Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Meta publica los pesos de Muse Spark Open y guías para servir el modelo

> Meta publicó los pesos de Muse Spark Open el 15 de octubre. Sus checkpoints BF16 y NVFP4, las API alojadas y la Muse Model License ofrecen a los desarrolladores varias vías con límites distintos.

By BIG CHANGE Editorial

Published: 2026-10-16T06:43:13.531Z
Updated: 2026-10-16T06:43:13.531Z
Canonical: https://bigchange.ai/blog/meta-muse-spark-open-weights-serving-license

![Conceptual charcoal illustration of an open server cabinet on the left and a separate wall-mounted network connection on the right.](https://bigchange.ai/api/media/file/muse-spark-open-serving-choice-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE; no Meta equipment, actual deployment or BIG CHANGE test is depicted.

Meta publicó los pesos de Muse Spark Open el 15 de octubre de 2026. Ahora un equipo puede [descargar los checkpoints BF16 o NVFP4 de Meta](https://dev.meta.ai/docs/muse-spark-open/get-the-model), servir un formato compatible en su propio hardware o llamar al modelo a través de un socio de lanzamiento. La elección importa: el checkpoint completo contiene unos 1,65 TB de pesos, el de NVFP4 unos 537 GB, y cada endpoint alojado tiene sus propias condiciones de acceso y precio. BIG CHANGE revisó los documentos de lanzamiento, la ficha del modelo, la guía de servicio y la licencia. No descargamos ni ejecutamos el modelo.

Meta describe Muse Spark Open como un modelo de mezcla de expertos dispersa con 816 mil millones de parámetros en total y unos 42 mil millones activos por token. Acepta texto, imágenes, vídeo y audio, y produce texto. La [documentación del modelo](https://dev.meta.ai/docs/muse-spark-open) especifica un contexto máximo de 1.048.576 tokens. Es un límite del modelo, no una promesa de que todos los proveedores o configuraciones locales asignen esa cantidad de tokens.

## El gran cambio

- **Qué cambió:** Meta publicó pesos descargables de Muse Spark Open bajo su Muse Model License, junto con vías documentadas para autoalojamiento, API de socios y posentrenamiento.
- **Por qué importa:** Los desarrolladores pueden elegir dónde se ejecuta la inferencia y qué checkpoint o proveedor encaja con su carga de trabajo. Las configuraciones publicadas concretan esa elección, aunque la memoria, el contexto, el precio y el acceso siguen dependiendo de la vía.
- **Qué conviene seguir:** Las pruebas independientes del checkpoint publicado, el contexto y los precios específicos de cada proveedor, y el comportamiento de las cuantizaciones más pequeñas en tareas reales. Las demostraciones y evaluaciones de Meta no establecen esos resultados para otra implementación.

## Pesos, hardware y contexto

La [guía de descarga](https://dev.meta.ai/docs/muse-spark-open/get-the-model) de Meta identifica dos repositorios propios en Hugging Face: `meta-models/Muse-Spark-Open-816B-A42B` para BF16 y `meta-models/Muse-Spark-Open-816B-A42B-NVFP4` para el checkpoint más pequeño. Los archivos de pesos BF16 ocupan unos 1,65 TB; NVFP4, unos 537 GB. Son tamaños de almacenamiento, antes de contar la caché de claves y valores, las activaciones y la sobrecarga de ejecución. Los ejemplos de servicio de Meta sitúan BF16 en ocho GPU B300 y NVFP4 en cuatro GPU B300. Su [tabla de hardware](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) también describe configuraciones AMD Instinct con vLLM, una vía Intel Xeon 6 INT4 con SGLang y una configuración Apple MLX con dos Mac Studio M5 Ultra de 512 GB de memoria unificada cada uno, o cuatro de 256 GB cada uno. Son configuraciones concretas, no una garantía general de compatibilidad.

Para una estación de trabajo con mucha menos memoria, la [guía de implementación](https://dev.meta.ai/docs/muse-spark-open/deploy) remite a cuantizaciones GGUF de terceros. Su intervalo de planificación para Unsloth ronda los 300–315 GB de RAM y VRAM combinadas para una versión dinámica de 2 bits. Es un checkpoint y un entorno de ejecución distintos de las descargas BF16 y NVFP4 de Meta. El comando de ejemplo de Unsloth empieza con un contexto de 32.768 tokens para controlar el consumo de memoria. Un equipo debería dimensionar el contexto real y las solicitudes en paralelo según la memoria disponible, en vez de interpretar el techo de un millón de tokens del modelo como ajuste predeterminado de servicio.

## Elija dónde se ejecutan las solicitudes

La [guía de servicio](https://dev.meta.ai/docs/muse-spark-open/deploy) documenta vías de servidor con SGLang, vLLM y TensorRT-LLM, una vía Python con Transformers, MLX para la disposición de Mac Studio especificada, y llama.cpp y Unsloth con sus variantes GGUF. Enumera endpoints HTTP compatibles con OpenAI para varios entornos de servidor; Transformers utiliza una interfaz Python. Cada configuración indica su checkpoint, paralelismo y ajustes de ejecución. Elegir otra cuantización o acelerador requiere la configuración propia de esa vía.

Meta también enumera acceso alojado desde el lanzamiento mediante Baseten, Fireworks AI, Modal, Nebius, OpenRouter y Together AI. La vía de Groq se describe como una vista previa limitada, por lo que el acceso depende de que la organización sea elegible. La [sección de socios](https://dev.meta.ai/resources/blog/build-with-muse-spark-open#hosted-inference) distingue ofertas sin servidor y dedicadas. No establece un precio ni una asignación de contexto comunes a todos los proveedores. Una API alojada utiliza las credenciales y la facturación del proveedor; la inferencia local requiere el checkpoint, abundante almacenamiento y capacidad de cómputo compatible. La guía de descarga de Meta indica que una ejecución local sin conexión no necesita una clave de API del modelo una vez obtenidos los pesos.

Para una primera evaluación, los desarrolladores pueden usar el endpoint de un socio para probar sus propios prompts y llamadas a herramientas, o seguir la configuración local exacta de su checkpoint y hardware. La [ficha del modelo](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) de Meta advierte de que puede generar respuestas inexactas y cometer errores en razonamientos de varios pasos. Recomienda salvaguardas a nivel de sistema para agentes con herramientas. Ni una demostración de lanzamiento ni los resultados de pruebas comparativas comunicados por la empresa demuestran que un agente vaya a completar de forma fiable el flujo de trabajo de un equipo concreto.

## La licencia tiene condiciones

La [Muse Model License](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md), fechada el 15 de octubre, permite el uso, la modificación y la distribución sujetos a sus condiciones y a la política de uso adjunta. Exige que la licencia y la política acompañen a las copias y obras derivadas, y un aviso destacado «Built with Muse Spark Open» en los productos o servicios que utilicen el software o sus derivados. Un proveedor de modelos como servicio cuyos ingresos brutos agregados junto con los de sus entidades vinculadas superen los 20 millones de dólares en cualquier período de 12 meses consecutivos debe notificarlo a Meta y celebrar un acuerdo escrito independiente antes de ofrecer el modelo o sus derivados en ese negocio. La licencia excluye expresamente de ese requisito concreto el uso interno y los productos comerciales que utilicen el modelo como componente sin ofrecer un producto de modelo como servicio. Los equipos que planeen una implementación deben leer la licencia y la política vigentes para su uso. Que los pesos se puedan descargar no convierte el lanzamiento en código abierto sin restricciones, y la inferencia alojada o el hardware no son gratuitos en general.

Meta publicó este modelo tres días después de [presentar la familia alojada Muse Wonder](https://bigchange.ai/blog/meta-muse-wonder-agent-model-access). Spark Open ofrece a los equipos una decisión separada sobre descargar pesos e implementar el modelo. La cuestión práctica es ahora qué vía documentada puede cubrir las entradas, el contexto, el presupuesto y el proceso de revisión previstos por el equipo. Sigue siendo una elección de configuración y evaluación, no un resultado que BIG CHANGE haya medido.

## Fuentes y lecturas adicionales

- [Lanzamiento de Meta AI Research, 15 de octubre de 2026](https://research.meta.ai/blog/muse-spark-open/) — fecha de lanzamiento, descripción del modelo, lista de socios y demostración de la empresa. Las afirmaciones sobre capacidades y evaluaciones pertenecen a Meta.
- [Guía de lanzamiento para desarrolladores de Meta, 15 de octubre de 2026](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — documentación por vías sobre entornos, checkpoints, proveedores alojados y posentrenamiento. Las afirmaciones de pruebas comparativas y primeros usuarios siguen atribuidas a sus fuentes.
- [Documentación de Meta sobre el modelo, descarga, hardware e implementación](https://dev.meta.ai/docs/muse-spark-open) — entradas y salida exactas, espacio ocupado, configuraciones, requisitos previos y acceso a proveedores; lea los ajustes actuales de cada vía enlazada antes de implementar.
- [Ficha del modelo Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — límites del modelo, evaluaciones de Meta y limitaciones declaradas. BIG CHANGE no las ejecutó ni reprodujo de forma independiente.
- [Muse Model License y política de uso, 15 de octubre de 2026](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — condiciones aplicables de redistribución, atribución y modelos como servicio. Este resumen no sustituye al texto completo.

## Sources

- [Meta AI Research: presentación de Muse Spark Open](https://research.meta.ai/blog/muse-spark-open/) — Lanzamiento del 15 de octubre de 2026; descripción del modelo, lista de socios alojados y demostración de la empresa. Las afirmaciones de Meta están atribuidas.
- [Meta AI Developers: crear con Muse Spark Open](https://dev.meta.ai/resources/blog/build-with-muse-spark-open) — Guía del 15 de octubre de 2026 sobre vías de ejecución, cuantización, proveedores alojados y posentrenamiento.
- [Meta Model API: Muse Spark Open](https://dev.meta.ai/docs/muse-spark-open) — Entradas y salida, contexto del modelo, checkpoint y panorama del servicio. Documentación en línea comprobada el 16 de octubre de 2026.
- [Meta Model API: obtener el modelo](https://dev.meta.ai/docs/muse-spark-open/get-the-model) — Repositorios de checkpoints BF16 y NVFP4, espacio de los pesos y requisitos previos.
- [Meta Model API: plataformas de hardware](https://dev.meta.ai/docs/muse-spark-open/hardware-platforms) — Configuraciones específicas de NVIDIA, AMD, Intel y Apple. Son propias de cada vía.
- [Meta Model API: ejecutar inferencia](https://dev.meta.ai/docs/muse-spark-open/deploy) — API de los entornos, acceso a socios, opciones de contexto y planificación de memoria de Unsloth.
- [Ficha del modelo Muse Spark Open](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B) — Especificaciones del modelo de Meta, evaluación de seguridad y limitaciones explícitas. BIG CHANGE no las reprodujo.
- [Muse Model License y política de uso](https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B/blob/main/LICENSE.md) — Lanzamiento del 15 de octubre de 2026; condiciones de copia, aviso de producto y cláusula de ingresos de modelos como servicio.