Meta Muse Wonder

Veredicto rápido: Muse Wonder es el salto más serio de Meta en la carrera de los agentes de IA. Los resultados independientes confirman una mejora real frente a su generación anterior, y las ideas de "memoria activa" y "enfoque activo" apuntan al lugar correcto: que la IA recuerde lo importante y termine lo que empieza. Pero el lanzamiento aún no demuestra que supere de forma consistente a ChatGPT, Claude o Gemini en trabajo real de agente. Para desarrolladores merece una prueba ya; para el usuario general, conviene esperar a que llegue al asistente Muse y a las pruebas independientes.

Qué es Muse Wonder

Muse Wonder y Muse Wonder Full son los dos nuevos modelos de inteligencia artificial de Meta, presentados el 12 de octubre de 2026. La empresa los describe como sus modelos más capaces hasta la fecha, construidos sobre la base del anterior Muse Spark y pensados para tareas de agente personales y profesionales: desde entender un contrato de alquiler o gestionar un seguro hasta construir una aplicación funcional.

La diferencia con un chatbot tradicional es el enfoque. Un modelo puede escribir un plan convincente sin ejecutarlo, generar código sin probarlo o recordar un dato sin saber cuándo es relevante. La apuesta de Meta es que Muse Wonder hace más de ese trabajo de principio a fin, no solo describe cómo hacerlo.

Las primeras señales apoyan esa ambición. La evaluación independiente de Artificial Analysis sitúa a Muse Wonder Full entre los modelos más potentes de su Intelligence Index, mientras que la versión estándar ofrece una API para desarrolladores a un precio razonable, aunque no barato. Aun así, el lanzamiento no establece que ninguno de los dos supere de forma consistente a las mejores ofertas de OpenAI, Anthropic o Google en trabajo de agente del mundo real.

Muse Wonder vs Muse Wonder Full: en qué se diferencian

La diferencia práctica está tanto en la capacidad como en el acceso:

Característica	Muse Wonder	Muse Wonder Full
Papel principal	Modelo frontera de uso general para flujos de agente	Opción de mayor capacidad para desarrollo exigente
Ventana de contexto	1 millón de tokens	1 millón de tokens
Acceso	API de Meta Model y Muse Code	Solo en los planes Power Usage y Maximum Usage de Muse Code
Precio API publicado	4 USD por millón de tokens de entrada; 20 USD por millón de salida	Sin precio API propio
Puntos fuertes	Programación, uso de herramientas, tareas de varios pasos	Flujos de programación y agente más exigentes
Pesos del modelo	No públicos	No públicos

Muse Wonder es el modelo que los desarrolladores pueden llamar hoy desde la API. Muse Wonder Full se posiciona por encima, pero solo se accede a él mediante suscripciones de Muse Code; no existe una API pública separada.

Ambos aceptan texto, imágenes, vídeo y audio como entrada y generan texto. La ventana de contexto de un millón de tokens permite procesar documentación extensa o conversaciones largas, pero no debe confundirse con memoria: el contexto es lo que el modelo puede procesar en una solicitud; la memoria es retener y recuperar información relevante entre conversaciones distintas.

Tampoco hay que confundir los modelos con el asistente Muse ni con Muse Code. El modelo aporta razonamiento y generación; el producto aporta la interfaz, las herramientas, los permisos y el entorno de ejecución. Un buen producto puede hacer que un modelo rinda más, y un entorno deficiente puede desperdiciar al mejor modelo.

Meta ha anunciado que Muse Wonder impulsará en breve experiencias más avanzadas del asistente Muse, empezando por los suscriptores. Es un plan declarado, no una prueba de que todas las capacidades mostradas en las demostraciones estén ya disponibles para todos los usuarios.

Active Memory y Active Focus: qué significan de verdad

Active Memory: recordar lo importante, no todo

Meta define Active Memory como la capacidad de llevar información importante sobre el usuario entre conversaciones y recuperar los detalles relevantes cuando la tarea lo requiere. En la práctica: recordar las restricciones de un proyecto, tu estilo de escritura o decisiones tomadas hace días.

La palabra clave es relevante. Guardar un historial largo no sirve de nada si el sistema no distingue entre preferencias estables y circunstancias temporales, no detecta cuándo la información ha cambiado y no evita aplicar contexto viejo a una situación nueva.

Conviene separar cuatro mecanismos que suelen mezclarse bajo la palabra "memoria":

• Ventana de contexto: lo que el modelo procesa en una interacción.
• Memoria entre sesiones: los detalles que sobreviven de una conversación a otra.
• Perfil o preferencias del usuario: información persistente que guarda el producto.
• Memoria gestionada por el agente: notas, archivos o sistemas de recuperación que el agente consulta.

La descripción pública de Meta establece el comportamiento previsto, pero no revela los detalles de implementación: qué se guarda exactamente, cuánto tiempo se retiene y cómo puede el usuario inspeccionar y borrar cada categoría. Esas preguntas importan tanto como la precisión del recuerdo.

Y hay una contrapartida: los errores también se vuelven persistentes. Una suposición equivocada puede reutilizarse en tareas futuras; información desfasada puede tratarse como actual. Un agente personal fiable necesita mecanismos de corrección, borrado y control del usuario, no solo mejor recuperación de datos.

Active Focus: seguir cuando la tarea se complica

Active Focus describe la capacidad de mantener el objetivo, probar enfoques alternativos, adaptarse a información nueva, recuperarse de errores, pedir aclaraciones y consultar antes de acciones importantes. Meta lo evalúa con FocusBench y usa SWE-Marathon para medir el trabajo sostenido en proyectos de software.

Es un objetivo ambicioso y bien elegido. Un chat devuelve una respuesta y termina; un agente debe gestionar un bucle: interpretar el objetivo, planificar, actuar, inspeccionar el resultado, diagnosticar fallos y decidir el siguiente paso.

Ahora bien, este comportamiento no surge del modelo solo. El entorno de ejecución debe conservar el estado de la tarea, proporcionar herramientas, gestionar tiempos de espera y decidir qué acciones requieren aprobación. Active Focus se entiende mejor como una capacidad del modelo que necesita un buen marco de agente para brillar. El nombre no garantiza que el agente trabaje indefinidamente ni que se recupere de cualquier fallo. La prueba real es si el sistema reconoce que un intento falló y verifica que el siguiente funcionó.

¿Puede Muse Wonder terminar el trabajo real?

Las demostraciones de Meta muestran al modelo construyendo un juego 3D jugable, preparando un plan de entrenamiento con preferencias personales y generando un plano de mesa para una boda con restricciones complejas. Ilustran bien la dirección del producto, pero siguen siendo ejemplos curados, no evidencia independiente de fiabilidad.

La diferencia entre "ayudar" y "terminar" se ve mejor en tareas concretas:

Tarea	Lo que un agente útil debe hacer	Lo que queda por verificar
Entender un contrato o una póliza	Extraer cláusulas, señalar excepciones, citar pasajes, expresar la duda	Si detecta de forma consistente condiciones inusuales
Analizar finanzas personales	Conciliar cifras, separar hechos de suposiciones, explicar los cálculos	Si maneja registros incompletos o conflictivos
Construir una app o un juego	Entender requisitos, editar archivos, ejecutar tests, verificar el resultado	Si el proyecto funciona fuera de la demo pulida
Automatizar un flujo de oficina	Operar herramientas, mantener el estado, gestionar fallos, confirmar el final	Si se recupera de cambios inesperados en las aplicaciones
Llevar un proyecto largo	Recordar decisiones previas, conservar restricciones, ajustar el plan	Si la memoria se mantiene precisa sin desviarse del objetivo

El terreno más fuerte del modelo son las tareas con resultado observable: los tests de software revelan si un cambio rompió algo, un flujo de trabajo se comprueba contra el estado final de la aplicación, y un análisis documental se contrasta con el material fuente.

Otras tareas son más difíciles de verificar. Una recomendación financiera puede sonar plausible apoyada en una suposición errónea; un resumen legal puede omitir una excepción clave sin aparentar estar roto. Para esos usos, las citas a las fuentes, la incertidumbre explícita y la revisión humana siguen siendo imprescindibles.

Programación y trabajo profesional

La programación es la prueba de fuego natural: combina planificación, memoria, uso de herramientas y corrección iterativa. Un buen agente de código debe entender un repositorio, localizar los archivos correctos, hacer cambios coordinados, ejecutar tests y no introducir regresiones.

La ficha técnica de Meta reporta resultados en evaluaciones de ingeniería de software como Terminal-Bench 4.0, DeepSWE v1.1 y SWE-Marathon, más informativas que una demo de generación de código porque miden resultados ejecutables o trabajo sostenido. Ojo con los matices: no todos los tests usan el mismo entorno, y la propia ficha admite que algunos resultados de la competencia provienen de productos de agente distintos.

Para el trabajo profesional del conocimiento, el potencial es igual de práctico: extraer evidencia de documentos, preparar borradores, conciliar información y producir entregables estructurados. Meta incluye evaluaciones legales, financieras y de salud en su suite. Eso demuestra foco de pruebas, no certificación profesional: para derecho, finanzas y salud, el papel correcto es el de asistente de redacción y análisis, nunca el de decisor autónomo.

Benchmarks: dónde queda Muse Wonder

Los valores siguen la tabla publicada por Meta; algunas escalas son específicas de cada benchmark y no deben leerse como un ranking universal.

Benchmark	Muse Wonder Full	Muse Wonder	Qué mide
---	---:	---:	---
Harvey LAB-AA	13,1	10,0	Productos legales basados en documentos del caso
Vals Finance Agent V2	59,1	56,6	Tareas de análisis financiero
HealthBench Pro	62,3	60,5	Preguntas de salud de nivel profesional
AutomationBench-AA	45,4	39,1	Flujos completos en apps de empresa simuladas
OSWorld V2.1 (puntuación parcial)	78,4	72,6	Operar un escritorio con acciones visuales
MemoryBench	85,5	85,6	Recuperar información de conversaciones largas y conflictivas
Terminal-Bench 4.0-AA	57,1	52,0	Programación agéntica en terminal
DeepSWE v1.1	79,0	78,8	Ingeniería de software de largo recorrido
SWE-Marathon	57,5	53,1	Proyectos de ingeniería ultralargos
Artificial Analysis Intelligence Index	56	52	Composición independiente de varias evaluaciones

La tabla muestra una ventaja consistente de Muse Wonder Full en las pruebas de agente y código, mientras que en MemoryBench las dos versiones están prácticamente empatadas. Es un detalle útil: la versión superior no mejora todo por igual.

El Intelligence Index de Artificial Analysis ofrece una vista cruzada independiente: Muse Wonder 52 y Muse Wonder Full 56, frente a 58 de Claude Opus 5.5 y 56 de Claude Sonnet 5.5. Es una medición independiente de Meta, pero representa una mezcla concreta de benchmarks, no la realidad de cada flujo de trabajo.

Una limitación importante es el consumo: Artificial Analysis reporta que Muse Wonder generó unos 130 millones de tokens de salida durante su evaluación (140 millones la versión Full), ambos por encima de la mediana. No es una predicción de tu factura, pero explica por qué el coste por tarea completada importa tanto como la puntuación.

En conjunto, los benchmarks confirman un avance sustancial sobre Muse Spark y un nivel competitivo en trabajo agéntico. No establecen superioridad universal. Lo siguiente que hay que vigilar: pruebas independientes repetidas, condiciones de fallo realistas y coste de extremo a extremo.

Muse Wonder frente a ChatGPT, Claude y Gemini

Muse Wonder llega a un mercado donde se compite tanto en capacidad del modelo como en calidad del producto de agente que lo rodea.

Anthropic reporta 70,6 % para Claude Sonnet 5.5 en Terminal-Bench 4.0, con un precio de 2 USD por millón de tokens de entrada y 10 USD de salida. La cifra publicada de Meta para Terminal-Bench 4.0-AA es 52,0, pero la configuración del benchmark debe revisarse antes de tratar ambos números como comparación directa. Ningún dato justifica declarar un ganador simple en todas las tareas de programación.

De la documentación de OpenAI (Codex) viene otra lección: el entorno de ejecución es parte esencial del producto, coordinando el bucle del agente. Google, con Gemini, apunta a flujos de ingeniería complejos y ofrece también un contexto de un millón de tokens. Son enfoques distintos a necesidades parecidas, no sistemas comparables con una sola cifra.

Prioridad	Qué comparar de verdad
Programación compleja	Éxito a nivel de repositorio, tests que pasan, regresiones y coste por cambio integrado
Agentes de larga duración	Recuperación de herramientas fallidas, persistencia del estado, finalización verificada
Personalización	Precisión de la memoria, transparencia, controles de borrado
Adopción por desarrolladores	Acceso por API, compatibilidad de herramientas, observabilidad, límites y precios
Flujos sensibles	Términos de datos, permisos, registros de auditoría, aprobación humana

La ventaja potencial de Meta está en combinar el modelo con un asistente personal de consumo y herramientas para desarrolladores. Pero la distribución no es lo mismo que la confianza: los usuarios deben sentirse cómodos dando acceso a mensajes, archivos y calendarios, con control claro sobre lo que el agente puede hacer.

Por ahora, Muse Wonder es una opción más y creíble en el mercado de agentes frontera, no un motivo para abandonar tu modelo actual sin pruebas en paralelo con tus propias tareas.

Precios, planes y disponibilidad (incluida España y Latinoamérica)

Meta lista Muse Wonder a 4 USD por millón de tokens de entrada, 0,20 USD por millón de tokens de entrada en caché y 20 USD por millón de tokens de salida, con un millón de tokens de contexto. Está disponible en la Meta Model API y en Muse Code. Muse Wonder Full solo se ofrece dentro de Muse Code, en los planes Power Usage (50 USD/mes) y Maximum Usage (200 USD/mes).

Ojo con un detalle: el precio de la API es solo parte del coste total. Un agente puede hacer muchas llamadas, invocar subagentes, reintentar herramientas fallidas o generar salidas intermedias grandes. La métrica relevante es el coste de una tarea completada con éxito, incluidos los intentos fallidos, no el precio de un prompt.

Sobre el uso de datos, la documentación distingue el modo estándar —donde el contenido no se usa para entrenar los modelos de Meta— del modo Contributor en Muse Code, activado por defecto para suscriptores y que sí permite ese uso, con opción de desactivarlo. Antes de enviar material confidencial, revisa los términos de tu producto y de tu cuenta.

¿Está disponible en España y Latinoamérica? Aquí hay que ir con cuidado. Meta advierte de diferencias regionales, pero sus páginas no confirman explícitamente la disponibilidad comercial de Muse Code ni de la API en España ni en cada país de la región. La app Muse, lanzada en septiembre de 2026, ya funciona en español, pero la integración de los modelos Wonder en el asistente llegará más tarde y empezando por suscriptores. La recomendación práctica: comprobar la disponibilidad real en tu país antes de introducir cualquier método de pago, y no dar por hecho que todo lo anunciado está activo en tu mercado.

Privacidad, seguridad y fiabilidad

Active Memory hace que la privacidad pese más, porque el producto está diseñado para retener contexto personal útil. Antes de usarlo para trabajo sensible, conviene saber qué información se guarda, cómo inspeccionarla y borrarla, y qué ajustes la gobiernan.

La ficha técnica del modelo documenta evaluaciones sobre mal uso cibernético, robustez frente a ataques adversariales, riesgos biológicos y químicos, y escenarios de pérdida de control. También advierte explícitamente que el modelo puede dar respuestas inexactas o sesgadas, equivocarse en razonamientos de varios pasos y comportarse distinto según el prompt, las herramientas y el entorno del agente. Meta recomienda salvaguardas adicionales, incluida la confirmación humana para acciones irreversibles.

Estas revelaciones son útiles, pero no garantizan seguridad en todos los entornos. Para despliegues de agente, los controles sensatos siguen siendo los mismos: privilegios mínimos, entornos de ejecución aislados, confirmación antes de enviar mensajes o mover dinero, registros de las acciones y una forma de detener o revertir la tarea. Especialmente relevante en el ecosistema Meta, donde el agente puede conectar con WhatsApp, Instagram y el resto de tus cuentas: concede cada permiso de forma individual y revoca lo que no necesites.

Para quién tiene sentido Muse Wonder

• Usuarios del asistente Muse: merece seguimiento cuando llegue al producto. Pruébalo primero en tareas de planificación de bajo riesgo; no concedas acceso amplio solo porque la memoria sea la función estrella.
• Desarrolladores: pruébalo en una tarea representativa de un repositorio pequeño, comparándolo con tu agente de código actual usando los mismos tests y criterios de aceptación.
• Equipos que construyen agentes: el posicionamiento por API y herramientas lo hace relevante para prototipos de flujos de varios pasos, presupuestando reintentos e instrumentando cada llamada.
• Profesionales del conocimiento: útil para investigación, síntesis documental y continuidad de proyecto, siempre que las afirmaciones importantes puedan rastrearse hasta la fuente.
• Uso legal, financiero y de salud: como asistente de redacción y análisis, jamás como sustituto del juicio de un profesional cualificado.
• Usuarios y organizaciones sensibles a la privacidad: espera a revisar los términos de uso de datos, los controles de memoria y el comportamiento de retención. Usa datos sintéticos en las primeras pruebas.

Veredicto final: ¿un paso de gigante o un lanzamiento más?

Muse Wonder es más que un nombre nuevo en la lista de Meta. Los resultados independientes muestran un salto medible sobre Muse Spark, y las evaluaciones publicadas de programación y tareas agénticas dan sustancia al enfoque. El 56 de Muse Wonder Full en el Intelligence Index lo sitúa en el mismo rango general que varios modelos propietarios líderes, aunque el índice no prueba que sea el mejor para todo.

La idea más importante no son las etiquetas Active Memory o Active Focus, sino la combinación de contexto relevante entre sesiones, ejecución sostenida, uso de herramientas, recuperación de errores y verificación. Eso puede cambiar la forma de usar la IA, pero solo si el producto preserva el control del usuario y termina el trabajo de verdad.

Las siguientes puntuaciones son valoraciones editoriales, no calificaciones oficiales ni una afirmación de pruebas independientes exhaustivas. Reflejan la evidencia pública disponible a 14 de octubre de 2026.

Dimensión	Peso	Puntuación
---	---:	---:
Razonamiento y finalización de tareas	25 %	4,0/5
Programación y capacidades de agente	20 %	4,5/5
Memoria y gestión de tareas largas	20 %	4,0/5
Fiabilidad y seguridad	20 %	3,5/5
Accesibilidad y valor práctico	15 %	3,5/5
Nota global ponderada	100 %	4,0/5

Recomendación: los desarrolladores cuyo trabajo gira en torno a agentes de código o automatización de varios pasos deberían probar Muse Wonder ya. Muse Wonder Full merece consideración para flujos intensivos si la suscripción de Muse Code encaja con tu uso. Los usuarios generales harían bien en esperar a la llegada al asistente Muse y a más evidencia independiente antes de tratarlo como un operador personal de confianza.

Muse Wonder convierte a Meta en un participante serio en la carrera de los agentes. Que cambie la forma de trabajar dependerá menos de las cifras del día del lanzamiento que de lo que ocurra cuando las tareas reales se pongan difíciles.

Preguntas frecuentes

¿Qué es Muse Wonder? Es el modelo de IA frontera de Meta para programación, razonamiento y tareas de agente personales y profesionales. Se presentó junto a Muse Wonder Full el 12 de octubre de 2026.

¿En qué se diferencian Muse Wonder y Muse Wonder Full? Muse Wonder está disponible en la Meta Model API y en Muse Code. Muse Wonder Full es la variante más capaz, y de momento solo se ofrece mediante los planes de suscripción de Muse Code, sin API pública propia.

¿Qué es Active Memory? Es el término de Meta para llevar contexto importante del usuario entre conversaciones y recuperar los detalles relevantes en tareas posteriores. Los controles exactos de memoria y retención deben revisarse en cada producto.

¿Qué es Active Focus? Describe la capacidad de seguir avanzando hacia un objetivo, probar enfoques alternativos, adaptarse a información nueva, recuperarse de errores y pedir aclaración o confirmación cuando toca.

¿Se puede usar Muse Wonder por API? Sí. Meta lista Muse Wonder en la Meta Model API. Muse Wonder Full, en cambio, está reservado a los suscriptores de Muse Code.

¿Es Muse Wonder bueno para programar y como agente de IA? Los primeros benchmarks indican un rendimiento competitivo. Los resultados reales dependerán del repositorio, las herramientas, el entorno de ejecución y cómo se verifique la finalización de la tarea.

¿Cómo se compara con ChatGPT y Claude? Es competitivo en varias evaluaciones publicadas, pero ningún benchmark establece un ganador universal. Compáralo en tus propias tareas, con las mismas herramientas, presupuesto y criterios de éxito.

¿Muse Wonder es gratuito? No. La versión estándar se paga por uso en la API (4 USD de entrada y 20 USD de salida por millón de tokens) o mediante Muse Code; Muse Wonder Full requiere los planes de suscripción de 50 o 200 USD al mes.

¿Está disponible en España y Latinoamérica? Meta no confirma explícitamente la disponibilidad comercial de todos los productos en cada país. La app Muse funciona en español, pero el acceso a la API y a Muse Code conviene verificarlo en tu mercado antes de pagar.

¿Es seguro darle mis datos personales? Ningún agente de IA debe darse por seguro para datos sensibles. Revisa los términos de uso de datos y los controles de memoria, limita los permisos y exige aprobación humana en las acciones de consecuencias importantes.