Los pesos abiertos llegaron a escala de frontera. Los puntajes siguieron siendo de la casa.

Entre el 11 y el 17 de octubre hubo cinco lanzamientos de modelos y uno de hardware en siete días. Meta y Google pusieron modelos de frontera en la API; Meta, NVIDIA y Reflection publicaron pesos abiertos de tamaños que hasta hace poco eran exclusivos de modelos cerrados, y salieron a la venta las primeras notebooks con NVIDIA RTX Spark. El hilo de la semana: se amplió mucho la elección de dónde correr un modelo potente, pero la evidencia para elegir entre ellos siguió casi toda en manos de los propios fabricantes.

El precio de frontera se acomoda en USD 4 y USD 20

Meta lanzó Muse Wonder el 12 de octubre, su primer modelo de frontera, a través de la Meta Model API y Muse Code; la variante más grande, Wonder Full, queda reservada a suscriptores de Muse Code. Según TechCrunch, que cita la model card de Meta, Wonder cuesta USD 4 por millón de tokens de entrada y USD 20 por millón de salida, más o menos lo mismo que GPT-6 Sol o Claude Opus 5.5.

Un día después, Google hizo disponible para todos a Gemini 4 Argon. Su página de precios marca USD 2 de entrada y USD 10 de salida por millón de tokens hasta el 30 de noviembre, y USD 4 y USD 20 desde el 1 de diciembre; la salida incluye los tokens de razonamiento y solo admite caché implícita. O sea que en diciembre los modelos insignia de Google y Meta van a tener el mismo precio de lista, en la franja donde TechCrunch ubica a Opus 5.5 y GPT-6 Sol. El precio deja de desempatar, y lo que pagues va a depender más de cuántos tokens gasta cada modelo para terminar tu tarea.

Los pesos abiertos llegan a escala de frontera, con condiciones distintas

Tres lanzamientos abiertos en tres días llevaron los modelos autoalojables a cientos de miles de millones de parámetros:

• Muse Spark Open (Meta, 15 de octubre): unos 816.000 millones de parámetros totales y 42.000 millones activos, ventana de 1M de tokens y entrada de texto, imagen, audio y video, según el post de lanzamiento de Hugging Face. La Muse Model License exige mostrar "Built with Muse Spark Open" y firmar un acuerdo aparte con Meta si vendés el modelo como servicio y facturás más de USD 20 millones al año.
• Nemotron 3.5 Bolt 74B-A9B (NVIDIA, 15 de octubre): un modelo de mezcla de expertos que entra en 24GB con cuantización nativa de 2 bits, pensado para agentes locales en RTX y DGX Spark, según NVIDIA.
• Beam (Reflection, 16 de octubre): 501.300 millones de parámetros totales y 23.400 millones activos, ventana de 1M de tokens y licencia Apache 2.0 lisa y llana, sin umbral de facturación ni términos de uso propios.

La diferencia de licencias pesa más que la cantidad de parámetros. Para la mayoría de los equipos que arman su propio producto, las condiciones de Meta no van a molestar. Para proveedores de inferencia y revendedores, Beam es el que pueden alojar sin tener que negociar con quien lo hizo. Y el tamaño sigue definiendo quién puede correrlos de verdad: el checkpoint BF16 de Muse Spark Open pesa unos 1,5 TB, y la prueba en Mac de Hugging Face necesitó una Mac Studio de 512GB y una cuantización agresiva.

Llegó el hardware local, con un asterisco en la memoria

Las notebooks RTX Spark de ASUS, Dell, HP, Lenovo, Microsoft y MSI salieron a la venta el 16 de octubre; NVIDIA habla de hasta 128GB de memoria unificada y hasta 1 petaflop de cómputo FP4. La página de la Surface Laptop Ultra de Microsoft la lista a USD 2.599,99 y aclara que arranca con 24GB. El anuncio de NVIDIA también menciona el primer build de PyTorch-CUDA para Windows on Arm, builds nativos de Python y Conda, y PAIR, que permite que una máquina RTX Spark sirva inferencia a otras computadoras de la red hogareña. Bolt fue dimensionado justo para este tipo de máquina. Las piezas para correr un modelo de agentes capaz en tu propio escritorio ya existen, pero la memoria que compres define cuáles de los modelos abiertos de esta semana podés cargar.

Casi todos los números de la semana fueron autocalificados

Meta dice que Wonder iguala a GPT-6 Astra y Fable 5.1 en sus propias pruebas. Los benchmarks destacados de Argon son de Google. Meta llama a Muse Spark Open el modelo de pesos abiertos más capaz de una empresa estadounidense, como señala TechCrunch, sobre la base de sus propias evaluaciones. El 80,1% de Beam en Terminal Bench 2.1 y su promesa de usar unas 3 veces menos tokens de razonamiento salen de la model card de Reflection. Las cifras de rendimiento de RTX Spark llegan sin metodología publicada. Nada de esto significa que sean falsas. Significa que ninguna había sido replicada de forma independiente cuando estos productos salieron a la venta.

El único paso en la dirección contraria lo dio Anthropic. El 15 de octubre contó que incorporó a seis personas de METR con un acceso más o menos comparable al de sus propios equipos de riesgo, y que METR puede publicar sus evaluaciones de riesgo sin aprobación de Anthropic, salvo la redacción de categorías definidas de antemano. Ese acuerdo cubre riesgos de seguridad, no benchmarks de producto, así que no resuelve qué modelo programa mejor. Pero es el único caso de la semana en que un laboratorio le da a alguien de afuera el acceso necesario para verificar lo que dice.

También esta semana

• HCLTech y Anthropic anunciaron el 12 de octubre una Global Premier Partnership que incluye una unidad de negocio dedicada a Anthropic; no se informaron condiciones financieras.
• NVIDIA comprometió el 14 de octubre USD 250 millones en cómputo a cinco años para investigación sobre seguridad de agentes de IA en el Reino Unido; los proveedores y las condiciones comerciales todavía están por acordarse.

En resumen

Hasta hace poco, elegir un modelo potente era casi siempre elegir entre dos o tres APIs cerradas. Después de esta semana Meta vende un modelo de frontera por API, el modelo insignia de Google llega a ese mismo precio el 1 de diciembre, tres opciones grandes de pesos abiertos con licencias distintas y notebooks pensadas para correr las más chicas. La consecuencia práctica es que tu propio set de evaluación pasa a ser la herramienta más valiosa que tenés. Probá tus tareas reales con los candidatos mientras dure el precio introductorio de Argon, medí tokens por tarea terminada y no precio por token, y tomá cada cifra de ranking de esta semana como una afirmación hasta que alguien de afuera la reproduzca.