Meta lanza Muse Spark Open: 816B abiertos con licencia restrictiva

Meta ha presentado Muse Spark Open, un modelo de lenguaje de 816.000 millones de parámetros (con 42.000 millones activos) que, según la compañía, es el modelo de pesos abiertos más capaz desarrollado hasta ahora en Estados Unidos. El anuncio llega con una ventana de contexto de un millón de tokens, disponible a través de las APIs de Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI, y con pesos descargables desde Amazon SageMaker AI, Google Cloud Model Garden, Hugging Face y el catálogo de modelos de Microsoft Foundry.

La noticia tiene dos lecturas. La primera es técnica: Meta afirma que Muse Spark Open supera a los modelos abiertos estadounidenses de referencia, como Inkling de Thinking Machines y Nemotron 3 Ultra de Nvidia, en sus propias pruebas, a menudo por márgenes de 20 puntos o más. La segunda es legal y operativa: la licencia no es tan abierta como el nombre sugiere.

Una licencia con letra pequeña

El modelo se distribuye bajo la «Muse Model License», que Meta describe como con «términos comerciales limitados» que permiten a muchos desarrolladores usar el modelo gratis. En la práctica, cualquier empresa con más de 20 millones de dólares de ingresos brutos en un período consecutivo de doce meses debe notificar a Meta y firmar un acuerdo por escrito antes de ofrecer el software o derivados como parte de un negocio de «Modelo como Servicio». Además, todo producto o servicio que use el modelo o un derivado debe mostrar de forma destacada «Built with Muse Spark Open» en su interfaz de usuario.

Este esquema recuerda al de Kimi K3 de Moonshot: el uso interno y la integración en productos propios son gratuitos, pero hay condiciones. La política de uso prohíbe despliegues militares y en infraestructuras críticas, una excepción que Meta ya introdujo con Llama para el gobierno estadounidense en 2024. A diferencia de la política de uso de Anthropic para Claude, aquí no se especifican límites de abuso más allá de esa prohibición.

Rendimiento: fuerte en agentes, flojo en coding

Meta ha diseñado el modelo para «coding y trabajo agéntico», con especial énfasis en tareas de largo horizonte, ingeniería de software compleja y razonamiento multi-paso. En las pruebas de la compañía, Muse Spark Open lidera a Kimi K3, GLM 5.3 y Qwen3.8 en benchmarks de agentes y uso de herramientas, como JobBench y MCP-Atlas, y empata aproximadamente en SciCode. Sin embargo, en coding puro se queda atrás: en Terminal-Bench 2.1, Kimi K3 obtiene 85,0 y GLM 5.3 83,9 frente a los 76,4 de Spark Open; en DeepSWE 1.1, la diferencia es de 68 a 60. Es la misma brecha que Meta reconoció al lanzar la versión cerrada de Spark en abril, y no parece haber mejorado mucho desde entonces.

Para una pyme, estos números se traducen en una pregunta práctica: ¿merece la pena apostar por este modelo para automatizar tareas de desarrollo o soporte? Si el grueso del trabajo es generación de código, los modelos chinos siguen llevando ventaja. Si el foco está en agentes que ejecutan flujos multi-paso, Muse Spark Open es una opción a considerar.

¿Se puede ejecutar en local?

Un modelo de 816.000 millones de parámetros no está pensado para un portátil. Meta indica que se puede ejecutar en dos Mac Studio con chip M5 Ultra y 512 GB de memoria unificada, enlazados y usando MLX. La compañía lo hizo para ejecutar Muse Code y publicar actualizaciones del cliente Mastodon Ice Cubes. Apple no vende actualmente ese modelo de 512 GB al público general, pero en unas semanas será posible comprar dos máquinas de esas características por el precio de un coche compacto. Para una pyme, esto no es una opción realista de despliegue, sino una demostración de capacidad.

La vía práctica para la mayoría de empresas pasa por las APIs de los proveedores mencionados o por los catálogos cloud. Ahí sí es viable probar el modelo sin invertir en hardware.

Qué significa para tu equipo de IT

La llegada de Muse Spark Open refuerza una tendencia que ya venimos observando: los modelos abiertos de gran tamaño son cada vez más competitivos, pero las licencias se complican. Para un equipo de IT de una pyme, las implicaciones son varias:

• Coste y dependencia: usar el modelo vía API evita inversión en infraestructura, pero introduce dependencia de proveedores externos. Conviene evaluar la latencia, el coste por token y la política de retención de datos de cada proveedor.
• Licencia y cumplimiento: si tu empresa supera los 20 millones de dólares de ingresos, necesitas revisar la licencia antes de integrar el modelo en un producto que ofrezcas a terceros. Si no los superas, el uso interno es gratuito, pero la obligación de mostrar «Built with Muse Spark Open» puede afectar a la imagen de marca en productos propios.
• Benchmarks vs. realidad: los números de Meta son buenos en agentes, pero flojos en coding. Antes de adoptarlo, prueba el modelo con tus propios casos de uso. No te fíes solo de las tablas comparativas.
• Alternativas: si tu prioridad es coding, quizá te interese explorar modelos como los de Nvidia, que recientemente ha lanzado un modelo agéntico de 74B para portátiles. Puedes leer nuestro análisis en Nvidia mete un modelo agéntico de 74B en 24GB para tu portátil.

Recomendaciones de ForgeNEX

Desde ForgeNEX recomendamos un enfoque prudente. Primero, evalúa si realmente necesitas un modelo de 816B para tus tareas. En muchos casos, un modelo más pequeño y especializado puede ser suficiente y más barato. Segundo, revisa la licencia con tu equipo legal si planeas integrarlo en un producto comercial. Tercero, prueba el modelo en un entorno controlado con tus propios datos y casos de uso antes de comprometerte. Y cuarto, mantén una estrategia multi-proveedor para no quedar atado a una sola API.

La noticia también coincide con un momento de creciente interés por la seguridad en el uso de IA. Si estás desplegando agentes o modelos en producción, quizá te interese revisar nuestras recomendaciones sobre nuevos modelos de decisión IA en los SOC, donde abordamos los riesgos de automatizar decisiones sin supervisión.

En resumen: Muse Spark Open es un paso más en la carrera de los modelos abiertos, pero no es una bala de plata. Las pymes deben mirar más allá de los benchmarks y evaluar licencia, coste total y encaje real en sus flujos de trabajo.

Fuente: The New Stack. Análisis y adaptación: ForgeNEX.