Los pesos abiertos de Muse Spark Open, con 816 mil millones de parámetros, ya son públicos

Meta publicó los pesos de Muse Spark Open el 15 de octubre de 2026, un modelo de pesos abiertos nativamente multimodal con 816 mil millones de parámetros totales, 42 mil millones de parámetros activos y una ventana de contexto de 1 millón de tokens. Investigación de IA de Meta lo describe como el modelo estadounidense de pesos abiertos más capaz hasta la fecha, diseñado para programación y tareas basadas en agentes, como tareas de largo horizonte, ingeniería de software compleja y razonamiento de varios pasos.

Arquitectura y datos de entrenamiento

Según la ficha del modelo publicada por Meta Superintelligence Labs, Muse Spark Open es un Transformer de mezcla de expertos combinado con un codificador de percepción (Perception Encoder). El modelo de lenguaje tiene 62 capas, una dimensión oculta de 8192 y 256 expertos, de los cuales se activan ocho por token mediante enrutamiento top-k. Su bloque de atención emplea atención con compuertas y QK-norm, 128 cabezas de consulta y 16 cabezas de clave-valor en una configuración de atención agrupada por consultas, y una dimensión de cabeza de 64. El tamaño del vocabulario es de 202 048, con incrustaciones de entrada y salida no compartidas. El Perception Encoder tiene 1,8 mil millones de parámetros distribuidos en 50 capas, una dimensión oculta de 1536, 16 cabezas, un tamaño de parche de 14×14, una dimensión de salida de 4096 y atención dispersa con un factor de cuatro; en esta configuración, cada cuarta capa y la capa final emplean atención completa.

El modelo acepta texto, imágenes, video y audio como entradas, y genera texto como salida. Según la ficha del modelo, los datos de entrenamiento incluyen texto, imágenes, audio y video procedentes de fuentes públicas, rastreos de Internet, terceros, productos y servicios propios de Meta, y material generado sintéticamente. Abarcan más de 100 idiomas y fueron seleccionados mediante procesos que incluyeron limpieza, procesamiento, deduplicación y filtrado. Un parámetro llamado reasoning_effort controla cuánto razona el modelo antes de responder; ofrece las opciones low, medium, high y xhigh, y esta última es la predeterminada. Cualquier otro valor genera un error. Meta recomienda una temperatura de 1.0, top_p de 1.0 y top_k desactivado para la mayoría de las implementaciones, así como un esfuerzo de razonamiento high o xhigh para resolver problemas complejos, programar y realizar tareas con agentes.

Disponibilidad y optimización para Apple Silicon

Muse Spark Open está disponible a través de las plataformas de API Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI. Sus pesos se pueden descargar desde Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face y Microsoft Foundry Models. El modelo funciona con motores de inferencia como SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp y Unsloth, con optimizaciones para chips de AMD, Apple, Intel y NVIDIA. Además, los desarrolladores pueden seguir ajustando el modelo con TorchTitan de PyTorch. Los pesos se distribuyen en versiones BF16 y NVFP4; para ejecutarlo localmente se necesita una GPU con al menos 700 GB de VRAM para NVFP4 o 2 TB para BF16.

Meta afirma que Muse Spark Open es el primer modelo de su categoría que funciona en un equipo de escritorio, mediante dos Mac Studio con Apple M5 Ultra y la versión más reciente del framework MLX, que descarga los pesos directamente de Hugging Face. La arquitectura de memoria unificada de Apple permite que la GPU integrada del M5 Ultra utilice hasta 512 GB en cada Mac Studio. Según Meta, el ancho de banda de memoria de 1,2 TB/s del chip permite que dos equipos alberguen el modelo completo y funcionen como un único sistema con un terabyte de memoria unificada.

Meta indicó que probó flujos de trabajo con agentes ejecutados íntegramente en el dispositivo con Muse Code, basado en Muse Spark Open. En una prueba, la configuración implementó cambios reales en iOS para Ice Cubes, un cliente de Mastodon de código abierto, que incluyeron correcciones de errores, nuevas funciones y una compilación completa. En otra, manejó DaVinci Resolve de principio a fin: examinó el metraje fotograma a fotograma para seleccionar los momentos más destacados y reformularlos como recortes verticales. La versión de pesos abiertos también incluye kernels de GPU Helion personalizados y autoajustables en SGLang, que, según Meta, ofrecen aceleraciones de entre 1,03 y 3,95 veces a nivel de kernel en GPU de NVIDIA y AMD, y una mejora de velocidad del 3 % de extremo a extremo en AMD MI350.

Resultados de seguridad y pruebas de rendimiento según Meta

La ficha del modelo compara Muse Spark Open, ejecutado con un esfuerzo de razonamiento xhigh, con Inkling, Nemotron 3 Ultra, Beam, Mistral Large 4, Qwen3.8-2.4T-A95B, GLM 5.3 y Kimi K3. Meta informa de una puntuación de 39 en Artificial Analysis Intelligence Index; la misma tabla indica 45 para GLM 5.3, 44 para Kimi K3 y 40 para Qwen3.8-2.4T-A95B. En las evaluaciones de tareas con agentes, Meta informa de 61,8 en JobBench y 89,2 en MCP-Atlas, las puntuaciones más altas en esas pruebas entre los modelos incluidos en la tabla de la ficha. En conocimientos y razonamiento, Meta informa de 26,1 en HLE-Diamond sin herramientas, 25 en AA Omniscience y 89,0 en GPQA Diamond; en este último, la tabla asigna 93,5 tanto a Qwen3.8-2.4T-A95B como a Kimi K3.

En las pruebas de programación, Meta informa de 76,4 en Terminal-Bench 2.1, mientras que la ficha indica 85,0 para Kimi K3 y 83,9 para GLM 5.3; también informa de 60 en DeepSWE 1.1 y 58 en SWE-Atlas-QnA, pruebas en las que la ficha asigna a Kimi K3 puntuaciones de 68 y 66, respectivamente. En las pruebas multimodales con asistencia de herramientas, Meta informa de 50,0 en ZeroBench, 73,6 en SimpleVQA, 80,2 en BabyVision frente a los 85,7 de Kimi K3 en la tabla, y 61,5 en VideoMMEv2 frente a los 65,4 que se indican para Kimi K3.

Meta dijo que la versión de pesos abiertos recibió un ajuste adicional de seguridad posterior al entrenamiento y fue evaluada en materia de seguridad de contenidos, riesgos agénticos, privacidad y preparación, de conformidad con su Marco de Escalado de la Superinteligencia de Meta, y que cumplió los umbrales que este exige para su publicación. La ficha del modelo indica que Muse Spark Open rechazó el 99,2 % de los intentos de jailbreak en la prueba interna de ciberseguridad de Meta y el 94,8 % en el agregado de la subsección de ciberseguridad de PolyGuard, RedCode y CyberBench 2024; en la misma configuración, la ficha asigna a Kimi K3 un 75,5 % y un 70,2 %.

Meta informa de tasas de rechazo superiores al 98 % de las solicitudes dañinas en la prueba BioTIER de SecureBio y superiores al 99 % en una prueba interna de química de un solo turno, además de más del 97 % de las solicitudes dañinas de biología y el 98 % de las solicitudes dañinas de química en pruebas internas agénticas de varios turnos. La ficha indica una tasa de honestidad del 98,1 % en la prueba MASK, una tasa de comportamiento indebido del 0 % en la prueba Agentic Misalignment y una puntuación de 0,5 en StrongREJECT v2, donde las puntuaciones más bajas son mejores. Meta advierte que los resultados describen el punto de control publicado en las condiciones evaluadas y que las modificaciones posteriores podrían reducir la seguridad; también recomienda implementar el modelo dentro de un sistema de IA más amplio, con medidas de protección adecuadas al caso de uso.

Condiciones de la licencia y limitaciones declaradas

Los pesos se publican con la licencia Muse Model License, fechada el 15 de octubre de 2026, que permite el uso, la copia, la modificación —incluido el ajuste fino—, la creación de obras derivadas, la destilación y la distribución gratuitas, sujetas a ciertas condiciones. Los licenciatarios deben mostrar de forma destacada «Creado con Muse Spark Open» en la interfaz de usuario de cada producto o servicio que utilice el software o sus derivados, o en la documentación adjunta, un sitio web o un menú de configuración.

Los licenciatarios que ofrezcan modelos de inteligencia artificial como servicio y cuyos ingresos brutos agregados, incluidos los de sus afiliadas, superen los 20 millones de dólares en cualquier período consecutivo de 12 meses deben notificar a Meta y firmar un acuerdo escrito por separado antes de incluir el software en esa actividad. Esta disposición no se aplica al uso interno, la investigación ni a otras actividades comerciales que no consistan en prestar un servicio de modelos, ni al uso del software como componente que impulse un producto propio del licenciatario. La licencia establece que Meta no adquiere ningún derecho de propiedad sobre los resultados generados por el software.

La política de uso adjunta indica que el modelo no está destinado a menores de 18 años y prohíbe usos como las actividades ilegales, la creación de malware, el desarrollo de armas, la operación de infraestructuras críticas y el engaño deliberado, como el fraude, la desinformación y la suplantación de identidad. Entre las limitaciones señaladas por Meta figuran las respuestas potencialmente inexactas, sesgadas u objetables; los errores de razonamiento en varios pasos ante situaciones novedosas; el rendimiento reducido en idiomas fuera del conjunto de idiomas con mayor compatibilidad; pequeñas diferencias de calidad con la inferencia cuantizada; y la visualización poco fiable de vídeos muy cortos o de baja resolución. Meta dijo que pronto estará disponible un informe completo de evaluación.