Meta Muse Spark Open: qué es, requisitos, precio y cómo usar el modelo abierto de Meta

Muse Spark Open es el modelo de IA de pesos abiertos que Meta publicó el 15 de octubre de 2026: tiene 816.000 millones de parámetros (42.000 millones activos por token), una ventana de contexto de un millón de tokens y entiende texto, imágenes, vídeo y audio. Es la versión abierta de la familia Muse, que sustituyó a Llama, está pensado para programar y para trabajar como agente, y se puede descargar desde Hugging Face o usar a través de API por 1,25 dólares el millón de tokens de entrada en OpenRouter. Te explicamos qué es, cómo rinde frente a otros modelos abiertos, qué dice su licencia, qué hardware hace falta para ejecutarlo en casa (spoiler: mucho) y cuál es la forma más práctica de probarlo.

Muse Spark Open en datos

Qué es Muse Spark Open

Muse es la familia de modelos con la que Meta sustituyó a Llama en 2026, desarrollada por su nuevo laboratorio, Meta Superintelligence Labs. Hasta ahora, sus modelos más potentes, como Muse Spark o Muse Wonder, solo estaban disponibles a través de las aplicaciones de Meta y de su API. Muse Spark Open cambia eso: es una versión de pesos abiertos que cualquiera puede descargar y ejecutar en su propio hardware.

Meta lo describe como un modelo «construido para programar y para el trabajo agéntico». En su ficha de Hugging Face destaca siete usos: razonamiento en varios pasos, tareas de agente de principio a fin, agentes de programación, uso de herramientas, razonamiento multimodal (capturas, gráficos, documentos, imágenes, audio y vídeo), generación de datos sintéticos y evaluación de otros modelos («LLM como juez»).

Hay un matiz importante: esta versión abierta ha recibido, según Meta, un entrenamiento de seguridad adicional para resistir mejor los usos indebidos cuando se ejecuta sin las salvaguardas que Meta aplica en sus propios servicios. Aun así, la compañía recomienda desplegarlo dentro de un sistema con protecciones adicionales adaptadas a cada uso.

La llegada de Muse Spark Open es relevante porque recupera a Meta como actor del mundo abierto, donde en 2026 dominaban los modelos chinos (Qwen, GLM, Kimi, DeepSeek) y europeos como Mistral Large 4.

Cómo está construido

Muse Spark Open es un transformer de mezcla de expertos (MoE). En lugar de usar todos sus parámetros para cada palabra, tiene 256 expertos y activa 8 por token. Por eso, aunque suma 816.000 millones de parámetros, en cada paso solo calcula con unos 42.000 millones. Eso lo hace mucho más rápido de lo que sugiere su tamaño, aunque todo el modelo tiene que estar en memoria.

Según la ficha técnica, tiene 62 capas, una dimensión oculta de 8.192, 128 cabezas de atención para las consultas y 16 para las claves y valores (atención de consultas agrupadas), y un vocabulario de 202.048 tokens. Para entender imágenes y vídeo, incorpora un codificador de percepción de 1.800 millones de parámetros.

Su ventana de contexto de 1 millón de tokens permite meter de una vez un repositorio de código mediano, varios libros o horas de transcripciones. Para el vídeo, Meta advierte que con clips muy cortos o de muy baja resolución el modelo puede responder que no puede verlos, y recomienda al menos 448 píxeles en el lado corto.

Benchmarks frente a otros modelos abiertos

Meta compara Muse Spark Open con otros modelos abiertos de tamaño y arquitectura similares, todos con su máximo nivel de razonamiento. Son cifras publicadas por la propia Meta, así que conviene esperar a las evaluaciones independientes, pero dan una idea clara de dónde se sitúa.

En el Artificial Analysis Intelligence Index, que resume muchas pruebas en una nota, Muse Spark Open saca 39 puntos: por delante de Mistral Large 4 (38) y muy por encima de Nemotron 3 Ultra (23), pero por detrás de GLM 5.3 (45), Kimi K3 (44) y Qwen3.8 (40).

Donde destaca es en las tareas de agente. En MCP-Atlas, que mide el uso de herramientas a través del protocolo MCP, logra 89,2 puntos, la mejor cifra de la tabla. También lidera JobBench (61,8) y obtiene 80,4 en OSWorld Verified, que mide la capacidad de manejar un ordenador, solo por detrás de Kimi K3 (84,8).

En programación queda en un punto intermedio: 60 en DeepSWE 1.1 y 76,4 en Terminal-Bench 2.1, por debajo de Kimi K3 (68 y 85) y GLM 5.3 (67 y 83,9). En conocimiento, lidera HLE-Diamond sin herramientas (26,1) y AA Omniscience (25), una prueba que penaliza las respuestas inventadas. Y en multimodalidad, que es una de sus bazas, lidera ZeroBench, SimpleVQA e IntPhys2.

En resumen: no es el modelo abierto más listo en general, pero sí uno de los mejores agentes y de los que menos se inventan las cosas, con una multimodalidad muy completa.

Seguridad: el modelo abierto que más se niega

La diferencia más llamativa con sus rivales está en la seguridad. En StrongREJECT v2, una prueba de ataques adaptativos para saltarse las restricciones (menos es mejor), Muse Spark Open obtiene 0,5, frente a cifras de entre 62,9 y 86,4 en los demás modelos de la tabla.

Según Meta, en pruebas de ciberseguridad sin salvaguardas externas rechazó el 99,2 % de los intentos de saltarse las restricciones en su prueba interna, frente al 75,5 % de Kimi K3 en las mismas condiciones. También rechazó más del 98 % de las peticiones dañinas de biología y química en las pruebas que cita, y obtuvo un 98,1 % de honestidad en el benchmark MASK.

Para un modelo que cualquiera puede descargar, es un enfoque deliberado: Meta ha preferido un modelo más reservado. La contrapartida, que habrá que comprobar con el uso, es si eso lo hace negarse también a peticiones legítimas. En la prueba FORTRESS, su puntuación ORS, asociada a los rechazos excesivos, es de 17,4, la más alta de la tabla.

La licencia: qué puedes hacer y qué no

Muse Spark Open es de pesos abiertos, pero no de código abierto en sentido estricto: usa una licencia propia, la Muse Model License, con algunas condiciones que conviene leer antes de usarlo en un producto:

• Atribución obligatoria. Cualquier producto o servicio que use el modelo, o un derivado, debe mostrar de forma visible «Built with Muse Spark Open» en la interfaz, en la documentación, en la web o en los ajustes. La licencia considera derivado cualquier modelo creado, ajustado, destilado o mejorado con el modelo o con sus respuestas.
• Límite para quien venda el modelo como servicio. Si ofreces el modelo a terceros por API (lo que la licencia llama «Model as a Service») y tu empresa supera los 20 millones de dólares de ingresos brutos en 12 meses, tienes que avisar a Meta y firmar un acuerdo aparte. Esto no se aplica al uso interno, a la investigación ni a usarlo como componente de tu propio producto.
• Mayores de 18. Meta indica que el modelo no está pensado para que lo descarguen o usen menores de 18 años.
• Política de uso. Prohíbe los usos ilegales y los recogidos en la política de uso de la licencia.

Para un desarrollador, una pyme o un investigador, la licencia es bastante permisiva. Las condiciones afectan sobre todo a los grandes proveedores de IA. En Europa, el licenciante es Meta Platforms Ireland.

Cómo usarlo por API y cuánto cuesta

La forma más práctica de usar Muse Spark Open es a través de un proveedor de inferencia. Según Meta, el modelo está disponible por API en proveedores externos. En OpenRouter cuesta 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida, con el contexto completo de algo más de un millón de tokens.

Para hacerte una idea: una consulta de programación típica, con 20.000 tokens de contexto y 2.000 de respuesta, cuesta unos 3 céntimos de dólar. Un millón de tokens de entrada y otro de salida, 5,50 dólares.

Además de OpenRouter, se ha informado de que lo sirven otros proveedores como Together AI, Fireworks AI, Groq, Baseten, Nebius o Modal, y de que los pesos están en las plataformas de Amazon SageMaker AI, Google Cloud Model Garden y Microsoft Foundry. Los precios varían entre proveedores, así que compáralos antes de elegir.

Al usarlo por API, ten en cuenta que tus datos pasan por el proveedor. Si trabajas con información sensible, revisa su política de privacidad o plantéate la ejecución local.

¿Se puede ejecutar en casa?

Aquí viene la parte difícil. Según la ficha de Meta, para ejecutar el modelo en tu propio sistema hace falta una GPU con al menos 700 GB de VRAM para la versión NVFP4 y 2 TB para la versión BF16. Es decir, varias GPU de centro de datos. No es un modelo para un PC doméstico.

Meta añade que está optimizado para ejecutarse en dos Mac Studio con M5 Ultra usando MLX, el entorno de Apple para IA. Y la comunidad ya ha publicado versiones cuantizadas, que comprimen los pesos a costa de algo de calidad:

A eso hay que sumar memoria para el contexto: cuanto más largo, más memoria. Y las cuantizaciones de 1 y 2 bits pierden calidad de forma apreciable, aunque en un modelo tan grande la pérdida es menor que en uno pequeño. Meta advierte de que la inferencia cuantizada puede mostrar diferencias de calidad en casos límite.

Qué hardware necesitas

Con esas cifras, estas son las opciones realistas para ejecutarlo fuera de un centro de datos, de menos a más ambiciosas. Ten en cuenta que Meta no ha publicado velocidades para estas configuraciones.

Dos NVIDIA DGX Spark

Cada DGX Spark tiene 128 GB de memoria unificada, y NVIDIA permite conectar dos para sumar 256 GB. Es suficiente para la cuantización IQ1_S de 175,6 GB con margen para el contexto, aunque no para las de más calidad. NVIDIA vende un pack con dos unidades y el cable de conexión:

Ver el pack de dos NVIDIA DGX Spark en Amazon

Si solo quieres una unidad para modelos más pequeños:

Ver la NVIDIA DGX Spark en Amazon

Tienes una comparativa completa en DGX Spark frente a Mac Studio y MS-S1 Max para IA local.

Mac Studio con M5 Ultra

Es la plataforma que Meta menciona expresamente: dos Mac Studio con M5 Ultra conectados, con MLX. Un único Mac con 512 GB de memoria unificada no basta para la versión MLX de 4 bits (533 GB), pero sí cabrían, en teoría, las cuantizaciones GGUF de 2 y 3 bits de Unsloth. Lo analizamos en nuestra review del Mac Studio con M5 Ultra.

Un PC con mucha RAM y una GPU potente

Con llama.cpp, que Meta incluye entre los entornos compatibles, se puede repartir el modelo entre la memoria de la gráfica y la RAM del sistema. Como solo se activan 42.000 millones de parámetros por token, funciona mejor de lo que cabría esperar, aunque mucho más lento que en GPU. Necesitarías una placa de estación de trabajo con 256 GB o más de RAM para las cuantizaciones más pequeñas, y una gráfica con mucha VRAM como la RTX 5090 (32 GB):

Ver la GIGABYTE GeForce RTX 5090 en Amazon

Para un PC de sobremesa, los kits de 128 GB son el punto de partida:

Ver la memoria CORSAIR Vengeance DDR5 de 128 GB en Amazon

Almacenamiento: no lo olvides

Solo la versión cuantizada más pequeña ocupa 176 GB, y si quieres probar varias, necesitarás más de un terabyte. Un SSD NVMe rápido también acorta mucho el tiempo de carga del modelo:

Ver el Samsung 9100 PRO de 8 TB en Amazon

Si tu presupuesto es más realista

Para la mayoría, lo sensato es usar Muse Spark Open por API y ejecutar en local modelos más pequeños. Un mini PC con Ryzen AI Max+ 395 y 128 GB, como el GMKtec EVO-X3, mueve con soltura modelos abiertos medianos:

Ver el GMKtec EVO-X3 con Ryzen AI Max+ 395 en Amazon

Tienes más opciones en qué modelos de IA local caben según tu VRAM y en las mejores GPU para IA local.

Cómo probarlo paso a paso

Por API (la forma fácil)

1. Crea una cuenta en un proveedor como OpenRouter y añade saldo.
2. Genera una clave de API.
3. Elige el modelo Muse Spark Open en el chat del proveedor o llámalo desde tu código con la API compatible con OpenAI.
4. Ajusta el nivel de razonamiento: alto o máximo para programar, bajo o medio para respuestas rápidas.

En local

1. Solicita acceso en la página del modelo en Hugging Face (meta-models/Muse-Spark-Open-816B-A42B): está restringido y tienes que aceptar la licencia.
2. Elige un entorno: Meta cita SGLang, vLLM, Hugging Face Transformers, TensorRT-LLM, Unsloth y llama.cpp, además de MLX en Mac.
3. Elige una versión que quepa en tu memoria, según la tabla anterior, y descárgala. Para la visión, necesitas también el archivo del proyector multimodal, de unos 2-4 GB.
4. Configura los parámetros que recomienda Meta: temperatura 1,0, top_p 1,0 y top_k desactivado.
5. Empieza con un contexto corto y ve subiendo según la memoria que te quede libre.

Niveles de razonamiento

Como otros modelos recientes, Muse Spark Open «piensa» antes de responder, y puedes controlar cuánto con el parámetro reasoning_effort. Admite cuatro valores: low, medium, high y xhigh. El valor por defecto es xhigh, el máximo.

Meta recomienda high o xhigh para resolver problemas complejos, programar y trabajar como agente, y low o medium para respuestas más rápidas y cortas. Cualquier otro valor devuelve un error. Ten en cuenta que más razonamiento significa más tokens de salida y, por tanto, más coste por API y más tiempo de espera en local.

Si vas a crear una aplicación para usuarios, Meta aconseja no mostrar en bruto la cadena de razonamiento del modelo y proteger los mensajes internos contra la manipulación, además de pedir confirmación humana antes de que el agente haga acciones irreversibles.

Frente a Muse Wonder, Mistral Large 4 y DeepSeek

Frente a Muse Wonder. Muse Wonder, presentado el 12 de octubre, es el modelo más potente de Meta, pero es cerrado: solo se usa por API y en las apps de Meta. En OpenRouter, Muse Wonder cuesta 4 dólares por millón de tokens de entrada y 20 de salida; Muse Spark Open, 1,25 y 4,25. Si necesitas lo máximo de Meta, Wonder; si quieres controlar el modelo o un precio más bajo, Spark Open.

Frente a Mistral Large 4. Los dos son modelos abiertos de gran tamaño y empatan prácticamente en el índice de Artificial Analysis (39 frente a 38). Mistral es europeo, lo que puede pesar en proyectos con requisitos de soberanía de datos; Muse Spark Open es más multimodal y mejor agente.

Frente a DeepSeek. Los modelos de DeepSeek suelen tener licencias más permisivas (MIT) y precios muy bajos. Te lo contamos en nuestro artículo sobre DeepSeek V4.1 Flash.

Si quieres el panorama completo, tienes nuestra comparativa de los mejores modelos de IA abiertos.

¿Para quién es?

Para desarrolladores que crean agentes. Su punto fuerte es el uso de herramientas y las tareas largas: es una opción muy seria para agentes de programación o de automatización, sobre todo si necesitas que entiendan capturas de pantalla, documentos o vídeo.

Para empresas que quieren controlar sus datos. Al ser de pesos abiertos, se puede desplegar en una nube propia o en servidores propios, sin enviar datos a Meta. Su licencia lo permite en la mayoría de casos, con la atribución obligatoria.

Para quien busca un modelo prudente. Si vas a ponerlo delante de usuarios, su alta tasa de rechazo a peticiones dañinas es una ventaja, aunque convendrá comprobar si rechaza demasiado.

No es para quien quiere un modelo para usar en su PC sin más. Para eso hay opciones mucho más pequeñas y prácticas; te lo explicamos en nuestra guía de Ollama.

Si al final te animas a montar un equipo para IA local, el almacenamiento rápido también se nota en el día a día. Un SSD de 2 TB es un buen punto de partida:

Ver el Samsung 9100 PRO de 2 TB en Amazon

Lecturas relacionadas

• Meta Muse Wonder: qué es y cuánto cuesta
• Mistral Large 4, de pesos abiertos
• DGX Spark frente a Mac Studio para IA local
• Modelos de IA local según tu VRAM