NoticiasAccionesMuse Spark Open de Meta llega a Arena.ai para pruebas públicas

Muse Spark Open de Meta llega a Arena.ai para pruebas públicas

Autor: CryptoBriefing·

Puntos clave

  • •Meta anunció Muse Spark Open el 15 de octubre de 2026, marcando el primer lanzamiento de pesos abiertos de su serie Muse Spark, anteriormente propietaria.
  • •El modelo multimodal tiene 816 mil millones de parámetros totales, 42 mil millones de parámetros activos, una ventana de contexto de 1 millón de tokens y puede procesar imágenes, video y audio.
  • •Los desarrolladores pueden evaluar el modelo con puntuaciones de rendimiento en vivo en el Agent Arena y el Code Arena de Arena.ai, lo que proporciona una verificación de terceros sobre las afirmaciones de benchmarks de Meta.
  • •Las opciones de acceso incluyen proveedores de API como Baseten y Fireworks AI, mientras que los pesos del modelo se pueden descargar a través de Amazon SageMaker y Google Cloud Model Garden.
  • •Meta optimizó el modelo para los chips de Apple mediante el framework MLX, citando una configuración de referencia de dos Mac Studios M5 Ultra con 1 TB de memoria unificada y un post-entrenamiento de seguridad que, según la compañía, permite operar sin barreras de protección externas.
Muse Spark Open de Meta llega a Arena.ai para pruebas públicas

El más reciente modelo de inteligencia artificial de Meta ahora está siendo probado por otros desarrolladores a través de Arena.ai.

Muse Spark Open, el primer lanzamiento de pesos abiertos de la serie Muse Spark de Meta, está disponible en el Agent Arena y el Code Arena de Arena.ai. Los usuarios pueden evaluar el modelo en tareas complejas y ver puntuaciones de rendimiento en vivo. Meta anunció el modelo el 15 de octubre de 2026, y Arena.ai confirmó su integración y pruebas en vivo ese mismo día. El anuncio fue reportado por CryptoBriefing.

Capacidades del modelo

Muse Spark Open es un modelo multimodal con 816 mil millones de parámetros totales, incluidos 42 mil millones de parámetros activos. Tiene una ventana de contexto de 1 millón de tokens y puede procesar imágenes, video y audio.

Meta posiciona el modelo para flujos de trabajo agénticos de largo alcance, codificación compleja y razonamiento de múltiples pasos. Para tareas de programación, Meta afirma que Muse Spark Open puede analizar repositorios de software completos y manejar refactorizaciones complicadas que abarcan varios archivos — casos de uso que se apoyan en el perfil técnico del modelo, que combina la ventana de contexto de 1 millón de tokens con el procesamiento nativo de imágenes, video y audio.

Acceso e infraestructura

Muse Spark Open estuvo disponible a partir del 15 de octubre de 2026 a través de diversas plataformas de API y mercados en la nube. El acceso por API incluye proveedores como Baseten y Fireworks AI, entre otros. Las organizaciones que buscan los pesos del modelo pueden descargarlos a través de Amazon SageMaker y Google Cloud Model Garden.

Meta señala que Muse Spark Open puede ejecutarse en la infraestructura propia de los usuarios y ha sido optimizado específicamente para los chips de Apple mediante el framework MLX. Su configuración de referencia consiste en dos Mac Studios M5 Ultra conectados como una supercomputadora con 1 TB de memoria unificada — una configuración que sitúa el autoalojamiento en hardware de clase estación de trabajo en lugar de clústeres de centro de datos.

Meta también indica que el modelo pasó por un post-entrenamiento de seguridad. Según la compañía, esto permite que Muse Spark Open opere de forma independiente sin barreras de protección externas adicionales — un detalle relevante para las organizaciones que evalúan un despliegue autoalojado.

Pruebas a través de Arena.ai

Muse Spark Open se basa en los anteriores modelos Muse Spark de Meta, que eran propietarios. Este lanzamiento marca el primer paso de la serie hacia los pesos abiertos.

Meta Superintelligence Labs afirma que Muse Spark Open iguala a los modelos cerrados de frontera en benchmarks de codificación agéntica. Agent Arena y Code Arena evalúan los modelos en tareas prácticas que involucran programación, búsqueda web y procesamiento multimedia, mientras que las puntuaciones en vivo muestran su rendimiento — lo que brinda a los desarrolladores externos una verificación continua e independiente de esas afirmaciones mientras continúan las pruebas.