Meta ha publicado en abierto un modelo multimodal muy grande. Muse Spark Open, descrito en un artículo de Hugging Face del 15 de octubre de 2026, acepta texto, imágenes, audio y vídeo en un único contexto de hasta 1 millón de tokens y responde en texto. Meta lo presenta como el modelo de pesos abiertos estadounidense más capaz hasta ahora y lo entrenó para programación con agentes: leer bases de código, depurar, llamar a herramientas y abordar refactorizaciones de varios archivos. Para los equipos que quieren pesos de escala de frontera que puedan inspeccionar y alojar por su cuenta, amplía mucho la oferta.
La arquitectura es una mezcla de expertos. De unos 816.000 millones de parámetros (816B), alrededor de 42.000 millones (42B) están activos en cada token; cada bloque contiene 256 expertos, de los que funcionan 8 por token, y los expertos suponen cerca del 97% del total. Un codificador de visión de 1,8B (1.8 billion) de parámetros procesa imágenes y vídeo, muestreado por defecto a 2 fotogramas por segundo, y un codificador de audio convierte cada 80 milisegundos de sonido en un token, de modo que 10 segundos de audio cuestan 125 tokens. El esfuerzo de razonamiento va de low a xhigh, pero no se puede desactivar y xhigh es el valor por defecto, así que tareas sencillas pueden gastar más tokens de los necesarios.
La factura de hardware es la barrera práctica. El checkpoint BF16 ocupa unos 1,5 TB, y el ejemplo de Transformers lo reparte entre cuatro nodos de ocho GPU H200. Una versión NVFP4 de 4 bits cabe en un solo nodo B200, y un contexto completo de 1 millón de tokens necesita unos 266 GB de caché de claves y valores además de los pesos. Las cuantizaciones de la comunidad lo acercan a un Mac Studio de 512 GB: una versión de 2 bits usa unos 304 GB y genera unos 18 tokens por segundo. La mayoría llegará a través de proveedores; nuestro análisis de Muse Spark Open recoge OpenRouter a $1.25 por millón de tokens de entrada y $4.25 por millón de salida.
Llegó la misma semana que Beam, de Reflection, un modelo de programación de 501B con licencia Apache 2.0, y juntos sugieren que los laboratorios de EE. UU. vuelven a competir en lo más alto de los pesos abiertos. La entrada nativa de audio y vídeo es lo que distingue a Muse Spark Open; la mayoría de rivales abiertos maneja como mucho texto e imágenes. También convive con Meta Muse, el asistente de consumo de la empresa, que analizamos por separado.
Quedan preguntas. El artículo de Hugging Face no incluye puntuaciones de benchmarks ni comparaciones con otros modelos, así que por ahora lo de "más capaz" se apoya en la palabra de Meta. La licencia no es Apache ni MIT: nuestro análisis señala que la Muse Model License exige atribución y fija un umbral de ingresos de $20M para ofrecerlo como servicio. vLLM solo admite por ahora entrada de texto e imagen. El artículo contiene además pequeños errores en sus ejemplos de código, señal de que las herramientas aún se están asentando. Antes de un compromiso serio deberían llegar evaluaciones independientes de programación y tareas multimodales.