Qué cambia frente a un modelo cerrado
Un modelo de pesos abiertos (open-weight) es aquel cuyos parámetros entrenados se publican para que cualquiera los descargue y los ejecute en su propia infraestructura, en lugar de depender de una API de pago como las de OpenAI o Anthropic. Meta AI Research presentó Muse Spark Open el 15 de octubre de 2026 bajo esa etiqueta y lo describió en su anuncio oficial como "el modelo open-weight estadounidense más capaz hasta la fecha", una frase que es una valoración propia del laboratorio y no un resultado de benchmark verificado por terceros.
La cifra que más llama la atención es el tamaño: 816.000 millones de parámetros totales. Pero el dato que importa para quien quiera ejecutarlo es otro: solo 42.000 millones están activos en cada inferencia, gracias a una arquitectura mixture-of-experts que reparte el trabajo entre subredes especializadas y solo activa las necesarias para cada tarea. Eso significa que, aunque el modelo almacene el conocimiento de un sistema gigantesco, el coste computacional de usarlo se parece más al de un modelo mucho menor.
A eso se suma una ventana de contexto de 1 millón de tokens, la cantidad de texto (o su equivalente en imagen, vídeo y audio) que el modelo puede tener en cuenta de una sola vez. Con ese margen se pueden procesar libros enteros, bases de código completas o grabaciones largas sin dividirlas en fragmentos, algo que hasta hace poco solo ofrecían los modelos cerrados más caros.
Multimodalidad nativa, sin módulos añadidos
Según el anuncio de Meta for Developers, Muse Spark Open admite entrada nativa de texto, imagen, vídeo y audio. La palabra "nativa" distingue este diseño de los sistemas que combinan un modelo de texto con módulos externos para procesar otros formatos: aquí el propio modelo entiende directamente los distintos tipos de entrada, lo que en teoría simplifica construir aplicaciones que mezclen formatos sin montar una tubería de herramientas separadas.
Esta característica, unida a la ventana de contexto amplia, apunta a casos de uso como el análisis de vídeos largos, la transcripción y resumen de audio extenso o el procesamiento conjunto de documentos con imágenes incrustadas, todo dentro de una misma llamada al modelo.
Disponible ya en ocho plataformas, sin coste de licencia
Los pesos se pueden descargar desde Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face y Microsoft Foundry Models, según confirmaron Meta AI Research y Meta for Developers en sus anuncios del 15 de octubre. Además, el modelo ya funciona como servicio de inferencia en Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI, lo que permite usarlo sin montar servidores propios desde el primer día.
Esa cobertura simultánea en ocho plataformas distintas —cuatro para descarga directa y siete para inferencia gestionada— es inusual en un lanzamiento de este tamaño. Normalmente los modelos de pesos abiertos tardan semanas o meses en integrarse en todos los proveedores habituales; aquí llegó con el ecosistema ya montado, lo que sugiere coordinación previa entre Meta y esos socios antes del anuncio.
No se han publicado precios de uso en ninguna de esas plataformas ni métricas de benchmarks completos por parte de Meta, así que la comparación directa con rivales cerrados o con otros modelos abiertos de tamaño similar queda, de momento, en manos de evaluaciones externas.
Las primeras pruebas externas, con matices
Plotly publicó en X que su examen interno de análisis de datos dio 38 aciertos sobre 43, un 88 %, con Muse Spark Open. Es una prueba hecha por la propia empresa, con sus propios criterios, y no un benchmark estandarizado ni reproducido por nadie más, así que conviene leerlo como un indicio y no como una medida comparable.
Artificial Analysis, una firma que evalúa modelos de forma independiente, reportó el 16 de octubre un AA-Omniscience de 25 y una tasa de alucinación del 24 % para la variante xhigh del modelo. Una tasa de alucinación de esa magnitud —la proporción de respuestas que el modelo da con seguridad pero que son incorrectas— es un dato a vigilar en cualquier despliegue que dependa de precisión factual, y contrasta con el tono del anuncio de Meta, centrado en la capacidad y el tamaño más que en la fiabilidad.