Meta abre los pesos de Muse Spark Open: codificación agéntica y 1 M de tokens ya en Modal

Los pesos abiertos para codificación agéntica son una categoría en la que los desarrolladores no preguntan primero «¿cómo de inteligente es el modelo?», sino «¿dónde lo ejecuto y cuánto cuesta?». Modal respondió rápido a la segunda pregunta: en cuanto Meta publicó los pesos de Muse Spark Open, la plataforma desplegó el modelo en sus Auto Endpoints.

Qué es este modelo y para qué sirve

Muse Spark Open está diseñado para escenarios agénticos. No se trata de «responde una pregunta sobre código», sino de «toma una tarea y llévala hasta el final». Según la descripción, el modelo sabe escribir y depurar código, construir planes de varios pasos, llamar a herramientas de forma secuencial y recuperarse de fallos en largas cadenas de acciones.

El último punto es el más terrenal. Quien haya ejecutado un agente en un repositorio real sabe que rara vez se rompe en el primer paso. Lo habitual es que ocurra en el vigésimo, cuando un comando de la terminal falló y el agente sigue como si todo estuviera bien. La capacidad de detectar un error y retroceder a veces importa más que un código bonito al primer intento.

Hay dos parámetros más. El primero es la comprensión nativa de datos multimodales: una captura de pantalla de un error o una maqueta de interfaz se pueden pasar al modelo directamente, sin una descripción intermedia. El segundo es un contexto de 1 millón de tokens. Para un agente, esto significa que en la ventana cabe una parte considerable del repositorio, el historial de pasos anteriores y los logs, y no hace falta montar enseguida un esquema complejo de compresión de memoria. Pero «cabe» no significa «lo aprovecha bien», y eso hay que comprobarlo por separado.

Cómo leer los benchmarks

Meta presenta dos resultados:

• 76,4 puntos en Terminal-Bench 2.1 con el agente Terminus 2;
• 60 puntos en DeepSWE 1.1 con el arnés que prefiere la propia Meta.

Ambas mediciones se hicieron con el nivel de razonamiento xhigh, es decir, con el máximo esfuerzo de «reflexión». Es una salvedad importante: ese modo suele consumir más tokens y tiempo que el estándar. Terminal-Bench trata del trabajo del agente en la terminal, DeepSWE de ingeniería de software. Ambas pruebas se acercan a lo que realmente necesitan los agentes.

Aun así, las cifras las obtuvo la propia Meta con los ajustes que eligió. Las condiciones completas de la evaluación están en la ficha del modelo publicada. El arnés (harness) a menudo mueve el resultado más que la diferencia entre modelos vecinos. Por eso comparar estas cifras con las de otros sin corregir por el arnés y el modo de razonamiento no es correcto.

Cómo probarlo y qué comprobar

En Modal el modelo funciona como Shared Endpoint: un endpoint compartido con pago por tokens, sin alquilar GPU dedicadas. Para un equipo, es una forma cómoda de hacer un piloto corto. Se conecta el modelo a tu propio bucle agéntico y se ve qué resulta en tareas reales.

Qué conviene medir:

• el porcentaje de tareas completadas de principio a fin en tu repositorio frente a tu modelo actual;
• el comportamiento tras el fallo de una herramienta: si el modelo detectó el error y se corrigió;
• el coste de la tarea completa, no de un solo token: un agente con un alto nivel de razonamiento puede gastar muchísimos;
• la calidad con contexto largo, y no solo con prompts cortos.

Si los resultados convencen y el volumen de peticiones crece, se puede plantear un despliegue propio. Ese es el sentido de los pesos abiertos: control sobre los datos, una versión fija del modelo sin sorpresas del proveedor y la posibilidad teórica de realizar ajuste fino.

Lo que aún no sabemos

El anuncio no revela el tamaño del modelo, los requisitos de hardware, el precio por millón de tokens ni las condiciones de la licencia. Todo esto hay que consultarlo en la ficha del modelo y en la página de Modal antes de incorporarlo a un producto. Además, este es un mensaje de un proveedor de inferencia, no una prueba independiente. Mientras no haya mediciones de terceros en distintas tareas, las cifras de Meta conviene considerarlas una afirmación, no una prueba.

La postura sensata ahora es sencilla: Muse Spark Open es un buen candidato para evaluar por parte de quienes construyen agentes de código y quieren pesos abiertos. Pruébalo en tu propio repositorio, calcula el precio de la tarea completa y solo después decide si cambiar.