Meta publica los pesos de su nuevo modelo multimodal para programación y agentes autónomos. Puede procesar un millón de tokens de contexto, pero su licencia y sus enormes requisitos de hardware marcan los límites de esta apertura.
La inteligencia artificial de gran capacidad ya no depende exclusivamente de los servidores de las grandes tecnológicas. Al menos, esa es la dirección que Meta quiere impulsar con Muse Spark Open, el modelo cuyos pesos ha publicado para que desarrolladores y empresas puedan descargarlo, adaptarlo y ejecutarlo en sus propias infraestructuras.
La compañía presentó la versión de pesos abiertos el 15 de octubre de 2026, con una arquitectura que suma 816 000 millones de parámetros, de los que activa aproximadamente 42 000 millones para procesar cada token. También incorpora una ventana de contexto de hasta 1 048 576 tokens, una capacidad pensada para trabajar con grandes cantidades de información y desarrollar tareas complejas de programación.
El anuncio abre nuevas posibilidades para las empresas que buscan mayor control sobre sus sistemas de inteligencia artificial. Sin embargo, conviene evitar una interpretación engañosa: descargar los pesos no significa que cualquier usuario pueda ejecutar el modelo en un ordenador convencional ni que la licencia permita cualquier uso comercial sin condiciones.
Meta presenta Muse Spark Open como una alternativa para construir agentes autónomos capaces de planificar, escribir código, utilizar herramientas y corregir errores a lo largo de procesos prolongados. Su principal atractivo no reside únicamente en el tamaño del modelo, sino en la posibilidad de trasladar parte de esas capacidades a infraestructuras controladas por los propios usuarios.
Muse Spark Open: un modelo multimodal diseñado para agentes autónomos
Muse Spark Open pertenece a la familia de modelos de Meta orientados a la programación y al trabajo autónomo. A diferencia de un asistente limitado a responder preguntas, está diseñado para completar secuencias de tareas que requieren planificación, ejecución y comprobación de resultados.
Su arquitectura permite recibir texto, imágenes, audio y vídeo, aunque su salida principal es textual. Esto facilita construir sistemas que puedan interpretar documentos, capturas de pantalla, grabaciones o fragmentos audiovisuales mientras trabajan en una tarea.
Por ejemplo, un agente basado en el modelo podría analizar una base de código, identificar un fallo, proponer una modificación, ejecutar herramientas de desarrollo y revisar si la solución funciona. Si encuentra un error, puede intentar corregirlo y continuar el proceso.
La diferencia respecto a una herramienta tradicional está en la posibilidad de encadenar múltiples acciones. En lugar de exigir instrucciones humanas para cada paso, un sistema agéntico puede ejecutar parte del trabajo de forma secuencial, siempre dentro de los permisos y las limitaciones establecidos.
Meta destaca especialmente tres ámbitos de aplicación:
- Desarrollo de software: escritura, depuración y modificación de proyectos con múltiples archivos.
- Automatización de tareas: planificación, uso de herramientas y ejecución de procesos de varios pasos.
- Análisis multimodal: interpretación de imágenes, documentos, capturas, audio y vídeo para resolver tareas complejas.
Estas capacidades no garantizan que el modelo complete cualquier trabajo correctamente. El resultado depende de la tarea, del entorno de ejecución, de las herramientas conectadas y de los controles que acompañen al sistema.
816 000 millones de parámetros, pero solo 42 000 millones activos
Una de las características técnicas más llamativas de Muse Spark Open es su arquitectura de mezcla de expertos, conocida como Mixture of Experts (MoE).
En este tipo de diseño, el modelo contiene diferentes redes especializadas y selecciona una parte de ellas para procesar cada token. En el caso de Muse Spark Open, Meta declara 816 000 millones de parámetros totales y unos 42 000 millones activos por token.
Esta distinción es importante. Los parámetros totales describen el tamaño global del modelo, mientras que los parámetros activos indican la parte que participa en cada paso de procesamiento.
La activación selectiva puede reducir el cálculo necesario en comparación con una arquitectura que utilizase todos sus parámetros para cada token. Sin embargo, no elimina la necesidad de almacenar el conjunto completo de pesos cuando se ejecuta el modelo íntegro.
Por eso, no debe confundirse la cifra de 42 000 millones de parámetros activos con los requisitos reales de memoria. Para desplegar la versión completa hay que cargar los pesos del modelo y reservar recursos adicionales para la memoria de contexto, las activaciones y el propio motor de inferencia.
Según la documentación técnica de Meta, existen formatos de pesos que permiten adaptar los requisitos de almacenamiento y ejecución a diferentes configuraciones de hardware.
Un millón de tokens de contexto para trabajar con grandes proyectos
La ventana de contexto alcanza 1 048 576 tokens, aproximadamente un millón. El contexto es la cantidad de información que un modelo puede tener en cuenta dentro de una misma sesión de procesamiento.
Una ventana amplia resulta útil para analizar repositorios de software, revisar documentación extensa o relacionar información procedente de múltiples archivos. También permite trabajar con entradas multimodales, en las que imágenes, audio y vídeo se representan mediante tokens dentro del sistema.
En programación, esta capacidad puede facilitar que un agente mantenga una visión más amplia de un proyecto y relacione errores, dependencias y cambios realizados en diferentes partes del código.
No obstante, una ventana de contexto grande no equivale a una memoria ilimitada ni garantiza que el modelo recuerde todos los detalles con la misma precisión. La calidad de los resultados sigue dependiendo de cómo se organiza la información y de la capacidad del sistema para identificar qué datos son relevantes.
Además, utilizar todo el contexto disponible puede elevar considerablemente el consumo de memoria. La capacidad máxima anunciada debe entenderse como una especificación técnica, no como una garantía de que cualquier instalación pueda procesar un millón de tokens a bajo coste o con una velocidad determinada.
Ejecutar la IA en local: más control sobre los datos, pero no sin costes
Uno de los principales argumentos a favor de los modelos con pesos descargables es la posibilidad de ejecutarlos dentro de una infraestructura propia.
Cuando una empresa utiliza un servicio de IA alojado por un proveedor externo, los datos enviados al sistema pueden salir de su entorno tecnológico, dependiendo de la arquitectura y de las condiciones del servicio. En cambio, una instalación local correctamente configurada permite mantener las entradas y las respuestas dentro de la infraestructura de la organización.
La ejecución local puede mejorar el control sobre los datos, pero no garantiza por sí sola la privacidad. También importan los registros, los permisos, las conexiones de red, las herramientas integradas y las medidas de seguridad del sistema.
Muse Spark Open puede desplegarse mediante motores de inferencia como SGLang, vLLM, TensorRT-LLM, Hugging Face Transformers, Apple MLX, llama.cpp y Unsloth. El ecosistema contempla optimizaciones para hardware de NVIDIA, AMD, Intel y Apple.
La disponibilidad de distintos motores permite adaptar el despliegue a diferentes plataformas, aunque no significa que todas las configuraciones ofrezcan el mismo rendimiento o que cualquier combinación de hardware sea compatible sin ajustes.
En entornos profesionales, ejecutar un modelo de este tamaño exige valorar tanto el coste inicial de los equipos como el consumo eléctrico, la refrigeración, el mantenimiento y la experiencia técnica necesaria para administrarlo.
Dos Mac Studio M5 Ultra como una única infraestructura de IA
Meta destaca una configuración basada en dos estaciones de trabajo Mac Studio con procesador M5 Ultra, conectadas mediante la arquitectura de memoria unificada de Apple y el entorno MLX.
Según la compañía, esta configuración puede funcionar como un sistema con un terabyte de memoria unificada compartida para ejecutar Muse Spark Open. La empresa también ha mostrado flujos de trabajo autónomos en los que el modelo realiza tareas directamente sobre aplicaciones instaladas en el equipo.
Uno de los ejemplos comunicados por Meta consiste en trabajar con DaVinci Resolve, un programa profesional de edición de vídeo. El sistema puede revisar material audiovisual cuadro a cuadro, localizar momentos relevantes y preparar recortes verticales.
Meta también describe trabajos de desarrollo sobre una aplicación de código abierto para iOS, con correcciones, nuevas funciones y compilación del proyecto.
Estos ejemplos muestran el tipo de tareas que la empresa pretende automatizar, pero deben interpretarse como demostraciones de capacidades concretas. No prueban que el modelo pueda manejar de manera fiable cualquier aplicación profesional ni que complete todos los flujos de trabajo sin supervisión.
La configuración de dos estaciones de trabajo tampoco debe confundirse con un ordenador doméstico convencional. Se trata de equipos profesionales de alta capacidad, y su precio, disponibilidad y rendimiento efectivo dependen de la configuración utilizada.
La posibilidad de ejecutar localmente un modelo avanzado supone un cambio relevante para determinados desarrolladores y organizaciones. Aun así, la barrera del hardware sigue siendo considerable para usuarios que no disponen de grandes cantidades de memoria y capacidad de cálculo.
Descarga de los pesos y acceso mediante plataformas profesionales
Meta ha distribuido Muse Spark Open a través de varios canales para facilitar su adopción por desarrolladores y empresas.
Los pesos están disponibles mediante plataformas como Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden y Microsoft Foundry Models. También existen proveedores que permiten acceder al modelo mediante interfaces de programación de aplicaciones, conocidas como API.
Entre los servicios anunciados figuran Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI.
Esta distribución permite elegir entre dos modalidades principales:
- Despliegue propio: la organización descarga los pesos y administra la infraestructura necesaria para ejecutar el modelo.
- Acceso mediante un proveedor externo: el desarrollador utiliza una API alojada por un tercero sin tener que adquirir y administrar todos los equipos.
La segunda alternativa reduce la carga técnica inicial, pero introduce otras consideraciones, como el coste por uso, la disponibilidad del servicio, las condiciones contractuales y el tratamiento de los datos.
La descarga de los pesos tampoco implica que el modelo sea gratuito en todos los sentidos. Aunque Meta permite determinados usos sin coste de licencia, el hardware, la infraestructura, el consumo energético y los servicios de terceros pueden generar gastos importantes.
Qué significa realmente que Meta publique un modelo de pesos abiertos
La expresión open-weight se utiliza para describir modelos cuyos pesos entrenados se ponen a disposición de terceros. Esto permite descargarlos y, de acuerdo con las condiciones aplicables, ejecutarlos, adaptarlos o afinarlos para tareas específicas.
Sin embargo, un modelo de pesos abiertos no es necesariamente un proyecto completamente de código abierto. La publicación de los parámetros no implica que también se distribuyan todos los datos de entrenamiento, el código completo utilizado para desarrollar el sistema o todos los elementos de su proceso de creación.
Muse Spark Open se publica bajo la Muse Model License, una licencia específica que establece condiciones de uso. Entre ellas figuran obligaciones aplicables a determinados productos y restricciones para ciertos servicios comerciales a gran escala.
Por tanto, las empresas que pretendan integrar el modelo en un producto deben revisar la licencia y la política de uso aceptable antes de desplegarlo comercialmente. La disponibilidad para descarga no elimina las obligaciones contractuales.
Este matiz resulta especialmente importante para proveedores que quieran ofrecer el modelo como un servicio a terceros. La licencia contempla condiciones adicionales para determinadas actividades comerciales cuando se superan los umbrales de ingresos establecidos.
La apertura de los pesos amplía las posibilidades de experimentación y adaptación, pero no equivale a una autorización comercial ilimitada.
Seguridad: Meta asegura que el modelo supera sus umbrales internos
La publicación de modelos avanzados plantea interrogantes sobre el uso indebido, especialmente cuando los desarrolladores pueden ejecutarlos fuera de los controles de un servicio centralizado.
Meta afirma que Muse Spark Open ha recibido ajustes adicionales de seguridad y que ha sido evaluado conforme a su Meta Superintelligence Scaling Framework, el marco interno que utiliza para evaluar riesgos severos.
Según la compañía, el modelo cumplió los umbrales exigidos para su publicación. La documentación también recomienda desplegarlo como parte de un sistema más amplio, con salvaguardas adaptadas al uso concreto.
Esta evaluación debe atribuirse a Meta. No equivale, por sí sola, a una certificación independiente que garantice la ausencia de riesgos en todos los entornos.
Las organizaciones que lo incorporen a sus procesos deberán evaluar las posibles consecuencias de sus decisiones, limitar los permisos de los agentes, registrar las operaciones relevantes y establecer mecanismos de revisión humana cuando el sistema pueda afectar a información sensible o ejecutar acciones de importancia.
Un modelo capaz de utilizar herramientas puede automatizar tareas útiles, pero también amplificar los errores si dispone de permisos excesivos o trabaja sin supervisión adecuada.
Qué puede cambiar para las empresas españolas
Para las empresas españolas, la publicación de Muse Spark Open abre la posibilidad de evaluar un modelo avanzado sin depender exclusivamente de una interfaz comercial cerrada.
Las organizaciones que gestionan código propietario, documentación interna o procesos sensibles pueden estudiar un despliegue local si disponen de los recursos necesarios y si las condiciones de la licencia encajan con su actividad.
Entre las aplicaciones potenciales figuran:
- Automatizar tareas de programación y mantenimiento de software.
- Analizar documentación técnica y grandes repositorios.
- Construir asistentes internos conectados a herramientas corporativas.
- Procesar información visual o audiovisual dentro de flujos de trabajo.
- Adaptar el modelo a necesidades concretas mediante técnicas de ajuste.
No obstante, la decisión empresarial debe tener en cuenta el coste total de propiedad. Un modelo descargable puede evitar determinadas tarifas de API, pero requiere infraestructura, personal especializado, seguridad y mantenimiento.
Para una pequeña empresa, utilizar un proveedor externo podría resultar más sencillo y económico que desplegar un modelo de este tamaño. Para una organización con requisitos estrictos de control de datos y capacidad técnica suficiente, la ejecución propia puede ofrecer ventajas.
No existe una solución universal: la elección dependerá del volumen de uso, la sensibilidad de la información, los requisitos de rendimiento y las condiciones contractuales.
Meta amplía el acceso a la IA, pero la autonomía tiene límites
La publicación de Muse Spark Open confirma la apuesta de Meta por facilitar el acceso a modelos avanzados que los desarrolladores puedan ejecutar y adaptar. Su arquitectura multimodal, su millón de tokens de contexto y sus capacidades orientadas a agentes lo convierten en una propuesta relevante para la automatización de tareas complejas.
Sin embargo, el tamaño del modelo no debe ocultar sus limitaciones prácticas. El hardware necesario sigue siendo exigente, el despliegue requiere conocimientos técnicos y la licencia impone condiciones que deben analizarse antes de un uso comercial.
La principal cuestión ya no es solo quién puede descargar un modelo avanzado, sino quién dispone de los recursos para ejecutarlo de forma eficiente y segura. La publicación de los pesos amplía las opciones de las empresas, pero no elimina la dependencia de la infraestructura ni convierte automáticamente la IA en una tecnología accesible para todos.
Muse Spark Open acerca la ejecución de modelos avanzados a entornos propios, aunque la apertura real para cada organización dependerá de sus recursos, de sus necesidades y de las condiciones de uso.
Toqueteo
Toqueteo
Toqueteo