Meta libera los pesos de Muse Spark Open, un modelo multimodal para código y agentes
Meta anunció la disponibilidad de los pesos del modelo Muse Spark Open bajo la Muse Model License. De acuerdo con el comunicado, se trata de un modelo de mezcla de expertos (mixture-of-experts) nativamente multimodal, diseñado para flujos de trabajo de programación y agentes.
El comunicado señala que Muse Spark Open cuenta con 816B parámetros totales, 42B parámetros activos y una ventana de contexto de 1M de tokens. Con esas características, según la empresa, el modelo puede trabajar en bases de código grandes, usar herramientas en tareas de larga duración y convertir entradas visuales en acciones.
La compañía indicó que los pesos abiertos ofrecen más control sobre cómo se construye: desplegar el modelo en la propia infraestructura, personalizarlo para un dominio específico, estudiar su comportamiento o acceder a él a través del proveedor que se ajuste al stack de cada desarrollador.
Qué se puede construir con Muse Spark Open
El comunicado detalla cuatro usos principales. El primero es trabajar en repositorios grandes: una ventana de contexto de 1M de tokens permite al modelo razonar sobre miles de archivos, código heredado y dependencias interconectadas en una sola sesión.
El segundo es abordar tareas complejas de programación. Muse Spark Open está entrenado para flujos de trabajo reales de desarrolladores, incluidos refactorizaciones de múltiples archivos, depuración y tareas de larga duración.
El tercero es construir agentes capaces. El modelo soporta uso de herramientas en varios pasos, autocorrección, coordinación de subagentes y uso de computadora en entornos de navegador, escritorio y móviles.
El cuarto es convertir entradas multimodales en acciones. De acuerdo con el comunicado, se pueden usar imágenes, documentos, audio y video para flujos como imagen a código, extracción de gráficas y verificación visual de hechos.
Los pesos están disponibles ahora en Hugging Face, según la empresa. Muse Spark Open está ajustado para ejecutarse con SGLang, vLLM o MLX, es fácil de personalizar con PyTorch y está optimizado para silicio de Apple, AMD, Intel y NVIDIA.
El comunicado agrega que también se puede desplegar desde AWS SageMaker y Google Cloud Model Garden, o ejecutarlo a través de Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter y Together AI.
La empresa enmarcó el lanzamiento como parte de su inversión continua en la elección de los desarrolladores de construir en sus propios términos.
Imagen: Foto de Negative Space en Pexels
