada capa MoE tiene 256 expertos y enruta cada token a 8 de ellos. Acepta texto, imágenes, audio y video, y devuelve texto. Meta lo entrenó sobre todo para programación agéntica: leer un codebase, refactors en varios archivos, sesiones largas de debugging y llamadas a herramientas.

• Ventana de contexto: hasta 1M de tokens (1.048.576 posiciones). Los tokens de imagen, video y audio consumen la misma ventana que el texto.
• Checkpoints: BF16 (unos 1,5 TB en safetensors) y NVFP4, un formato de 4 bits pensado para GPUs NVIDIA Blackwell.
• Razonamiento: siempre activo. La plantilla de chat ofrece niveles de esfuerzo low, medium, high y xhigh, con xhigh por defecto; no hay forma de apagarlo.
• Fecha de corte de conocimiento: la plantilla de chat por defecto declara el 4 de enero de 2026.
• Familia: comparte tokenizer con Muse Glimmer, el modelo denso chico que Meta lanzó en agosto.

Qué hace falta para correrlo

Solo 42.000 millones de parámetros calculan cada token, pero los 816.000 millones tienen que estar en memoria, así que el hardware se dimensiona por memoria y no por cómputo. El post de Hugging Face da referencias concretas:

• En Transformers, el checkpoint BF16 corre en cuatro nodos de ocho GPUs H200; el NVFP4 entra en un solo nodo B200.
• En Hugging Face Inference Endpoints, la receta NVFP4 corre en 8× RTX Pro 6000 con 131.072 tokens de contexto, o en 8× H200 para el 1M completo.
• En una Mac Studio con M3 Ultra y 512 GB de memoria, una cuantización de 2 bits en llama.cpp ocupó 304 GB y generó unos 18 tokens por segundo; una de 3 bits en MLX ocupó unos 344 GB y generó unos 21 tokens por segundo en una prueba corta. Son mediciones del propio equipo de Hugging Face.
• En SageMaker JumpStart, AWS ubica la variante NVFP4 en ml.p5e.48xlarge y la BF16 en ml.p6-b300.48xlarge.

El contexto largo tiene su propio costo de memoria. Con la configuración de atención publicada, el post de Hugging Face estima unos 250 KB de KV cache por token en BF16, o unos 266 GB para un contexto completo de 1M de tokens, además de los pesos. O sea: el titular "corre en una Mac" significa una Mac de gama máxima, con cuantización agresiva y un contexto de trabajo mucho más corto, no una notebook.

Además del self-hosting, TechCrunch informa que el modelo ya está disponible en varias plataformas de API. El precio de la inferencia alojada lo fija cada proveedor y no figuraba en los materiales de Meta que pudimos abrir.

La licencia, leída con lupa

La Muse Model License es permisiva en casi todo: permite usar, modificar, hacer fine-tuning, destilar y redistribuir sin costo. Para quienes desarrollan importan tres condiciones:

• Los productos construidos sobre el modelo o sus derivados tienen que mostrar "Built with Muse Spark Open" en algún lugar de la interfaz, la documentación o la configuración.
• Las empresas que vendan acceso al modelo como servicio (por API o similar) y facturen más de 20 millones de dólares brutos en 12 meses tienen que firmar antes un acuerdo aparte con Meta. Quedan exceptuados el uso interno, la investigación y usar el modelo como componente de tu propio producto.
• El uso queda sujeto a una política de uso adjunta, que además aclara que el modelo no está pensado para menores de 18 años. Para descargarlo en Hugging Face hay que pedir acceso y esperar aprobación manual.

Esto es pesos abiertos, no open source en el sentido de la OSI. A la mayoría de los equipos la cláusula de facturación no los va a alcanzar; a los proveedores de inferencia y revendedores, sí.

Qué cambia para quienes desarrollan

Si estás eligiendo modelo para agentes de código, Muse Spark Open suma una opción grande y orientada a agentes que puede correr dentro de tu propia red. Es justamente lo que destaca AWS: el endpoint vive en tu cuenta, así que el código fuente y los prompts quedan en infraestructura que vos controlás, y la versión del modelo solo cambia cuando volvés a desplegar. Eso pesa en codebases reguladas y en equipos que necesitan comportamiento reproducible de sus agentes.

Tres notas prácticas. Primero, como el razonamiento no se puede apagar, las tareas simples igual pagan tokens de pensamiento; el post de Hugging Face recomienda el nivel low para trabajo fácil. Segundo, el 1M de tokens es un techo, no un valor por defecto: la mayoría de los despliegues reales van a usar contextos mucho más cortos salvo que reserven cientos de gigabytes para KV cache, así que el retrieval y el recorte de contexto siguen importando. Tercero, la plantilla de chat sigue el formato Harmony por canales que estrenó gpt-oss, que separa razonamiento, comentarios y llamadas a herramientas; los harnesses que ya manejan ese formato deberían necesitar menos cambios.

Lo que todavía falta es evidencia externa. Las comparaciones de Meta con otros modelos de pesos abiertos son propias, y las velocidades cuantizadas de arriba salen de pruebas cortas en una sola máquina. Hasta que aparezcan benchmarks independientes y evaluaciones agénticas más largas, conviene tomar las afirmaciones de capacidad como lo que son: las del fabricante.