AIREITERLas demostraciones publicadas de Muse Spark Open requieren como mínimo dos Mac Studio con la mayor capacidad de memoria. Para la mayoría de desarrolladores, lo más sensato es probarlo primero a través de una API alojada.
¿Merece la pena usar Muse Spark Open?
Muse Spark Open merece una evaluación para flujos de agentes privados y de larga duración, especialmente en equipos que necesitan pesos descargables y compatibilidad con distintos runtimes. No es la opción predeterminada más clara para tareas habituales de programación: la infraestructura que exige es extrema y las puntuaciones de código comunicadas por Meta quedan por detrás de varias alternativas open-weight.
| Situación | Recomendación | Motivo |
|---|---|---|
| Probar la calidad de agentes o uso de herramientas | Usar un proveedor alojado | No hace falta comprar un clúster ni configurar MLX distribuido |
| Flujos privados en las propias instalaciones | Valorar el autoalojamiento | Los pesos permanecen bajo control de la organización |
| Generación de código rutinaria | Comparar antes modelos más pequeños | Muse Spark Open no lidera las pruebas de código citadas |
| Una GPU de consumo o un solo Mac | No autoalojarlo | El checkpoint de 4 bits no deja margen para el espacio de trabajo de inferencia |
| Negocio comercial de API de modelos | Revisar antes la licencia | Podrían aplicarse un umbral de ingresos y una cláusula de acuerdo independiente |
| Carga de trabajo completa de 1M de tokens | Validar con datos representativos | Las pruebas publicadas por Apple se detienen en 65.536 tokens |
El lanzamiento es oficial, no una vista previa. Meta lanzó Muse Spark Open el 15 de octubre de 2026, con pesos descargables y acceso mediante siete proveedores de inferencia identificados.
Qué ha lanzado realmente Meta
Muse Spark Open es un modelo mixture-of-experts open-weight y multimodal de forma nativa, diseñado para programación, ingeniería de software, uso de herramientas y agentes de largo recorrido. Admite entradas de texto, imagen, audio y vídeo, y genera texto como salida.
| Especificación | Valor publicado |
|---|---|
| Parámetros totales | 816B |
| Parámetros activos por token | 42B |
| Ventana de contexto | 1M tokens |
| Formatos de pesos | BF16 y NVFP4 |
| Cobertura de idiomas de entrenamiento | Más de 100 idiomas |
| Proveedores de API alojada nombrados por Meta | 7 |
| Runtimes compatibles nombrados por Meta | 7 |
El diseño con 42B de parámetros activos implica que el modelo no calcula sobre los 816B parámetros completos en cada token. El almacenamiento sigue siendo la restricción más difícil: Apple indica que los parámetros nativos en BF16 necesitan más de 1,6 TB de memoria, mientras que el checkpoint NVFP4 de 4 bits ocupa unos 493 GB antes de sumar el espacio de trabajo de inferencia y la memoria de contexto.
El término preciso es «open-weight». Los desarrolladores pueden descargar, modificar, ajustar, destilar y distribuir el modelo bajo la Muse Model License, pero esta licencia incorpora atribución, restricciones de uso y condiciones especiales para ciertos negocios de modelos como servicio. No equivale a una licencia convencional de código abierto permisiva.
La realidad del despliegue local
Desplegar Muse Spark Open localmente es viable desde el punto de vista técnico, pero exige mucho dinero y operación. Meta muestra dos Mac Studio M5 Ultra con hasta 512 GB de memoria unificada cada uno; el informe de Apple sobre MLX distribuido mide configuraciones de dos y cuatro equipos.
Por qué un Mac de 512 GB no basta
Un Mac Studio con 512 GB no puede albergar el checkpoint NVFP4 de aproximadamente 493 GB junto con la memoria necesaria para el trabajo intermedio de inferencia. Por eso Apple distribuye el modelo entre varias máquinas mediante MLX y RDMA sobre Thunderbolt 5.
La prueba de Apple utilizó macOS 26.2, MLX 0.30.1 o posterior, el backend de comunicación jaccl y dos cables Thunderbolt entre los equipos. Midió contextos de 8.192 y 65.536 tokens, y generó 128 tokens con un tamaño de lote de uno.
| Configuración de Apple, prompt de 8.192 tokens | Tiempo hasta el primer token | Velocidad de decodificación |
|---|---|---|
| 2 M5 Ultra, paralelismo de pipeline | 8,4 s | 15,74 tok/s |
| 2 M5 Ultra, paralelismo tensorial | 8,2 s | 24,99 tok/s |
| 4 M5 Ultra, paralelismo tensorial | 4,8 s | 36,73 tok/s |
La cifra de cuatro equipos es el titular de rendimiento, no el despliegue mínimo. La configuración de dos máquinas de Meta demuestra que el modelo cabe y funciona; las mediciones de Apple reflejan hasta qué punto la topología cambia la experiencia.
Paralelismo de pipeline frente a paralelismo tensorial
El paralelismo de pipeline divide el modelo por profundidad de capas y es la forma más sencilla de repartir los pesos entre dos máquinas. Requiere relativamente poca comunicación, pero la ejecución secuencial de las capas limita la aceleración de la decodificación.
El paralelismo tensorial divide cada capa entre varias máquinas. Apple midió 24,99 tokens por segundo en dos sistemas M5 Ultra, un 59% más que los 15,74 tok/s obtenidos con pipeline en la prueba de 8.192 tokens. A cambio, la comunicación es más intensa: con 65.536 tokens, Apple observó que el prefill tensorial en dos máquinas podía ser más lento que el prefill con pipeline.
Rendimiento: fuerte en dos pruebas de agentes, más débil en código
Muse Spark Open encabeza dos comparativas publicadas sobre agentes y uso de herramientas, no todos los benchmarks agénticos. Los valores siguientes proceden de Meta y no han sido reproducidos de forma independiente, así que sirven para incluirlo en una lista corta, no para tomar una decisión de producción.
| Benchmark | Muse Spark Open | Comparativa citada más fuerte |
|---|---|---|
| JobBench | 61,8 | GLM 5.3: 61,4 |
| MCP-Atlas | 89,2 | Qwen3.8: 84,5 |
| Terminal-Bench 2.1 | 76,4 | Kimi K3: 85,0 |
| DeepSWE 1.1 | 60 | Kimi K3: 68 |
| SWE-Atlas-QnA | 58 | Kimi K3: 66 |
| GPQA Diamond | 89,0 | Kimi K3 y Qwen3.8: 93,5 |
Muse Spark Open lidera JobBench por 0,4 puntos y MCP-Atlas por 4,7 puntos frente a los siguientes valores mostrados. En Terminal-Bench 2.1, queda 8,6 puntos por detrás de Kimi K3 y 7,5 puntos por detrás de GLM 5.3.
Meta también describe dos demostraciones locales: modificar y compilar la aplicación iOS open source Ice Cubes, y operar DaVinci Resolve para inspeccionar metraje y crear recortes verticales. Ninguna demostración informa de tasa de finalización, tiempo transcurrido, número de intervenciones ni archivos de tareas reproducibles, por lo que muestran capacidad, no fiabilidad.
La evidencia independiente de producción para el checkpoint Open publicado sigue siendo limitada.
Condiciones de licencia que pueden frenar el despliegue
La Muse Model License permite un uso amplio, pero impone condiciones que los equipos de producto y legal deberían examinar antes del despliegue. Los obstáculos prácticos son la atribución, el umbral para modelo como servicio y las reglas de uso prohibido.
| Aspecto de la licencia | Efecto práctico |
|---|---|
| Atribución | Los productos y servicios deben mostrar de forma destacada “Built with Muse Spark Open” |
| Umbral de modelo como servicio | Las empresas que superen los 20M$ de ingresos brutos agregados durante un periodo consecutivo de 12 meses deben notificar a Meta y obtener un acuerdo independiente antes de ofrecer acceso al modelo cubierto |
| Uso interno o integrado en un producto | La disposición citada sobre modelo como servicio no se aplica del mismo modo al uso interno ni a un modelo que impulse un producto que no sea un servicio de modelos |
| Restricciones de uso | La política restringe ámbitos como malware, armas, infraestructuras críticas, fraude y suplantación no autorizada |
| Declaración de edad | El modelo no está destinado a menores de 18 años |
La cláusula de 20 millones de dólares no es una tarifa de API. Es un umbral de licencia vinculado a actividad cualificada de modelo como servicio. Integrar Muse Spark Open en una aplicación puede requerir un análisis distinto al de revenderlo mediante un endpoint de inferencia.
Cómo acceder a Muse Spark Open ahora
Muse Spark Open está disponible mediante API alojadas y catálogos de modelos descargables. Meta nombra a Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI para el acceso alojado; los pesos aparecen en Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden y Microsoft Foundry Models.
Los runtimes compatibles incluyen SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, MLX, llama.cpp y Unsloth. Meta comunica una mejora integral del 3% en su prueba citada de kernels Helion sobre hardware AMD MI350.
No existe un único precio oficial para el servicio alojado porque cada proveedor fija sus propias rutas y condiciones. Compara precios por token, precisión, límites de contexto, ajustes de razonamiento, enrutamiento regional, políticas de retención de datos y entrenamiento de modelos, y confirma si el proveedor sirve el checkpoint Open publicado.
Preguntas frecuentes sobre Muse Spark Open
¿Muse Spark Open es realmente open source?
No. Los pesos se pueden descargar y modificar, pero la licencia contiene restricciones de atribución, comerciales y de uso. «Open-weight» es una descripción más segura.
¿Muse Spark Open puede ejecutarse en un único Mac Studio o una GPU?
No en la configuración publicada por Apple. El checkpoint NVFP4 ocupa unos 493 GB antes del espacio de trabajo, mientras que los parámetros BF16 requieren más de 1,6 TB; por tanto, un despliegue práctico necesita varias máquinas o aceleradores.
¿Cuánto cuesta la API de Muse Spark Open?
El precio depende del proveedor alojado. Meta nombra siete socios de API, pero no publica un precio universal por token.
¿Muse Spark Open es mejor que Kimi K3 o GLM 5.3?
Muse Spark Open lidera JobBench y MCP-Atlas en los resultados citados, mientras que Kimi K3 y GLM 5.3 encabezan varias pruebas orientadas al código. Evalúa la misma carga de trabajo en lugar de fiarte de una etiqueta general.
Qué probar antes de autoalojarlo
Antes de comprar hardware, ejecuta las mismas tareas de agentes representativas con dos proveedores alojados. Registra la finalización de tareas, las intervenciones humanas, el tiempo hasta el primer token, la latencia total, el coste de salida, las condiciones de retención de datos y la identidad del checkpoint; autoaloja solo si la privacidad o el control compensan el coste operativo medido.