Meta Muse Spark: su primer modelo frontier llega... sin pesos abiertos
Meta lanza Muse Spark, un modelo multimodal con razonamiento y orquestación multi-agente que cierra la brecha con OpenAI y Anthropic, pero rompe con la tradición open-source de la familia Llama al no liberar los pesos.
Meta Superintelligence Labs ha presentado Muse Spark, el primer modelo de la nueva familia Muse y también el primer modelo frontier de la compañía que no se publica con pesos abiertos. Un giro radical para la empresa que popularizó los LLMs open-source con la serie Llama.
El modelo es nativamente multimodal, con capacidades de razonamiento visual (chain-of-thought), tool use y orquestación multi-agente. Está disponible en meta.ai y la app Meta AI, con una API privada en preview para usuarios seleccionados. A diferencia de Llama 3 y 4, Muse Spark no se puede ejecutar en local — un quiebre explícito con la filosofía que Meta defendió durante años.
⚡ Rendimiento y eficiencia
El servicio independiente Artificial Analysis le otorga 52 puntos en el Intelligence Index, colocándolo en el top 5 global. Solo Gemini 3.1 Pro Preview, GPT-5.4 y Claude Opus 4.6 quedan por encima. Para ponerlo en contexto, Llama 4 Maverick y Scout obtuvieron 18 y 13 puntos respectivamente en su lanzamiento.
Meta afirma que Muse Spark iguala las capacidades de Llama 4 Maverick con más de un orden de magnitud menos de cómputo, gracias a un stack de pretraining completamente rediseñado (arquitectura, optimización y curación de datos). En el índice de Artificial Analysis, Muse Spark consumió 58 millones de tokens de salida — comparable a Gemini 3.1 Pro (57M) y muy por debajo de Claude Opus 4.6 (157M) o GPT-5.4 (120M).
🧠 Técnicas de inferencia
Meta introduce dos enfoques para el test-time compute:
Thought-time penalties: optimizan el consumo de tokens durante el razonamiento extendido. Meta observó una transición de fase que llaman "thought compression": tras una fase inicial donde el modelo mejora pensando más, la penalización de longitud fuerza a Muse Spark a comprimir su razonamiento y resolver problemas con muchos menos tokens.
Orquestación multi-agente: múltiples agentes paralelos trabajan simultáneamente en problemas complejos, logrando mejor rendimiento a latencia comparable que un solo agente con más tiempo de cómputo.
El modo "Contemplating" combina ambas técnicas y alcanza 58% en Humanity's Last Exam y 38% en FrontierScience Research, compitiendo directamente con Gemini Deep Think y GPT Pro.
🔒 El fin de una era open-source
El cierre de pesos es la noticia más comentada. Meta, que construyó su reputación en IA liberando Llama, Llama 2, Llama 3 y Llama 4 bajo licenses open-source, ahora guarda su modelo frontier. La compañía sugiere que partes del modelo podrían abrirse en el futuro, y el responsable de IA Alexandr Wang afirma que tienen "planes para abrir versiones futuras".
Sin embargo, el cambio refleja una presión creciente: Meta ha invertido hasta $145.000 millones en infraestructura de IA este año y ha reducido su plantilla para financiarlo. Mantener los modelos cerrados permite monetizar vía API y recuperar parte de esa inversión.
Debilidades identificadas: Muse Spark aún muestra carencias en tareas agentivas de largo horizonte y flujos de codificación complejos. En el benchmark GDPval-AA, obtiene 1.427 puntos frente a 1.648 de Claude Sonnet 4.6 y 1.676 de GPT-5.4.