JOURNAL / 2026.10.16
Meta publica Muse Spark Open: pesos descargables, mucha memoria y una licencia propia
El modelo multimodal abre una nueva vía para adaptar y alojar agentes. Sus requisitos de memoria y sus condiciones comerciales determinan quién puede aprovechar de verdad esa independencia.
Meta publicó Muse Spark Open el 15 de octubre, con pesos descargables y disponibilidad anunciada en proveedores de inferencia. La novedad permite conservar una versión del modelo, modificarla y elegir dónde ejecutarla. Para equipos que necesitan controlar ese ciclo, es un cambio material aunque no compren ninguna de las promesas de liderazgo del anuncio.
Conviene situarlo dentro de la familia. La página para desarrolladores lo describe como un derivado de Muse Spark, publicado en agosto, con posentrenamiento de seguridad adicional. No es la liberación de los pesos de Wonder, el modelo que tratamos esta semana. Cambia la distribución y la posibilidad de adaptación de Spark; no convierte automáticamente toda la oferta más reciente de Meta en descargable.
La tarjeta técnica documenta entradas de texto, imagen, audio y vídeo, salida de texto y contexto de un millón de tokens. La combinación resulta pertinente para un agente que recibe un fallo de software acompañado de una captura y una grabación: puede reunir esas evidencias en el mismo modelo. Sigue haciendo falta un sistema que ejecute sus herramientas.
El tamaño activo no es la memoria necesaria
Sus 816.000 millones de parámetros totales y aproximadamente 42.000 millones activos por token describen una mezcla de expertos. Esa selección reduce el trabajo de cálculo por token, pero no permite presupuestar la máquina como si sólo hubiera que alojar 42.000 millones de parámetros. Los demás expertos siguen formando parte del modelo.
Meta documenta configuraciones de al menos 700 GB de memoria gráfica para NVFP4 y 2 TB para BF16. También presenta ejecución con MLX en dos Mac Studio M5 Ultra, cada uno con hasta 512 GB de memoria unificada. Es una ruta al escritorio, pero de una escala muy alejada del portátil corriente. La descripción comercial de «local» abarca máquinas muy distintas.
Hay alternativas de compresión. El repositorio del equipo de llama.cpp lista 470 GB para Q4_K_S y 304 GB para Q2_K, además de componentes de percepción separados. Son tamaños de archivos, no mediciones nuestras de memoria total. El motor de inferencia, la caché de contexto y la concurrencia necesitan margen adicional; tampoco debemos trasladar las puntuaciones de otra precisión a esas versiones sin comprobarlas.
Esa diferencia cambia la decisión de construcción. Un equipo puede mantener una versión propia en servidores controlados sin que cada actualización dependa del proveedor de una API. Sin embargo, el ahorro por petición debe pagar memoria, operación y utilización real. Para una aplicación con poco tráfico, alojar este modelo podría comprar independencia a un coste difícil de justificar. Para cargas continuas o adaptaciones especializadas, la cuenta merece estudiarse.
Qué permite la apertura y qué falta demostrar
La Muse Model License permite modificar, afinar y destilar, con obligaciones de atribución y política de uso. Exige notificar a Meta y firmar un acuerdo separado para ofrecer el modelo o derivados como servicio cuando los ingresos brutos agregados del licenciatario y sus afiliadas superen 20 millones de dólares en doce meses consecutivos. La cláusula excluye el uso interno y productos propios que no sean ese servicio de modelos. «Pesos abiertos» describe aquí una disponibilidad importante, con condiciones que hay que leer antes de diseñar el negocio.
Tampoco trataría la clasificación de Meta como prueba de superioridad universal. Su informe metodológico combina ejecuciones propias, resultados de evaluadores y cifras declaradas por otros proveedores. En DeepSWE, que comprueba tareas extensas de ingeniería de software mediante verificadores y pruebas de regresión, los modelos usan distintos arneses. La comparación orienta sobre sistemas evaluados; no aísla cuánto aporta cada modelo en una integración idéntica.
Mi valoración es que el aporte más duradero puede ser la posibilidad de mantener experimentos comparables cuando cambien las ofertas comerciales. Poder conservar pesos, configuración y adaptación permite investigar una regresión con mucha más precisión. Esa posibilidad exige registrar también la cuantización y las herramientas: conservar sólo el nombre del modelo dejaría fuera parte del comportamiento.
Antes de atribuirle una ventaja práctica, pediría pruebas repetibles de tareas completas en la configuración que el equipo pueda sostener, incluyendo errores, revisiones y coste. La publicación abre esa investigación a terceros. Su valor crecerá si produce adaptaciones y resultados inspeccionables fuera de Meta, además de demostraciones sobre hardware excepcional.
Fuentes primarias consultadas el 16 de octubre de 2026. No hemos ejecutado el modelo ni verificado experimentalmente sus requisitos o rendimiento.