Muse Spark Open: Meta y Apple llevan una IA gigante al escritorio

Por Redacción Pangea IA · 16 de octubre de 2026

Meta ha liberado los pesos de Muse Spark Open, un modelo multimodal pensado para programación, agentes y tareas largas. Tiene 816.000 millones de parámetros totales, activa 42.000 millones en cada paso y admite hasta un millón de tokens de contexto. La novedad no es solo el tamaño: Meta y Apple han trabajado para que pueda ejecutarse de forma privada en un conjunto de dos Mac Studio con M5 Ultra. Sin embargo, “en el escritorio” no significa accesible para cualquier usuario: el despliegue local exige al menos 1 TB de memoria unificada repartida entre dos equipos, una configuración técnica compleja y una licencia propia que no equivale a código abierto.

Qué ha lanzado Meta

Muse Spark Open es una versión con pesos descargables de la familia Spark de Meta. Los desarrolladores pueden obtenerla en Hugging Face en formatos BF16 y NVFP4, adaptarla, ajustarla y desplegarla en su propia infraestructura. También estará disponible mediante proveedores externos de API, aunque Meta no ha publicado una lista completa, precios uniformes ni condiciones de servicio para esas plataformas.

Conviene distinguir este lanzamiento de Muse Wonder y Wonder Full, presentados tres días antes. Wonder es la familia cerrada que Meta ofrece mediante su API y Muse Code; Spark Open es el modelo cuyos pesos pueden descargarse y ejecutarse fuera de los servidores de Meta. Ambos comparten el foco en agentes y programación, pero responden a intenciones de búsqueda y formas de uso diferentes.

Característica	Muse Spark Open
Arquitectura	Mezcla de expertos, 816.000 millones de parámetros totales y 42.000 millones activos
Contexto máximo	Un millón de tokens
Entrada	Texto, imágenes, vídeo y audio
Salida	Texto
Idiomas de entrenamiento	Más de 100, según Meta
Acceso	Pesos en Hugging Face y API de terceros
Despliegue local destacado	Dos Mac Studio M5 Ultra con 512 GB cada uno o cuatro con 256 GB
Licencia	Muse Model License, no una licencia de código abierto estándar

Qué significa que sea un modelo de pesos abiertos

“Pesos abiertos” significa que se pueden descargar los parámetros aprendidos durante el entrenamiento. Esto permite ejecutar el modelo en infraestructura propia, inspeccionar su comportamiento, afinarlo con datos específicos y construir derivados sin depender siempre de una API cerrada. No significa que Meta haya publicado todo el código, los conjuntos de entrenamiento o el proceso completo necesario para reproducir el modelo desde cero.

La diferencia importa porque el término “abierto” puede sugerir libertades que la licencia no concede sin condiciones. La Muse Model License permite usar, copiar, modificar, afinar, destilar, distribuir e incluso vender el software y sus derivados, pero exige conservar la licencia y la política de uso. Los productos deben mostrar de forma visible la atribución “Built with Muse Spark Open”.

Además, una empresa que ofrezca el modelo o un derivado como servicio de IA mediante API y supere 20 millones de dólares de ingresos brutos agregados en cualquier periodo consecutivo de doce meses debe avisar a Meta y firmar un acuerdo separado. La cláusula no se aplica al uso interno ni a funciones integradas en un producto que no sea, en sí mismo, un servicio de modelo. Para una pyme española el límite económico difícilmente será el primer obstáculo, pero la atribución, la política de usos y las obligaciones del RGPD siguen siendo relevantes.

Una IA enorme que cabe en dos Mac Studio, con matices

Apple ha publicado una demostración técnica que distribuye Muse Spark Open entre varios Mac Studio mediante MLX, su entorno abierto para aprendizaje automático en Apple Silicon. El modelo no cabe en un único equipo: en precisión nativa BF16, solo sus parámetros ocuparían más de 1,6 TB. La versión cuantizada NVFP4 reduce esa huella a unos 493 GB, pero aún necesita memoria adicional para los cálculos durante la inferencia.

La configuración mínima documentada por Meta utiliza dos Mac Studio con M5 Ultra y 512 GB de memoria unificada cada uno. La alternativa es emplear cuatro equipos con 256 GB. Todos deben ejecutar macOS 26.2 o posterior y MLX 0.30.1 o una versión más reciente. También necesitan enlaces directos Thunderbolt 5 entre cada pareja, acceso SSH sin contraseña y espacio para guardar el punto de control completo en cada máquina. La propia guía estima unas cuatro horas para completar el proceso.

Por eso, “IA local en el escritorio” describe una realidad técnica, no un producto doméstico. Meta indica que la versión NVFP4 necesita al menos 700 GB de memoria de vídeo en sistemas con GPU convencionales, mientras que BF16 requiere alrededor de 2 TB. Es una infraestructura para laboratorios, equipos de desarrollo y empresas con necesidades de privacidad o experimentación, no para el portátil medio.

Velocidad: qué midió Apple

Apple midió 15,74 tokens por segundo con dos Mac Studio conectados mediante paralelización por etapas y un contexto de 8.192 tokens. Con paralelización tensorial, dos equipos alcanzaron 24,99 tokens por segundo y cuatro llegaron a 36,73. El tiempo hasta el primer token fue de 8,4 segundos con dos máquinas en modo por etapas, 8,2 segundos con dos en modo tensorial y 4,8 segundos con cuatro.

Son resultados del laboratorio de Apple, no una auditoría independiente, y se midieron generando 128 tokens después de un contexto concreto. El rendimiento puede cambiar con contextos más largos, herramientas, lotes simultáneos y cargas reales. Aun así, demuestran que una arquitectura de memoria unificada y conexiones Thunderbolt de baja latencia puede ejecutar un modelo que hasta hace poco habría requerido servidores especializados.

Qué puede hacer Muse Spark Open

La ficha de Meta lo orienta a flujos largos de programación, razonamiento en varios pasos y agentes capaces de usar herramientas, recuperarse de errores y completar solicitudes de principio a fin. Su entrada multimodal permite interpretar capturas, gráficos, documentos, imágenes, audio y vídeo junto con texto, aunque la salida sigue siendo textual.

Agentes de programación: escribir, depurar y modificar proyectos de software con varias etapas.
Uso de herramientas: invocar funciones durante conversaciones largas y reintentar cuando una llamada falla.
Análisis multimodal: combinar documentos, imágenes, audio y vídeo dentro de un mismo flujo.
Datos sintéticos: generar ejemplos para entrenar o evaluar otros sistemas.
Evaluación de modelos: actuar como juez de las respuestas producidas por otras IA.

El contexto de un millón de tokens permite introducir repositorios o colecciones documentales muy extensas, pero la capacidad nominal no garantiza que el modelo recuerde y utilice con precisión cada detalle. Además, procesar un contexto completo tiene un coste de tiempo y memoria. Una implantación responsable debe medir recuperación de información, latencia y errores en el tamaño de contexto que realmente utilizará.

Los resultados no lo convierten en el mejor modelo abierto para todo

Meta lo presenta como el modelo de pesos abiertos más capaz desarrollado en Estados Unidos. Sus propias tablas muestran una realidad más matizada. Muse Spark Open obtiene 39 puntos en el índice general de Artificial Analysis incluido por Meta: supera a Inkling, Nemotron 3 Ultra y Mistral Large 4 en esa tabla, pero queda por debajo de Qwen 3.8, GLM 5.3 y Kimi K3.

En JobBench alcanza 61,8, ligeramente por encima de GLM 5.3 y claramente por delante de varias alternativas. En MCP-Atlas obtiene 89,2, el mejor resultado de la comparación publicada. Sin embargo, en DeepSWE 1.1 marca 60, frente a 68 de Kimi K3 y 67 de GLM 5.3; en Terminal-Bench 2.1 logra 76,4, por debajo de varias opciones. No existe un ganador universal: el resultado depende del tipo de agente, la configuración, el esfuerzo de razonamiento y el sistema de herramientas que lo rodea.

La referencia europea más cercana es Mistral Large 4, un modelo abierto de un billón de parámetros. Muse Spark Open ofrece una alternativa estadounidense con una vía especialmente cuidada para Apple Silicon, pero exige evaluar calidad, licencia, coste operativo y soberanía del dato caso por caso.

Privacidad y seguridad: ventaja local, responsabilidad local

Ejecutar el modelo dentro de la empresa puede evitar que documentos, código o grabaciones se envíen a un proveedor externo. Esa es una ventaja para actividades con propiedad intelectual o información sensible. Pero un despliegue local traslada la responsabilidad al operador: control de accesos, parches, registros, aislamiento de herramientas, prevención de filtraciones y cumplimiento normativo.

Meta recomienda incorporar barreras específicas para cada uso. La compañía afirma que el punto de control liberado rechazó el 99,2 % de los intentos de evasión en una prueba interna de ciberseguridad y más del 98 % de determinadas solicitudes químicas y biológicas dañinas. Son cifras de Meta y describen una configuración concreta; afinar el modelo o integrarlo con herramientas puede alterar ese comportamiento.

Para agentes que puedan escribir archivos, ejecutar código o actuar sobre servicios externos, la seguridad no debe descansar solo en la negativa del modelo. Hacen falta entornos aislados, permisos mínimos, límites de gasto, copias de seguridad y aprobación humana para acciones irreversibles. El riesgo crece precisamente donde Spark Open pretende destacar: tareas largas con múltiples herramientas.

Qué significa para pymes y autónomos

Para la mayoría de pymes españolas, comprar dos o cuatro Mac Studio únicamente para ejecutar este modelo no será la opción más eficiente. La vía práctica será probarlo mediante un proveedor de API o un socio que gestione la infraestructura, siempre que publique precio, ubicación del tratamiento y condiciones de privacidad. Meta no ha facilitado todavía una tarifa oficial común para esos servicios.

El despliegue propio puede tener sentido cuando el volumen es alto, los datos no deben abandonar el entorno de la organización o se necesita adaptar profundamente el modelo. Incluso entonces conviene comparar el coste total: hardware, electricidad, almacenamiento, personal técnico, monitorización y actualización. Tener los pesos no elimina el coste de operar un sistema fiable.

Una prueba sensata empezaría con tareas reversibles, como revisar código, clasificar documentos o generar borradores a partir de información anonimizada. Solo después de medir precisión, velocidad y coste debería conectarse el agente a repositorios reales, correo, facturación o sistemas de clientes. Si procesa datos personales, el hecho de ejecutarlo localmente reduce transferencias, pero no exime de informar, limitar finalidades, proteger accesos y respetar los derechos previstos por el RGPD.

Conclusión

Muse Spark Open es una novedad relevante porque combina tres movimientos: Meta vuelve a ofrecer un modelo avanzado con pesos descargables, Apple convierte varios Mac Studio en una pequeña plataforma distribuida de inferencia y los agentes de programación ganan una alternativa que puede funcionar sin enviar cada dato a una nube ajena.

También obliga a rebajar el eslogan. No es una IA para cualquier escritorio, no es código abierto en sentido estricto y sus resultados no superan a todos los rivales en todas las pruebas. Su valor dependerá de la disponibilidad y precio de las API, de evaluaciones independientes y de que las empresas puedan aprovechar la privacidad local sin asumir una infraestructura desproporcionada.

Lecturas relacionadas

Fuentes consultadas

Meta AI Research: presentación de Muse Spark Open, 15 de octubre de 2026. Consulta: 16 de octubre de 2026.
Meta en Hugging Face: ficha, pesos, resultados y licencia de Muse Spark Open, 15 de octubre de 2026. Consulta: 16 de octubre de 2026.
Apple Machine Learning Research: inferencia local y distribuida con MLX, 15 de octubre de 2026. Consulta: 16 de octubre de 2026.
Reuters: Meta libera Muse Spark Open para programación y agentes, 15 de octubre de 2026. Consulta: 16 de octubre de 2026.
The Verge: Meta y Apple colaboran para ejecutar Muse en Mac, 15 de octubre de 2026. Consulta: 16 de octubre de 2026.