# Meta publica Muse Spark Open, su mayor modelo abierto

> El modelo con pesos publicados llega tres días después de Gemini 4 Argon y elige el terreno del control de datos frente a los modelos cerrados.
> Por José Maldonado · Inteligencia Artificial · 2026-10-20

Meta publicó el 15 de octubre Muse Spark Open, un modelo de lenguaje con pesos abiertos que la compañía presenta como el más capaz de Estados Unidos en esa categoría. El anuncio llega desde Meta AI Research, no desde el equipo de producto, y esa elección de escaparate dice bastante sobre a quién va dirigido: no al usuario de la aplicación, sino a quien quiere descargar el modelo y ejecutarlo en su propio hardware.

La diferencia entre un modelo abierto y uno accesible por API es la que decide quién manda sobre los datos. Un modelo con pesos publicados se puede ejecutar en local, ajustar con documentos propios y auditar hasta cierto punto. Uno cerrado obliga a enviar cada consulta a un servidor ajeno y a aceptar las condiciones de quien lo opera.

El contexto del mes ayuda a entender el movimiento. Google puso [Gemini 4 Argon](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/) a disposición general el 13 de octubre y Anthropic publicó Claude Haiku 5.5 el 7, ambos cerrados. Meta, que llega más tarde a la conversación de los modelos frontera, elige el terreno donde puede ganar: el de quien quiere controlar la infraestructura. La ficha técnica pública se queda corta para decidir: lo que importa es qué licencia acompaña a los pesos y cuánta memoria hace falta para moverlos con dignidad.

## ¿Qué significa «abierto» en la práctica?

Pesos abiertos no es lo mismo que código abierto. Publicar los parámetros permite ejecutar el modelo, y no concede necesariamente derechos sobre los datos de entrenamiento ni sobre la licencia de uso comercial, que en las familias anteriores de Meta incluía límites por número de usuarios y condiciones de atribución. La ficha y las condiciones de uso están en [el anuncio de Meta AI Research](https://research.meta.ai/blog/muse-spark-open), publicado el 15 de octubre.

La licencia es la parte que decide si un modelo sirve para una empresa. Un desarrollo con cláusulas de uso aceptable y de atribución se puede integrar en un producto propio con revisión legal; una licencia puramente permisiva, como Apache 2.0, no requiere ese trabajo.

También importa el tamaño. Los modelos abiertos que caben en una sola GPU profesional son los que se ejecutan en una oficina; los que necesitan varios nodos sólo tienen sentido para quien ya opera infraestructura. La ficha de Muse Spark Open sitúa el modelo en la segunda categoría, y esa decisión reduce el público real a empresas y a investigadores con acceso a clústeres.

## Meta insiste en «abrir modelos» estadounidenses

La estrategia tiene tres capas. La primera es de adopción: un modelo que la gente ejecuta se convierte en estándar de facto y arrastra al ecosistema de herramientas. La segunda es de contratación, porque los investigadores prefieren trabajar donde sus resultados se pueden replicar. La tercera es política: Meta lleva dos años defendiendo que la regulación no debe impedir publicar pesos, y cada lanzamiento refuerza ese argumento.

Hay un cuarto motivo menos noble. Cada modelo abierto que la comunidad optimiza acaba corriendo en hardware que no es de los grandes proveedores cloud, y eso erosiona el poder de negociación de quien vende inferencia cerrada. Meta no compite por la API; compite por qué la conversación no se cierre en torno a tres empresas.

El coste de esa estrategia es la pérdida de control sobre los usos. Un modelo abierto se puede ajustar para generar contenido dañino, y la compañía, solo puede responder con licencias y con filtros en su propia distribución. Es el mismo debate que acompaña a las familias anteriores y que no se ha resuelto.

## Europa ¿En qué parte del juego está?

Ejecutar un modelo de este tamaño en local exige hardware que en la Unión se compra con sobreprecio y con plazos largos. Para una pyme, la alternativa realista es alquilar capacidad, lo que devuelve el problema al proveedor cloud, o usar una versión cuantizada en un equipo con varias GPU de consumo.

La cuantización, que reduce la precisión de los pesos para que quepan en menos memoria, es la vía que ha popularizado el ecosistema de herramientas locales. Funciona bien en tareas de clasificación y de extracción y degrada la calidad en razonamiento complejo, y ese límite conviene conocerlo antes de prometer un asistente propio a un cliente.

El otro uso inmediato es el ajuste fino con datos propios: normativa interna, contratos, documentación técnica. Un modelo abierto permite construir un asistente que no envía esa información fuera, y esa es la razón por la que las áreas legales y de compliance de las empresas europeas miran estos lanzamientos con interés.

En todo caso, la pregunta final no es si Muse Spark Open es mejor que los modelos cerrados, porque en la mayoría de las pruebas públicas no lo será. La pregunta es si la diferencia de calidad justifica renunciar al control de los datos y al coste por consulta.

Para un equipo que procesa documentos sensibles, la respuesta suele ser que sí. Para una startup que necesita el mejor razonamiento posible y no tiene datos críticos, la respuesta suele ser que no. El mercado se está partiendo en dos y los modelos abiertos se quedan con la mitad que menos titulares genera y más factura.