Muse Spark Open: qué es el modelo de 816B de Meta y si realmente puedes ejecutarlo en un Mac

Ejecutar un modelo de inteligencia artificial de 816.000 millones de parámetros en ordenadores de escritorio de Apple parece, a primera vista, una señal de que los Mac ya pueden competir con los grandes servidores de IA. Pero hay un detalle importante: la demostración de Apple no utiliza un único ordenador, sino varios Mac Studio conectados entre sí.

Muse Spark Open se publicó el 15 de octubre de 2026 como la versión de pesos abiertos del modelo Muse Spark de Meta. Tiene 816.000 millones de parámetros en total, aunque activa aproximadamente 42.000 millones por token gracias a su arquitectura Mixture of Experts (MoE). Apple ha demostrado que puede ejecutarse localmente mediante MLX, con pesos cuantizados en NVFP4 y comunicación entre máquinas a través de Thunderbolt 5.

En las pruebas publicadas por Apple, un conjunto de cuatro Mac Studio con M5 Ultra alcanzó una velocidad de generación de 36,73 tokens por segundo. Es un resultado relevante para la IA local, sobre todo porque permite ejecutar un modelo de esta escala sin recurrir a un servidor convencional equipado con varias GPU dedicadas de NVIDIA.

Sin embargo, conviene separar tres cuestiones:

• Ejecutarlo en varios Mac no significa que funcione en un solo Mac.
• Activar 42.000 millones de parámetros por token no elimina la necesidad de almacenar los pesos del modelo completo.
• Que la ejecución sea técnicamente posible no significa que resulte económica o práctica para la mayoría de los usuarios.

La cuestión no es solo si Muse Spark Open puede ejecutarse en local. También importa cuánta memoria necesita, qué rendimiento ofrece, cuánto cuesta montar el sistema y en qué situaciones compensa frente a una API en la nube.

Qué es Muse Spark Open

Muse Spark Open es la versión descargable de pesos abiertos del modelo Muse Spark de Meta. Está orientado a tareas de programación, percepción multimodal y flujos de trabajo con agentes de IA capaces de planificar acciones, utilizar herramientas, comprobar resultados y recuperarse de errores.

A diferencia de un servicio de inteligencia artificial al que se accede exclusivamente mediante una API, Muse Spark Open permite descargar los pesos y ejecutar el modelo en una infraestructura propia, siempre que se disponga del hardware y del software adecuados.

Estas son sus principales características, según la documentación de Meta y el informe técnico de Apple.

Especificación	Detalle
Parámetros totales	816.000 millones (816B)
Parámetros activos	Aproximadamente 42.000 millones por token
Arquitectura	Sparse Mixture of Experts (MoE), con codificadores de percepción integrados
Ventana de contexto	Hasta 1.048.576 tokens (1M)
Modalidades de entrada	Texto, imágenes, vídeo y audio
Modalidad de salida	Texto
Runtimes compatibles	MLX/MLX-LM, SGLang, vLLM y otras implementaciones
Licencia	Meta Model License y política de uso aceptable
Formas de acceso	Despliegue propio o proveedores externos de inferencia
Checkpoints publicados	BF16 y NVFP4

La ventana de contexto de un millón de tokens merece una aclaración. Es el límite anunciado para el modelo, no una garantía de que cualquier ordenador pueda procesar esa cantidad de información con una latencia razonable. Las pruebas de Apple utilizan contextos de 8.192 y 65.536 tokens. Por tanto, sus resultados no demuestran cómo se comporta el sistema al alcanzar el millón de tokens.

Pesos abiertos no significa código abierto

Meta presenta Muse Spark Open como un modelo de open weights, o pesos abiertos. Esto permite descargar sus parámetros entrenados, pero no equivale a publicar todos los componentes necesarios para reproducir el entrenamiento original.

Los pesos, los datos de entrenamiento, el código de entrenamiento y el proceso completo de desarrollo son elementos distintos. Que los primeros estén disponibles no implica que los demás también lo estén.

Además, el uso del modelo está sujeto a la Meta Model License y a su política de uso aceptable. Entre las condiciones destacadas figuran las siguientes:

• Atribución: los productos construidos sobre el modelo deben incluir la mención «Built with Muse Spark Open».
• Uso comercial: las empresas con ingresos anuales superiores a 20 millones de dólares necesitan un acuerdo adicional con Meta para el uso comercial.
• Restricción de edad: el uso no está permitido a menores de 18 años.

Estas condiciones importan especialmente en entornos empresariales. Poder descargar y ejecutar un modelo no significa que cualquier uso comercial, redistribución o integración esté permitido sin restricciones. Antes de incorporarlo a un producto, conviene revisar la licencia aplicable y sus obligaciones concretas.

Por qué Muse Spark Open tiene 816B de parámetros, pero no activa todos a la vez

Para entender los requisitos de hardware de Muse Spark Open hay que conocer su arquitectura: Sparse Mixture of Experts, o MoE.

En un modelo denso convencional, prácticamente todos los parámetros de la red participan en el procesamiento de cada token. Un modelo MoE funciona de otra manera. Contiene varios componentes especializados, conocidos como expertos, y un mecanismo de enrutamiento selecciona cuáles intervienen en cada paso.

Esto permite distinguir dos cifras:

• Parámetros totales: todos los pesos que forman el modelo.
• Parámetros activos: los que participan en el procesamiento de un token concreto.

Muse Spark Open tiene 816.000 millones de parámetros totales, pero activa alrededor de 42.000 millones por token. Eso reduce la cantidad de cálculo necesaria frente a un modelo denso que activara sus 816.000 millones de parámetros en cada paso.

Sin embargo, no convierte a Muse Spark Open en un modelo convencional de 42B. El cálculo y la memoria son dos problemas diferentes.

Los recursos que necesita realmente

Cómputo. El sistema procesa los expertos seleccionados para cada token, en lugar de activar toda la red. Por eso, la carga de cálculo no equivale directamente a la de un modelo denso de 816B.

Almacenamiento de los pesos. El sistema necesita tener disponibles los pesos de los expertos que pueda seleccionar. Según las cifras de referencia citadas, el checkpoint BF16 ocupa aproximadamente entre 1,5 y 1,65 TB, mientras que el checkpoint NVFP4 ocupa unos 537 GB. Ambas cifras superan la memoria disponible en un Mac de escritorio convencional.

Memoria y ancho de banda. No basta con que los pesos quepan en la memoria. El sistema también debe moverlos con suficiente rapidez y reservar espacio para los datos intermedios. Una máquina puede disponer de mucha potencia de cálculo y seguir limitada por el ancho de banda de memoria.

Caché KV y recursos del runtime. Durante la generación, el modelo conserva información sobre los tokens anteriores en una estructura conocida como caché clave-valor o caché KV. Cuanto más largo sea el contexto y más peticiones se procesen simultáneamente, mayores serán los requisitos de memoria. También hace falta espacio para activaciones y buffers temporales.

Comunicación entre máquinas. Cuando el modelo se distribuye entre varios ordenadores, parte de los datos intermedios debe viajar de una máquina a otra. Esa comunicación introduce latencia y trabajo adicional de coordinación.

La cuantización ayuda a reducir el tamaño de los pesos al representarlos con menos bits. NVFP4 utiliza una representación de cuatro bits para la mayoría de ellos, aunque algunas capas conservan el formato BF16. El ahorro de memoria es considerable, pero la cuantización no garantiza que las respuestas sean idénticas a las del modelo de mayor precisión. El efecto sobre la calidad depende del modelo, del método de cuantización y de la tarea.

Por tanto, la arquitectura MoE reduce el cálculo necesario por token, pero no elimina el coste de gestionar un conjunto de pesos de cientos de gigabytes. Esa diferencia explica buena parte de los requisitos de Muse Spark Open.

Cómo consigue Apple ejecutar Muse Spark Open en Mac Studio

La demostración de Apple combina tres elementos: memoria unificada de gran capacidad, el framework MLX y conexiones rápidas entre varios Mac Studio.

El Mac Studio con M5 Ultra probado por Apple admite hasta 512 GB de memoria unificada y ofrece hasta 1,2 TB/s de ancho de banda. Su GPU incorpora aceleradores neuronales diseñados para operaciones de multiplicación de matrices, fundamentales en la inferencia de redes neuronales.

MLX es un framework de aprendizaje automático de código abierto optimizado para Apple Silicon. Aprovecha la memoria unificada de los Mac, en la que la CPU y la GPU acceden al mismo conjunto de memoria, en lugar de depender de la separación habitual entre RAM del sistema y VRAM en los servidores con GPU dedicadas.

Esta arquitectura facilita determinados tipos de ejecución local, pero no elimina los límites físicos de la memoria. Un Mac con 512 GB sigue teniendo un presupuesto de memoria finito: no puede cargar un modelo de cientos de gigabytes y reservar, además, todo el espacio necesario para la inferencia sin tener en cuenta la memoria disponible para el resto del sistema.

¿Puede ejecutarse Muse Spark Open en un solo Mac Studio?

No con la configuración NVFP4 evaluada por Apple.

Aunque el checkpoint NVFP4 ocupa alrededor de 537 GB en disco, Apple indica que la representación del modelo utiliza unos 493 GB de memoria. En una máquina con 512 GB, eso deja muy poco espacio para la caché KV, los buffers y el resto de los recursos que necesita el runtime. El checkpoint BF16, por su parte, supera los 1,6 TB.

Por ese motivo, la demostración de Apple distribuye el modelo cuantizado entre varios Mac Studio.

Existe una alternativa documentada por la comunidad en Hugging Face: ejecutar Muse Spark Open en un único Mac utilizando un checkpoint cuantizado a 3 bits. Esa configuración ocupa aproximadamente 344 GB y alcanza unos 21 tokens por segundo.

Es un resultado interesante, pero no equivale a la configuración de Apple. La reducción adicional de precisión permite ajustar el modelo a la memoria de una sola máquina, a cambio de posibles diferencias de calidad y rendimiento. Tampoco debe suponerse que las dos cifras de velocidad sean directamente comparables sin conocer las condiciones exactas de cada prueba.

La conclusión práctica es sencilla: sí existen formas de ejecutar Muse Spark Open en un solo Mac, pero la demostración de Apple con NVFP4 depende de distribuir el modelo entre varios equipos.

Cómo se reparten el trabajo dos o cuatro Mac

Apple describe dos métodos principales para distribuir la inferencia.

Paralelismo de pipeline. Un Mac procesa las primeras capas del modelo y envía los resultados intermedios al siguiente, que continúa con las capas posteriores. Es una forma relativamente directa de repartir el trabajo, pero las etapas siguen ejecutándose de manera secuencial durante la generación de cada token.

Paralelismo de tensores. El cálculo se distribuye entre varias máquinas dentro de cada capa. Esto permite trabajar de forma más paralela y puede aumentar la velocidad de generación, aunque exige intercambiar datos intermedios con frecuencia. Esa comunicación puede reducir las ganancias, especialmente cuando se procesan prompts muy largos.

Para conectar los equipos, Apple utiliza Thunderbolt 5 con RDMA (Remote Direct Memory Access o acceso directo a memoria remota). Este mecanismo permite transferir datos entre sistemas con menos intervención de la CPU y del sistema operativo que los métodos convencionales.

La configuración publicada utiliza MLX 0.30.1 o posterior, con el backend de comunicación JACCL de Apple. También emplea dos cables Thunderbolt entre las máquinas conectadas para aumentar el ancho de banda disponible.

Resultados de rendimiento publicados por Apple

Las siguientes cifras corresponden a pruebas con pesos NVFP4 y un contexto de 8.192 tokens. La velocidad de decodificación se midió sobre una salida de 128 tokens generados.

Configuración	Tiempo hasta el primer token (TTFT)	Velocidad de generación
Dos M5 Ultra, paralelismo de pipeline	8,4 s	15,74 tokens/s
Dos M5 Ultra, paralelismo de tensores	8,2 s	24,99 tokens/s
Cuatro M5 Ultra, paralelismo de tensores	4,8 s	36,73 tokens/s

Los resultados muestran dos cosas. La primera es que cuatro Mac Studio pueden alcanzar una velocidad de generación cercana a los 37 tokens por segundo en las condiciones de esta prueba. La segunda es que la velocidad de generación no cuenta toda la historia.

El TTFT (Time to First Token) mide cuánto tarda el sistema en producir el primer token. Un modelo puede generar texto rápidamente una vez que empieza y, aun así, tardar varios segundos en responder. Cuando el prompt es largo, procesar la entrada puede convertirse en una parte importante de la espera.

Esto se aprecia en las pruebas con un contexto de 65.536 tokens: Apple midió un TTFT de unos 40,6 segundos con dos cables por enlace, frente a 50,5 segundos con un solo cable.

También conviene evitar comparaciones directas con otros modelos si las pruebas no utilizan la misma longitud de contexto, cantidad de tokens generados, tamaño de lote, precisión y runtime. Los resultados publicados no miden por sí solos la calidad de las respuestas después de la cuantización ni el comportamiento bajo una carga multiusuario intensiva.

Por último, aunque Apple ha comunicado picos de consumo de unos 300 W para un Mac Studio M5 Ultra en otras pruebas, no hay una cifra publicada de consumo del clúster completo mientras ejecuta Muse Spark Open. Por tanto, no es posible calcular con precisión su coste eléctrico a partir de esos datos.

¿Es Muse Spark Open realmente el mejor modelo abierto de Estados Unidos?

Meta presentó Muse Spark Open con esa afirmación, pero conviene distinguir entre el posicionamiento del fabricante y una clasificación independiente.

A fecha de esta publicación, no existe una validación independiente completa que permita dar por demostrada esa superioridad en todos los ámbitos. Los datos de terceros citados sitúan a Muse Spark Open con una puntuación de 39 en el índice de inteligencia de Artificial Analysis. Además, varios análisis señalan que queda por detrás de modelos abiertos chinos como Kimi, de Moonshot AI; GLM, de Zhipu; y Qwen, de Alibaba, en determinados benchmarks. La ejecución de código en terminal es uno de los ejemplos más mencionados.

Eso no significa que Muse Spark Open sea un modelo poco útil. Significa que el número de parámetros no basta para determinar la calidad de un sistema de IA.

Para elegir un modelo destinado a programación, por ejemplo, importa si modifica el código correctamente, si ejecuta las pruebas, si evita introducir errores y si completa las tareas de forma consistente. En otros escenarios pueden ser más relevantes la precisión al consultar documentos privados, la tasa de finalización de tareas de agente, la latencia o el coste por resultado útil.

Los benchmarks sirven para orientar la comparación, pero no sustituyen las pruebas con la aplicación y los datos reales de cada equipo. Antes de elegir Muse Spark Open por su tamaño, conviene comprobar si realmente supera a las alternativas en las tareas que se necesitan.

Cuánto cuesta ejecutar Muse Spark Open

El coste del hardware es uno de los principales obstáculos para utilizar el modelo localmente. La demostración de Apple es técnicamente interesante, pero no representa una configuración económica para la mayoría de los usuarios.

Precio de los Mac Studio en España

Apple lista el Mac Studio con M5 Ultra en Estados Unidos desde 5.499 dólares. Ese precio de entrada no corresponde a la configuración de 512 GB de memoria unificada utilizada como referencia en el informe técnico. Según los datos disponibles, esa versión llegará a finales de octubre y todavía no tiene un precio anunciado.

Los precios verificados de Apple España son los siguientes:

Configuración	Precio en España
Mac Studio M5 Max	Desde 3.029 €
Mac Studio M5 Ultra, versión de 96 GB	Desde 6.649 €
Mac Studio M5 Ultra con 512 GB	Previsto para finales de octubre, sin precio publicado
M5 Ultra en configuración máxima	Hasta 20.729 €

Incluso tomando como referencia únicamente el precio de entrada del M5 Ultra, dos equipos superarían los 13.000 euros y cuatro costarían más de 26.000 euros. Estas cantidades no representan el coste exacto del clúster probado por Apple, ya que la configuración de 512 GB todavía no tiene un precio publicado.

Además de los ordenadores, hay que considerar el almacenamiento para los checkpoints, los cables Thunderbolt, el equipamiento de conexión, el consumo eléctrico y la refrigeración. A eso se suma el tiempo de ingeniería necesario para configurar MLX, distribuir el modelo y resolver posibles problemas de inferencia.

Hay otro coste menos evidente: el hardware debe utilizarse con suficiente frecuencia para justificar la inversión. Un clúster caro que permanece inactivo durante buena parte del día puede resultar menos conveniente que pagar por inferencia cuando se necesita.

¿Sale más barato utilizar una API?

Quienes quieren probar Muse Spark Open sin comprar varios ordenadores pueden recurrir a proveedores de inferencia alojada.

Según los precios verificados de OpenRouter, la tarifa es de 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida. Para proyectos ocasionales, experimentos o cargas de trabajo variables, una API permite utilizar el modelo sin asumir por adelantado el coste de todo el hardware.

No hay un punto de equilibrio universal entre una API y un clúster propio. El resultado depende del precio real de los equipos, el porcentaje de utilización, la factura eléctrica, el rendimiento efectivo y la calidad del modelo frente a otras alternativas.

Sin esos datos y sin medir una carga de trabajo concreta, no se puede afirmar que comprar cuatro Mac Studio sea más barato que utilizar una API.

Un despliegue propio puede tener sentido cuando la inferencia es intensa y sostenida, existen requisitos estrictos de control de datos o se necesita una infraestructura predecible que no dependa de los límites de un proveedor externo. Para un desarrollador que realiza consultas esporádicas, la API suele ser mucho más sencilla de justificar.

¿Es realmente IA local? Privacidad y límites

Sí, siempre que el modelo se ejecute en una infraestructura controlada por quien lo utiliza. En ese escenario, los prompts pueden procesarse sin enviarlos a la API de un proveedor externo. Esto resulta especialmente relevante para código propietario, documentación interna, investigación sensible y aplicaciones sujetas a requisitos de residencia de datos.

La ejecución local también permite tener más control sobre el runtime, los registros y la exposición del servicio a la red. Pero ejecutar el modelo en local no garantiza que toda la aplicación funcione sin conexión ni que todos los datos permanezcan dentro del equipo.

Descargar los pesos, instalar dependencias y actualizar el software requiere acceso a la red en determinadas etapas. Además, un agente de programación puede conectarse a repositorios Git, registros de paquetes, buscadores o APIs externas. Esas herramientas pueden transmitir datos aunque el modelo de lenguaje se ejecute en un Mac propio.

Por eso, un despliegue responsable debe revisar algo más que el lugar donde se almacenan los pesos:

• El tráfico saliente y las conexiones con servicios externos.
• La telemetría y los registros de actividad.
• Los prompts almacenados en caché.
• Los permisos de acceso a archivos y herramientas del agente.
• La comunicación entre los nodos del clúster.
• Las credenciales y los datos que pueden utilizar las herramientas conectadas.

La IA local reduce la dependencia de la nube y permite un mayor control técnico. Sin embargo, la privacidad real depende de cómo se haya configurado todo el sistema, incluida la aplicación que rodea al modelo.

Muse Spark Open frente a la IA en la nube

Muse Spark Open amplía las posibilidades de ejecutar modelos grandes en infraestructura propia, pero no demuestra que la IA local sea superior a los servicios en la nube en todas las situaciones.

Aspecto	Qué ofrece Muse Spark Open en Mac	Limitación
Razonamiento y programación	Acceso a un modelo grande orientado a código y agentes	El número de parámetros no demuestra por sí solo una calidad superior
Contexto largo	Ventana anunciada de hasta 1 millón de tokens	Las pruebas publicadas por Apple llegan a 65.536 tokens
Flujos de agentes	Puede funcionar como backend local para herramientas compatibles	El framework, los permisos y las herramientas externas siguen siendo importantes
Entrada multimodal	Admite texto, imágenes, vídeo y audio	El soporte efectivo y la calidad dependen del runtime
Privacidad	La inferencia puede permanecer en infraestructura propia	Las herramientas conectadas pueden seguir transmitiendo datos
Personalización	Los pesos abiertos permiten experimentar con el modelo	La licencia y el trabajo de ingeniería imponen límites
Coste de uso	La inferencia local no genera una factura por token	Hardware, electricidad, mantenimiento y tiempo de configuración tienen un coste real

Los servicios en la nube pueden ofrecer una experiencia más sencilla, integraciones preparadas y un mejor rendimiento en determinadas tareas. La ejecución local, por su parte, ofrece más control sobre la infraestructura y un entorno útil para experimentar sin depender continuamente de un proveedor externo.

La decisión depende de las prioridades del proyecto. Ninguna de las dos opciones gana en todas las categorías por definición.

Muse Spark Open frente a Llama y a los modelos abiertos chinos

El lanzamiento también supone un cambio de escala para la estrategia de modelos abiertos de Meta. La familia Llama popularizó el uso de modelos descargables, aunque algunas versiones posteriores, como Llama 4, recibieron críticas de la comunidad. Muse Spark Open da un salto considerable en tamaño al alcanzar 816.000 millones de parámetros totales con una arquitectura MoE.

Sin embargo, el tamaño no resuelve la comparación con los modelos de otros fabricantes. Los análisis de terceros disponibles sitúan a Muse Spark Open por detrás de Kimi, GLM y Qwen en varios benchmarks, incluida la programación en terminal.

Si estás buscando los mejores modelos de IA de pesos abiertos de 2026, presta atención a la fecha y a las condiciones de las pruebas. Algunas comparativas siguen centrándose en generaciones anteriores, como Llama 3 o DeepSeek V3, y pueden no incluir los lanzamientos más recientes.

La comparación útil no consiste en ordenar los modelos únicamente por sus parámetros. Conviene comprobar qué tareas resuelve cada uno, qué precisión ofrece, qué hardware necesita y cuánto cuesta completar una tarea real.

Meta también presentó demostraciones de Muse Code, su agente de programación, utilizando el modelo para modificar proyectos como la aplicación Ice Cubes y complementos de DaVinci Resolve. Son demostraciones del fabricante, no una evaluación independiente de su rendimiento en todos los escenarios, pero ayudan a entender la orientación del lanzamiento: programación y flujos de trabajo con agentes.

Conclusión: un avance técnico, pero no para todos los usuarios de Mac

Muse Spark Open y la demostración de Apple con MLX muestran que un clúster de ordenadores Apple Silicon puede ejecutar localmente un modelo MoE de 816.000 millones de parámetros y alcanzar una velocidad de generación útil en determinadas condiciones.

El resultado depende de varios elementos que trabajan juntos: una arquitectura que activa solo parte de los parámetros en cada token, cuantización a cuatro bits, grandes cantidades de memoria unificada y conexiones de baja latencia entre máquinas. No significa que un Mac convencional pueda ejecutar el modelo completo sin compromisos.

Los usuarios que más pueden beneficiarse son:

• Investigadores de IA: pueden estudiar un modelo MoE de gran tamaño y experimentar con inferencia distribuida sin construir un servidor convencional con GPU dedicadas.
• Equipos de desarrollo con uso intensivo: un clúster local puede tener sentido si se mantiene ocupado, se dispone de capacidad de ingeniería y el coste total o el control de los datos justifican la inversión.
• Organizaciones con información sensible: la inferencia en infraestructura propia puede ayudar a mantener los datos dentro del entorno de la organización, siempre que también se controle la aplicación y el tráfico de red.
• Usuarios de un Mac convencional: no deberían esperar ejecutar la configuración de Apple con solo instalar MLX. Un modelo más pequeño y adaptado a la memoria del equipo será mucho más fácil de instalar y utilizar.

Muse Spark Open no convierte un modelo de 816B en una opción práctica para cualquier propietario de un Mac. Lo que hace es acercar la inferencia local a esta escala a investigadores y equipos dispuestos a invertir en varias máquinas y en la complejidad de mantenerlas.

Apple y MLX merecen reconocimiento por demostrar que el hardware de escritorio puede participar en una tarea de esta magnitud. Pero el coste de adquisición, los requisitos de memoria y el trabajo de configuración siguen siendo determinantes.

Para la mayoría de los desarrolladores individuales, la elección más razonable continúa siendo un modelo local pequeño para las tareas habituales y un servicio en la nube para los problemas más exigentes.

Preguntas frecuentes sobre Muse Spark Open

¿Qué es Muse Spark Open y qué significa «pesos abiertos»?

Muse Spark Open es la versión descargable de pesos abiertos de Muse Spark, un modelo de Meta con 816.000 millones de parámetros totales y arquitectura Mixture of Experts. Está orientado a programación, entrada multimodal y flujos de trabajo con agentes.

Los pesos abiertos permiten descargar los parámetros entrenados y ejecutar el modelo en una infraestructura propia. No significa necesariamente que también estén disponibles los datos de entrenamiento y todo el código utilizado para crear el modelo.

¿Pesos abiertos significa código abierto? ¿Se puede utilizar gratis?

No son lo mismo. Los pesos abiertos permiten acceder a los parámetros del modelo, pero no garantizan que se publiquen los datos de entrenamiento ni el proceso completo para reproducirlo.

Muse Spark Open se distribuye bajo la Meta Model License y su política de uso aceptable. Entre las condiciones destacadas están la atribución «Built with Muse Spark Open» y la necesidad de un acuerdo comercial adicional para empresas con ingresos anuales superiores a 20 millones de dólares. Antes de integrarlo en un producto, hay que revisar la licencia y confirmar qué usos permite.

¿Puede un solo Mac ejecutar Muse Spark Open?

Depende de la configuración. En la demostración de Apple, el modelo utiliza unos 493 GB de memoria con la representación NVFP4, lo que deja demasiado poco margen para la inferencia en una máquina con 512 GB.

La comunidad ha documentado una ejecución en un único Mac con un checkpoint cuantizado a 3 bits, de unos 344 GB, y una velocidad aproximada de 21 tokens por segundo. Apple, en cambio, utiliza dos o cuatro Mac Studio para sus pruebas principales.

¿Cuánto cuesta el hardware necesario para ejecutar Muse Spark Open?

En España, el Mac Studio M5 Max parte de 3.029 €, mientras que el M5 Ultra comienza en 6.649 € para la versión de 96 GB. La configuración de 512 GB, más próxima a los requisitos de memoria del modelo, está prevista para finales de octubre y todavía no tiene precio publicado.

Tomando únicamente el precio de entrada como referencia, dos Mac Studio M5 Ultra superarían los 13.000 € y cuatro superarían los 26.000 €. El coste real del clúster depende de la configuración elegida y de los accesorios necesarios.

¿Cuánto cuesta utilizar Muse Spark Open mediante una API?

Según los precios verificados de OpenRouter, el coste es de 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida.

Una API evita comprar y mantener varios ordenadores, por lo que puede resultar más práctica para uso ocasional o variable. Para decidir si un clúster local compensa en cargas intensivas, hay que comparar el coste total del hardware con el volumen de uso y el rendimiento real.

¿Cuánta memoria necesita Muse Spark Open?

Los requisitos dependen de la precisión utilizada. El checkpoint NVFP4 ocupa unos 537 GB, aunque Apple informa de aproximadamente 493 GB de memoria de modelo durante la ejecución. El checkpoint BF16 se sitúa en torno a 1,5–1,65 TB, según la fuente de referencia.

A esas cifras hay que añadir la memoria para la caché KV, las activaciones y el runtime. Por eso, el tamaño de los pesos no es el único factor que determina si el modelo cabe en una máquina.

¿Es realmente el mejor modelo abierto de Estados Unidos?

Es una afirmación de Meta que todavía requiere una validación independiente completa. Los datos de terceros citados sitúan a Muse Spark Open con una puntuación de 39 en Artificial Analysis, y algunos benchmarks lo colocan por detrás de modelos como Kimi, GLM y Qwen en tareas específicas, incluida la programación en terminal.

La mejor elección depende de la tarea. Para comparar modelos conviene evaluar precisión, velocidad, coste y fiabilidad en las aplicaciones que se van a utilizar.

¿Muse Spark Open funciona sin internet? ¿Los datos se quedan en el equipo?

La inferencia puede ejecutarse en infraestructura propia sin enviar cada prompt a un proveedor externo. Sin embargo, descargar el modelo, actualizar el software o utilizar herramientas conectadas puede requerir acceso a internet.

Un agente de programación también puede enviar información a servicios externos si utiliza repositorios, buscadores o APIs. Para mantener los datos dentro del entorno, hay que revisar la configuración de red, los registros, los permisos y las herramientas que utiliza la aplicación.

¿Se puede utilizar Muse Spark Open comercialmente?

El modelo está sujeto a la Meta Model License y a su política de uso aceptable. Entre las condiciones destacadas figuran la obligación de atribución «Built with Muse Spark Open», un acuerdo comercial adicional para empresas con ingresos anuales superiores a 20 millones de dólares y la restricción de uso para menores de 18 años.

La disponibilidad de los pesos no implica libertad de uso sin condiciones. Las empresas deben revisar la licencia vigente antes de desplegar el modelo comercialmente.

¿Qué modelo local conviene utilizar en un Mac normal?

Lo más práctico es elegir un modelo cuantizado que se adapte a la memoria disponible. Según el equipo y las tareas previstas, modelos de las familias Qwen, Gemma o Llama de entre 7B y 30B pueden ser alternativas razonables.

Herramientas como LM Studio y Ollama simplifican la instalación y la ejecución de muchos modelos locales. Para la mayoría de los usuarios, un modelo pequeño para las tareas cotidianas, combinado con un servicio en la nube para las consultas más complejas, ofrece un equilibrio más práctico entre coste, velocidad y facilidad de uso.