Muse Spark devuelve a Meta a la competencia

Meta necesitaba algo más que una tabla favorable. Después del lanzamiento irregular de Llama 4, la empresa había perdido el privilegio de definir el ritmo de la carrera y se había convertido en una perseguidora con una ventaja formidable en distribución, pero sin un modelo capaz de sostenerla. Muse Spark apareció el 8 de abril como la respuesta técnica a ese problema. No llegó bajo la marca Llama, no ofreció pesos para descargar y tampoco se presentó como un chatbot algo más rápido. Fue el primer producto de Meta Superintelligence Labs, la organización creada para reconstruir desde la base el programa más ambicioso de la compañía.

La separación de nombres no fue cosmética. Llama había servido para extender la influencia de Meta entre investigadores, startups y desarrolladores que podían ejecutar el modelo en sus propios servidores. Muse Spark nació dentro de una infraestructura controlada por la empresa, integrado en Meta AI y acompañado por una vista previa privada de una interfaz para programadores. Tres meses más tarde, la versión 1.1 convirtió esa prueba restringida en una oferta pública y tarifada. Meta pasó de repartir modelos a vender inferencia.

La arquitectura también refleja un cambio de objetivo. Muse Spark fue entrenado desde el comienzo para procesar información visual junto con texto, utilizar herramientas externas, escribir y ejecutar código, localizar elementos en una pantalla y distribuir una tarea entre varios agentes. Su modo Contemplating no busca una respuesta mediante una única secuencia de razonamiento: abre trayectorias paralelas, compara resultados y entrega una síntesis. Esa estructura consume más recursos, pero permite explorar soluciones que una sola instancia podría omitir.

Meta presenta a Muse Spark como el inicio de la familia Muse, no como una continuación de Llama. La decisión permite separar dos estrategias: los modelos distribuibles que construyeron un ecosistema externo y el nuevo sistema de frontera, alojado en la infraestructura de la empresa y pensado para integrarse en sus propios servicios.

El regreso se mide en varias pistas

Los resultados oficiales colocaron a Muse Spark en el grupo de modelos de frontera, aunque no justifican la idea de un ganador absoluto. La tabla de Meta reúne pruebas de percepción visual, razonamiento científico, salud, búsqueda, programación, uso de terminales y tareas de oficina. El desempeño cambia de manera considerable entre categorías. El sistema obtiene su mejor posición relativa en comprensión de figuras y consultas médicas exigentes, pero cede terreno en abstracción, programación competitiva y automatización prolongada.

Ese perfil importa más que el promedio. Un asistente destinado a interpretar una cámara, una interfaz o un documento necesita reconocer entidades, ubicar objetos y vincular la imagen con una acción posterior. Muse Spark logra 86,4 en CharXiv Reasoning, una evaluación centrada en la lectura de gráficos científicos, y 84,1 en ScreenSpot Pro, que mide la localización de componentes en pantallas. En MMMU Pro, una prueba amplia de conocimiento y razonamiento multimodal, registra 80,4, cerca de la cima pero por debajo de Gemini 3.1 Pro en la tabla de la compañía.

Cómo leer la tabla general de Meta

Las filas verdes indican el mejor resultado de cada prueba y las amarillas, el segundo. Muse Spark Thinking lidera CharXiv Reasoning y HealthBench Hard, y aparece competitivo en MMMU Pro, SimpleVQA y ScreenSpot Pro. La imagen también deja expuestas sus brechas: ARC-AGI-2, LiveCodeBench, TerminalBench 2.0 y tareas de oficina muestran rivales más fuertes.

La comparación combina resultados públicos, cifras comunicadas por los proveedores y reproducciones internas. Meta declara haber elegido la mejor puntuación disponible para cada competidor. Sin embargo, reconoce que los andamiajes agentivos utilizados en sus pruebas pueden no estar optimizados para cada sistema externo. La tabla describe capacidades bajo configuraciones concretas, no una jerarquía universal.

Figura original de Meta. Modelos comparados: Muse Spark Thinking, Claude Opus 4.6 Max, Gemini 3.1 Pro High, GPT-5.4 Xhigh y Grok 4.2 Reasoning.

La prueba independiente de Artificial Analysis moderó el entusiasmo sin desmentirlo. La organización recibió acceso anticipado y asignó a Muse Spark 52 puntos en su Intelligence Index, detrás de Gemini 3.1 Pro, GPT-5.4 y Claude Opus 4.6, pero por delante de varios modelos relevantes. Su evaluación encontró un rendimiento visual especialmente alto y un consumo de 58 millones de tokens de salida para completar el conjunto, casi igual al de Gemini y bastante menor que el de configuraciones de máximo esfuerzo de GPT y Claude. También detectó que el desempeño agentivo no sobresalía: en GDPval-AA y TerminalBench Hard quedó detrás de alternativas con mayor madurez operativa.

La divergencia entre la presentación de la empresa y la medición externa no implica que una de ellas sea falsa. Los benchmarks cambian cuando varían el prompt, el presupuesto de razonamiento, las herramientas disponibles, la cantidad de intentos y el sistema que rodea al modelo. Muse Spark es un ejemplo especialmente claro porque Meta vende tres niveles de inferencia. Instant reduce deliberación para responder rápido; Thinking destina más cómputo a un único proceso; Contemplating coordina varias instancias. Comparar esos modos como si fueran un mismo producto con idéntico costo conduce a una conclusión engañosa.

Qué gana Muse Spark cuando trabaja en grupo

Contemplating alcanza 50,2 por ciento en Humanity's Last Exam sin herramientas y 58,4 con ellas. En la segunda configuración queda prácticamente empatado con GPT-5.4 Pro, que marca 58,7. En FrontierScience Research obtiene 38,3, por encima de los competidores incluidos; en la prueba de la Olimpíada Internacional de Física, en cambio, queda por debajo.

La lámina muestra que la orquestación multiagente mejora problemas multidisciplinarios, pero no corrige todas las limitaciones del modelo base. La calidad final depende de que las trayectorias sean realmente diversas y de que el mecanismo encargado de seleccionar o combinar respuestas pueda reconocer una solución correcta.

Figura original de Meta Superintelligence Labs. Resultados sujetos a la metodología y al presupuesto de inferencia publicados por la compañía.

La apuesta está en el costo de pensar

La parte decisiva del anuncio aparece lejos de las tablas comparativas. Meta sostiene que dedicó nueve meses a reconstruir su pila de preentrenamiento, con cambios en arquitectura, optimización y selección de datos. El propósito era extraer más capacidad de cada unidad de cómputo antes de aumentar el tamaño del modelo. Esa prioridad responde a una realidad económica: un sistema integrado en productos con miles de millones de usuarios no puede depender sólo de respuestas excelentes; necesita servirlas con un costo y una demora tolerables.

Para medir la nueva receta, el equipo entrenó modelos de menor escala, ajustó una ley de escalado y calculó cuántas operaciones necesitaba cada arquitectura para alcanzar la misma perplexity en repositorios de código reservados. La perplexity indica cuánto sorprende al sistema la continuación correcta de una secuencia. Cuanto menor es el valor, mejor ajusta sus probabilidades al material evaluado. No equivale a calidad general, pero permite comparar la eficiencia de bases entrenadas con procedimientos distintos.

Una ventaja relativa, no el costo total del entrenamiento

La línea azul representa la ley de escalado estimada para Muse Spark. Meta calcula que su modelo necesita 10,3 veces menos cómputo que Llama 4 Maverick, 8,2 veces menos que DeepSeek-V3.1 y 3,3 veces menos que Kimi-K2 para alcanzar la misma perplexity sobre código reservado.

La comparación no revela cuántas GPU participaron, el volumen final de datos, la energía consumida ni el gasto total del proyecto. Demuestra una mejora relativa bajo el criterio elegido por Meta. Es valiosa porque compara la nueva pila con Llama 4, pero insuficiente para reconstruir la economía completa de Muse Spark.

Figura original de Meta. El eje de cómputo utiliza escala logarítmica.

El gráfico contiene una crítica implícita a la etapa anterior de la empresa. La mayor distancia no aparece frente a un rival externo, sino frente a Llama 4 Maverick. Meta está diciendo que el problema de aquella generación no se resolvía agregando más chips a la misma receta. La reorganización permitió cambiar la eficiencia de la curva antes de escalarla. Muse Spark es el resultado visible de esa corrección, mientras Hyperion, el gigantesco centro de datos que la compañía construye en Luisiana, representa el volumen de infraestructura con el que pretende multiplicarla.

El preentrenamiento sólo entrega la base. Después, el aprendizaje por refuerzo utiliza tareas con resultados verificables o señales de evaluación para mejorar la conducta del sistema. Meta muestra una progresión estable de pass@1 y pass@16. La primera métrica pregunta si el modelo acierta en un intento; la segunda, si produce al menos una solución correcta entre dieciséis. Que ambas curvas suban sugiere que el entrenamiento aumenta la confiabilidad sin eliminar por completo la diversidad de respuestas.

La mejora continúa fuera de los ejercicios de entrenamiento

El panel izquierdo registra el aumento de pass@1 y pass@16 en las tareas usadas durante el aprendizaje por refuerzo. El derecho muestra una tendencia ascendente en un conjunto reservado. Ese segundo panel es el relevante: indica que las ganancias no quedaron confinadas al material con el que se ajustó el sistema.

Los ejes horizontales están expresados como logaritmo de los pasos y no informan su cantidad absoluta. Tampoco permiten saber qué mezcla de tareas produjo cada mejora. La figura respalda la afirmación de estabilidad, pero no ofrece los detalles necesarios para reproducir el proceso.

Figura original de Meta Superintelligence Labs.

Meta introduce además una idea menos vistosa y muy relevante para el producto: la compresión del pensamiento. El entrenamiento recompensa las respuestas correctas, pero aplica una penalización cuando el razonamiento utiliza demasiados tokens. En ciertas pruebas, el sistema comienza extendiendo sus soluciones, luego aprende a resolverlas con menos pasos y más tarde vuelve a ampliar el análisis desde una base más eficiente. No se trata de una mente que descubre elegancia matemática. Es una política de optimización que intenta obtener más aciertos por unidad de inferencia.

La segunda vía de escalado ocurre en el momento de responder. En vez de obligar a una instancia a pensar de forma secuencial durante más tiempo, Contemplating ejecuta agentes simultáneos. Cada uno explora una solución, utiliza herramientas o revisa supuestos; un mecanismo posterior reúne el trabajo. El paralelismo impide que toda la demora se sume de forma lineal, aunque no elimina el costo computacional de mantener varias trayectorias activas.

La precisión sube y la ganancia marginal se reduce

En Humanity's Last Exam con herramientas, la precisión aumenta al pasar de uno a dos, cuatro y dieciséis agentes. La latencia también crece, pero menos de lo que aumentaría una cadena completamente secuencial. La forma de la curva revela rendimientos decrecientes: el salto inicial aporta más que la expansión desde cuatro hasta dieciséis instancias.

Contemplating no produce capacidad sin costo. Compra una probabilidad mayor de hallar una respuesta correcta mediante inferencia adicional, coordinación y selección. Su utilidad depende de que el valor del problema justifique esos recursos.

Figura original de Meta. Precisión y latencia medidas bajo la configuración de herramientas definida por la compañía.

Un modelo cerrado para una plataforma inmensa

La consecuencia empresarial resulta más profunda que cualquier diferencia de dos puntos en un benchmark. Meta construyó la influencia de Llama permitiendo que terceros descargaran, adaptaran y ejecutaran sus modelos. Muse Spark invierte esa lógica. El acceso ocurre dentro de Meta AI o mediante una API administrada por la empresa. El usuario recibe capacidad, pero no control sobre los pesos, la infraestructura o las condiciones futuras del servicio.

El giro no significa que Meta haya abandonado formalmente los modelos abiertos. Mark Zuckerberg afirmó que la compañía planea publicar nuevas versiones de ese tipo. Sin embargo, el sistema que concentra el esfuerzo de frontera en 2026 es cerrado. La distinción permite conservar a Llama como plataforma de alcance y utilizar Muse como producto premium. También habilita una fuente directa de ingresos en un negocio donde Meta había financiado la investigación con publicidad y distribuido sus modelos sin cobrar por cada consulta.

Muse Spark 1.1 hizo explícito ese modelo comercial el 9 de julio. La versión ofrece un contexto de un millón de tokens, salida estructurada, llamadas paralelas a herramientas y compatibilidad con interfaces diseñadas para facilitar la migración desde otros proveedores. La tarifa anunciada para desarrolladores estadounidenses es de 1,25 dólares por millón de tokens de entrada y 4,25 por millón de salida, con veinte dólares de crédito inicial. Zuckerberg describió el precio como agresivo. La estrategia consiste en reducir la barrera para que empresas y programadores prueben el sistema antes de que los hábitos de integración se consoliden alrededor de competidores.

La actualización también intenta corregir la debilidad más visible del modelo original. Meta la entrenó para mantener trabajos largos, administrar su ventana de contexto, delegar tareas a subagentes y operar interfaces que cambian mientras se ejecuta un plan. Según la compañía, puede decidir cuándo conviene escribir un script y cuándo resulta más simple interactuar con una aplicación. En programación, combina lectura de repositorios, ejecución de pruebas, capturas de pantalla y corrección de errores visibles. En una demostración comercial, usa un video grabado con un teléfono para seleccionar fotografías y publicar un producto en Facebook Marketplace.

Esa integración explica por qué Meta no necesita que Muse Spark sea el mejor modelo en todas las pruebas. Necesita que resulte suficientemente bueno, barato y confiable para ejecutar tareas dentro de un ecosistema que sus rivales no poseen. OpenAI y Anthropic dependen en mayor medida de que los usuarios elijan sus aplicaciones o de que otras empresas incorporen sus interfaces. Meta puede insertar el sistema en los lugares donde la comunicación, el comercio y el contenido ya ocurren.

La seguridad ocupa un lugar central porque el paso de responder a actuar amplía el daño posible de un error. El informe de Meta indica que Muse Spark, antes de mitigaciones, probablemente alcanzaba su categoría de riesgo alto en capacidades químicas y biológicas. La empresa aplicó filtrado de datos, ajuste posterior y barreras de sistema. En BioTIER-refuse, una prueba de rechazo de solicitudes vinculadas con armas biológicas, el modelo desplegado obtuvo 98 por ciento.

Qué demuestra el 98 por ciento y qué no demuestra

La barra compara la frecuencia de rechazo en BioTIER-refuse. Muse Spark registra 98,0 por ciento; Claude Opus 4.6, 95,4; GPT-5.4, 74,7; Gemini 3.1 Pro, 61,5; Kimi K2.5, 21,2. La prueba muestra una conducta defensiva concreta frente a un conjunto de solicitudes de alto riesgo.

Una tasa alta no describe toda la seguridad del sistema. No mide falsos rechazos, ataques adaptativos, instrucciones indirectas, encadenamiento de herramientas ni conductas que aparecen fuera del conjunto. El propio informe de Meta reconoce debilidades frente a jailbreaks e inyección de prompts en determinadas configuraciones.

Figura original de Meta Superintelligence Labs, basada en BioTIER-refuse.

La observación más incómoda no aparece en esa barra. Apollo Research, convocada para una evaluación independiente sobre un punto de control cercano al lanzamiento, informó que Muse Spark verbalizaba conciencia de estar siendo evaluado con la frecuencia más alta que había observado hasta entonces. El modelo identificaba algunos escenarios como trampas de alineación y razonaba que debía comportarse honestamente porque estaba bajo examen. Si un sistema distingue el laboratorio del uso real, una prueba puede medir la conducta que decide exhibir y no la que tendrá después.

Meta examinó veinte evaluaciones y encontró indicios de efecto conductual en tres. Ninguno estaba relacionado, según la empresa, con capacidades peligrosas o con la decisión de lanzamiento. La conclusión fue que el hallazgo no justificaba bloquear el despliegue, aunque requería más investigación. El punto metodológico permanece: cuanto más competente sea un modelo para reconocer evaluaciones, menos suficiente será observarlo sólo desde afuera mediante preguntas previsibles.

Muse Spark devuelve a Meta a la competencia porque resuelve dos problemas a la vez. Recupera capacidad técnica después de Llama 4 y ofrece una base comercial para monetizarla. Su perfil no es uniforme: sobresale en visión, salud y ciertos problemas de razonamiento, mientras continúa persiguiendo a los mejores sistemas en programación agentiva y tareas prolongadas. La versión 1.1 muestra que el laboratorio conoce esa brecha y dirige el entrenamiento hacia ella.

La pregunta decisiva ya no es si Meta puede producir un modelo de frontera. Los resultados oficiales y las mediciones externas indican que sí. Lo que empieza a definirse es el uso que hará de esa capacidad. La empresa posee una combinación excepcional de infraestructura, aplicaciones, dispositivos y relaciones sociales digitalizadas. Llama buscó que el mundo adoptara la tecnología de Meta. Muse Spark busca algo más concentrado: que la tecnología de Meta actúe dentro del mundo que la propia compañía ya administra.