Meta libera los pesos de su modelo para programar y orquestar agentes
El 15 de octubre de 2026, Meta publicó los pesos de Muse Spark Open, un modelo de lenguaje orientado a la programación y a las tareas de agentes que se prolongan durante horas. Se trata de una arquitectura de mezcla de expertos con 816.000 millones de parámetros totales, de los cuales solo 42.000 millones se activan en cada paso de generación, y con una ventana de contexto de un millón de tokens. La compañía lo ha entrenado en paralelo con Muse Code, su propia herramienta de desarrollo asistido, y lo presenta como compatible con agentes de terceros como OpenCode.
La noticia llega en un momento delicado para la industria estadounidense. Durante los últimos meses, los modelos de pesos abiertos más competitivos en programación han salido de laboratorios chinos, y la propia Meta había dado señales ambiguas sobre su compromiso con la apertura tras reorientar su estrategia hacia modelos cerrados. Con este lanzamiento, la empresa intenta recuperar terreno entre los desarrolladores que quieren ejecutar, ajustar y desplegar modelos en infraestructura propia.
Meta afirma que Muse Spark Open es el modelo de pesos abiertos estadounidense más capaz disponible. Es una afirmación de la propia compañía que no ha sido verificada de forma independiente, y conviene leerla como un posicionamiento comercial más que como un hecho establecido. Lo que sí se puede contrastar es su resultado en pruebas públicas: una puntuación de 76,4 en Terminal-Bench 2.1, una cifra sólida pero inferior a la de varios modelos chinos, entre ellos Kimi K3.
A lo largo de este artículo se repasa qué es exactamente lo que Meta ha publicado, cómo se construye un modelo de este tipo, qué dicen las pruebas, por qué la licencia genera debate, qué significa el lanzamiento para quienes desarrollan software y qué cabe esperar a partir de ahora.
Qué se ha publicado exactamente
Conviene empezar por distinguir entre lo que se ha entregado y lo que se ha anunciado. Meta ha puesto a disposición del público los pesos del modelo, es decir, los parámetros numéricos aprendidos durante el entrenamiento. Con ellos, cualquier organización con la infraestructura adecuada puede cargar el modelo, ejecutarlo, evaluarlo y, dentro de lo que permita la licencia, adaptarlo a sus necesidades.
Los datos técnicos básicos son los siguientes. La arquitectura es de mezcla de expertos con enrutamiento y se ha diseñado para sostener sesiones largas. El total de parámetros asciende a 816.000 millones, con 42.000 millones activos por cada token procesado. La ventana de contexto llega a un millón de tokens. El modelo se ha concebido de forma explícita para escribir y revisar código y para sostener flujos de trabajo con herramientas durante periodos largos. Los análisis publicados sobre el lanzamiento también señalan capacidad de entrada multimodal, aunque el foco del anuncio está en la programación.
Hay un matiz de nomenclatura que puede generar confusión. En la cobertura sobre el lanzamiento aparecen referencias a una versión numerada de la familia Spark, mientras que los materiales de la propia compañía hablan de Muse Spark Open. Para evitar equívocos, en este texto se usa el nombre que emplea Meta.
También es importante lo que no se ha confirmado. No se detallan aquí requisitos de hardware concretos para ejecutar el modelo, porque las cifras que circulan proceden de fuentes secundarias y no son homogéneas. Quien quiera desplegarlo debería consultar la documentación oficial del repositorio de pesos antes de dimensionar nada.
Cómo funciona una mezcla de expertos con 816.000 millones de parámetros
Para entender por qué las dos cifras de parámetros importan, hay que recordar cómo se organiza una arquitectura de mezcla de expertos. En un modelo denso tradicional, cada token que entra atraviesa todas las capas y todos los parámetros. En una mezcla de expertos, ciertas capas se dividen en numerosos bloques especializados, y un mecanismo de enrutamiento decide, para cada token, cuáles de esos bloques se consultan. El resto permanece inactivo durante ese paso.
La consecuencia práctica es que el coste de cómputo por token depende de los parámetros activos, no del total. Con 42.000 millones activos, el trabajo por token se parece al de un modelo mediano, mientras que la capacidad de almacenar conocimiento se acerca a la de un modelo gigantesco. Es un compromiso muy atractivo para la inferencia a gran escala, porque permite servir muchas peticiones con una latencia razonable.
Sin embargo, esa ventaja tiene un precio que a menudo se pasa por alto. Aunque solo se usen 42.000 millones de parámetros por token, hay que mantener cargados los 816.000 millones, porque cualquier experto puede ser requerido en el siguiente paso. La memoria necesaria depende del total, y por eso estos modelos son baratos de calcular pero exigentes de alojar. Para un equipo pequeño, esa diferencia marca si el despliegue local es viable o si resulta más sensato recurrir a un proveedor que ya lo sirva.
El enrutamiento introduce además retos propios: equilibrar la carga entre expertos, evitar que unos pocos acaparen el tráfico y mantener la estabilidad durante el entrenamiento. Que Meta haya escogido esta arquitectura indica una apuesta por la eficiencia en producción, algo especialmente relevante cuando el modelo debe encadenar cientos de llamadas dentro de una sesión de agente.
Un millón de tokens de contexto y por qué importa a los agentes
Una ventana de contexto de un millón de tokens equivale, en orden de magnitud, a varias novelas largas o a una base de código de tamaño considerable. Para un asistente de programación, eso significa poder mantener a la vista un repositorio entero, su historial de conversación, la salida de las pruebas y las notas intermedias sin tener que resumir o descartar información con frecuencia.
En el caso de los agentes de larga duración, el contexto funciona como memoria de trabajo. Un agente que investiga un error, modifica varios ficheros, ejecuta la batería de pruebas, lee los fallos y vuelve a intentarlo acumula una enorme cantidad de texto. Cuando la ventana es corta, hay que podar, y cada poda arriesga eliminar un detalle que más tarde resulta decisivo. Una ventana amplia reduce esa fricción.
Con todo, un contexto grande no garantiza por sí solo un buen rendimiento. La calidad de la atención sobre textos muy largos suele degradarse, y los modelos pueden perder información situada en la zona intermedia de una entrada extensa. Además, el coste de memoria de la caché de atención crece con la longitud, lo que encarece cada sesión larga. La cifra de un millón de tokens debe interpretarse como un límite máximo, no como una promesa de que todo ese espacio se aprovecha con igual fidelidad.
Por eso las pruebas de tareas largas, como las que miden el trabajo en terminal, resultan más informativas que la mera especificación. Ahí se ve si el modelo conserva el hilo de un objetivo durante decenas de pasos, y no solo si admite una entrada muy larga.
Entrenado junto a Muse Code: el modelo y la herramienta crecen a la vez
Uno de los rasgos más interesantes del anuncio es que el modelo se ha entrenado conjuntamente con Muse Code. Esa decisión refleja una tendencia creciente en el sector: dejar de tratar el modelo y el entorno que lo rodea como piezas independientes. Un asistente de programación no es solo un generador de texto; es un bucle en el que el modelo propone acciones, una herramienta las ejecuta y el resultado vuelve como nueva entrada.
Entrenar con ese bucle presente permite que el modelo aprenda los hábitos que importan en la práctica: cómo formular una llamada a una herramienta, cómo interpretar un error de compilación, cuándo conviene releer un fichero en lugar de suponer su contenido y cómo recuperarse de un intento fallido. Un modelo que solo ha visto código estático aprende a escribir funciones; uno que ha interactuado con herramientas aprende a trabajar.
Esto tiene una implicación para terceros. Si el modelo ha sido optimizado para un arnés concreto, su rendimiento en otros arneses puede variar. Meta sostiene que Muse Spark Open se integra con agentes externos como OpenCode, lo que sugiere que el formato de uso de herramientas no está atado a su producto. Aun así, la experiencia real dependerá de cómo cada herramienta presente el contexto, gestione los errores y limite las acciones, y los equipos deberían medirlo en sus propios flujos antes de dar nada por supuesto.
Integración con agentes de terceros como OpenCode
La compatibilidad con OpenCode merece atención porque indica hacia dónde quiere llevar Meta el modelo. OpenCode es un agente de programación de código abierto que se ejecuta en la terminal y permite conectar distintos modelos, tanto alojados como locales. Que un modelo de pesos abiertos funcione bien dentro de esa clase de herramientas es el requisito para que los desarrolladores lo adopten sin depender de un único proveedor.
Para un equipo de ingeniería, esta posibilidad tiene varias ventajas. Permite elegir el modelo sin cambiar de flujo de trabajo, comparar resultados entre alternativas con la misma interfaz y mantener el código fuente dentro de la propia infraestructura cuando existen exigencias de confidencialidad. También reduce el riesgo de quedar atrapado: si el modelo deja de ser conveniente, se sustituye por otro sin rehacer el proceso.
Hay también un incentivo estratégico. Cuanto más se use el modelo dentro de herramientas abiertas, más retroalimentación recibirá el ecosistema sobre sus puntos fuertes y sus fallos. Para una compañía que compite con laboratorios que ya tienen una base de usuarios amplia en este terreno, ser fácil de integrar es casi tan importante como ser potente.
Terminal-Bench 2.1: qué mide la puntuación de 76,4
Terminal-Bench evalúa la capacidad de los agentes para resolver tareas reales en un entorno de línea de comandos: configurar un servicio, depurar un fallo, compilar un proyecto, manipular ficheros o encadenar utilidades del sistema. A diferencia de las pruebas que piden una función aislada, exige planificar, ejecutar, observar y corregir, que es precisamente el tipo de trabajo que se espera de un agente de larga duración.
Muse Spark Open ha obtenido 76,4 en la versión 2.1 de esta prueba. Es una puntuación elevada en términos absolutos, pero queda por detrás de la de modelos chinos como Kimi K3, que lidera esta categoría entre los pesos abiertos. Esa comparación desmonta, al menos en parte, el matiz con que Meta presenta su modelo: puede ser el más capaz entre los estadounidenses con pesos abiertos, pero no es el mejor del conjunto global de pesos abiertos en programación de terminal.
Hay que tomar los resultados de cualquier prueba con cautela. Las cifras publicadas dependen del arnés utilizado, del número de intentos permitidos, del tiempo máximo por tarea y de la configuración de muestreo. Dos laboratorios pueden obtener resultados distintos con el mismo modelo si ajustan esos parámetros de forma diferente. Además, un marcador no sustituye la evaluación sobre el código y los procesos propios de cada organización, donde lo que cuenta es la tasa de aciertos en las tareas habituales del equipo.
Aun así, una diferencia de puntos entre dos modelos de este nivel se traduce, en el uso diario, en un puñado de tareas más resueltas a la primera. Para muchos equipos esa diferencia es secundaria frente a factores como el coste de servir el modelo, la facilidad de despliegue o las condiciones de la licencia.
La competencia china y el papel de Kimi K3
El hecho de que un modelo de Meta quede por detrás de rivales chinos en una prueba de programación ilustra un cambio de equilibrio. Durante buena parte de la década, los modelos abiertos de referencia procedían de Estados Unidos. En los últimos tiempos, varios laboratorios chinos han publicado pesos de gran tamaño con resultados muy competitivos y los han situado en las primeras posiciones de las tablas de agentes.
Kimi K3, de Moonshot AI, es uno de los ejemplos más visibles. Su publicación en abierto ha dado a los desarrolladores una alternativa potente para tareas de código y razonamiento largo, y la comparación con Muse Spark Open es inevitable. En nuestro análisis de Moonshot AI y la apertura de los pesos de Kimi K3 1 Pro en Hugging Face se detallan las características de ese lanzamiento, útil para situar el punto de partida del que Meta intenta ahora acercarse.
La rivalidad no es solo técnica. Para muchas empresas occidentales, adoptar un modelo de origen chino plantea dudas de cumplimiento, de gobernanza o de política corporativa, aunque los pesos sean públicos y se ejecuten en infraestructura propia. Un modelo estadounidense competitivo ofrece una opción más cómoda para esas organizaciones, incluso si rinde algo menos en una prueba concreta. Es un argumento comercial que Meta conoce bien y que explica el énfasis en la procedencia de su modelo.
La licencia: abierto, pero no del todo
El punto más discutido del lanzamiento es la licencia. Meta distribuye Muse Spark Open bajo condiciones propias, no con una licencia de código abierto reconocida por la Open Source Initiative. Varios análisis independientes coinciden en que el modelo debe describirse como de pesos abiertos, no como de código abierto en sentido estricto, porque la licencia añade condiciones que limitan ciertos usos.
Según esos análisis, las condiciones de una licencia no del todo abierta incluyen términos comerciales limitados, un requisito de atribución para los productos que incorporen el modelo y restricciones de uso en ámbitos como el militar o las infraestructuras críticas. Sin embargo, los detalles exactos no coinciden entre las distintas fuentes secundarias, y algunas cifras que circulan sobre umbrales comerciales no se han podido confirmar. Por prudencia, este artículo no las da por ciertas. El texto de referencia es el que acompaña a los pesos en el repositorio oficial, donde además se exige aceptar la licencia para acceder a la descarga.
La distinción entre abierto y de pesos abiertos no es un tecnicismo. Una licencia de código abierto garantiza libertades para usar, estudiar, modificar y redistribuir sin discriminación de campo de uso. Una licencia con restricciones puede ser perfectamente aceptable para la mayoría de las empresas, pero obliga a revisarla con el departamento legal, sobre todo cuando se piensa en ofrecer el modelo o derivados como parte de un servicio.
Para un desarrollador individual o una startup que quiera usar el modelo en un producto, la recomendación práctica es leer la licencia completa, comprobar si aplican condiciones de escala o de sector y documentar la decisión. Lo que hoy es irrelevante puede convertirse en un obstáculo si el producto crece, y es mejor descubrirlo antes de integrarlo en el núcleo del negocio.
Por qué Meta vuelve a abrir los pesos
Detrás de la publicación hay varias motivaciones plausibles, que conviene presentar como interpretaciones y no como hechos confirmados. La primera es la competencia por la atención de los desarrolladores. Los modelos abiertos se convierten en estándares de facto cuando muchos equipos los adoptan, y quien logra ese estatus influye en las herramientas, los formatos y las prácticas que se construyen a su alrededor.
La segunda es la presión del panorama geopolítico. Con laboratorios chinos dominando las tablas de pesos abiertos, hay un interés en que exista una alternativa estadounidense. Meta lo subraya al presentar el modelo como el más capaz de su categoría entre los estadounidenses, un mensaje dirigido tanto a usuarios como a responsables políticos.
La tercera es el ecosistema propio. Un modelo abierto bien integrado con Muse Code y con agentes externos puede atraer a una comunidad que contribuya con evaluaciones, optimizaciones de inferencia y variantes especializadas, a bajo coste para la empresa. Las compañías que han seguido esta vía han visto cómo la comunidad acelera el trabajo de cuantización, de servidores de inferencia y de ajuste fino.
Por último, existe el valor de reputación. Tras un periodo en el que la apertura de la compañía quedó en entredicho, publicar un modelo de gran tamaño con pesos descargables es una forma de reafirmar su relación con la comunidad técnica, aun con una licencia que no es plenamente abierta.
Casos de uso para equipos de desarrollo
Para los equipos de software, el interés de un modelo así se concentra en varios escenarios. El primero es la automatización de tareas repetitivas en repositorios grandes: migraciones de librerías, actualizaciones de interfaces, generación de pruebas y refactorizaciones que afectan a muchos ficheros. La ventana de un millón de tokens facilita que el agente vea el conjunto antes de tocar nada.
El segundo es la revisión de código y el análisis de incidentes. Un agente puede leer registros, trazas y el historial de cambios recientes, proponer una hipótesis y verificarla ejecutando pruebas. Cuando todo el proceso ocurre en infraestructura propia, se evita enviar fragmentos sensibles de código a servicios externos, algo decisivo en sectores regulados.
El tercero es el ajuste fino. Al disponer de los pesos, una organización puede adaptar el modelo a su base de código, a sus convenciones y a sus herramientas internas. El tamaño del modelo hace que ese proceso sea costoso, pero existen técnicas de adaptación parcial que reducen la carga, y la licencia determina qué se puede hacer con los resultados.
El cuarto es la investigación. Contar con pesos abiertos de un modelo de esta escala permite estudiar su comportamiento, medir sesgos, analizar fallos en tareas de agente y comparar métodos de inferencia, algo imposible con modelos accesibles únicamente mediante una interfaz remota.
Riesgos y límites que conviene tener presentes
Ningún modelo de este tipo está libre de problemas. Los agentes de larga duración pueden acumular errores: una decisión equivocada al principio de una sesión se propaga y se amplifica en los pasos siguientes. Cuanto más autonomía se concede, más importante es limitar los permisos, trabajar en entornos aislados y exigir revisión humana antes de fusionar cambios.
Existe también el riesgo de seguridad. Un agente con acceso a la terminal puede ejecutar órdenes destructivas o filtrar secretos si encuentra credenciales en el entorno. Las buenas prácticas incluyen contenedores desechables, credenciales con alcance mínimo, listas de órdenes permitidas y registro de todas las acciones. Que el modelo sea abierto no cambia estas precauciones; las hace más necesarias, porque la responsabilidad del despliegue recae en quien lo ejecuta.
A ello se suma la dificultad operativa. Servir un modelo con cientos de miles de millones de parámetros exige varias unidades de aceleración, conocimientos de paralelismo y un trabajo de ajuste del servidor de inferencia que no está al alcance de todos. Para muchos equipos, la vía realista será consumirlo a través de plataformas que ya lo alojen, aunque eso reduzca parte de la ventaja de la autonomía.
Finalmente, la afirmación de liderazgo de Meta sigue sin verificarse de forma independiente. Hasta que existan comparativas replicadas por terceros con distintos arneses y tareas, lo prudente es tratarla como una hipótesis razonable, respaldada por una puntuación sólida, pero no concluyente.
Un mapa más amplio: modelos de código que pueden ejecutarse bajo control propio
El lanzamiento de Meta se inscribe en un movimiento más amplio hacia modelos que las organizaciones pueden controlar. Otros actores han tomado direcciones distintas dentro de la misma lógica. Mistral, por ejemplo, ha apostado por ofrecer modelos grandes bajo condiciones que priorizan el control del usuario, una línea que analizamos en Mistral publica Large 4 y apuesta por la IA bajo control propio.
Mientras tanto, el extremo opuesto del espectro lo ocupan los modelos pequeños que se ejecutan en el equipo del propio desarrollador. Microsoft ha explorado esa vía con un modelo de código ligero integrado en su asistente, algo que se examina en Microsoft ejecuta MAI Code 1.1 Flash en local con GitHub Copilot. La comparación es útil: un modelo de 816.000 millones de parámetros y uno pensado para portátiles resuelven problemas diferentes, y es probable que muchos equipos acaben combinando ambos tipos según la tarea.
Esa convivencia dibuja un escenario en el que el desarrollador elige entre modelos locales pequeños para el autocompletado y las tareas rápidas, modelos grandes de pesos abiertos para trabajos largos de agente y servicios cerrados para los casos más exigentes. La pregunta ya no es qué modelo usar para todo, sino cómo encaminar cada tarea al modelo adecuado.
Lecciones de lanzamientos anteriores de pesos abiertos
La historia reciente de los modelos con pesos descargables deja varias enseñanzas que ayudan a leer este anuncio con perspectiva. La primera es que el entusiasmo inicial rara vez coincide con la realidad de las primeras semanas. Cuando se publica un modelo de gran tamaño, los servidores de inferencia tardan en soportar su arquitectura, las versiones cuantizadas aparecen de forma escalonada y los primeros resultados de la comunidad pueden reflejar errores de configuración más que limitaciones del modelo.
La segunda es que las licencias personalizadas suelen evolucionar. Varias compañías han suavizado o aclarado sus términos tras las reacciones de la comunidad, y otras los han endurecido cuando el modelo se volvió estratégico. Quien construya un producto sobre unos términos concretos debería guardar una copia de la versión vigente en el momento de la adopción y vigilar los cambios posteriores.
La tercera es que el valor de un modelo abierto se mide en gran parte por el ecosistema que genera. Los modelos que han logrado más influencia no fueron necesariamente los de mayor puntuación inicial, sino los que contaron con buena documentación, herramientas de ajuste accesibles y una comunidad activa que compartía recetas. Para Muse Spark Open, el desafío no consiste solo en rendir bien en las pruebas, sino en facilitar que otros lo usen sin fricción.
La cuarta es que el tamaño tiene un coste de adopción. Los modelos más pequeños se difunden con rapidez porque cualquiera puede probarlos en su equipo, mientras que los gigantes dependen de proveedores de infraestructura. Es posible que buena parte de la experiencia con este modelo llegue a través de plataformas alojadas, y que la comunidad lo destile en variantes menores para tareas más ligeras.
Impacto en el ecosistema de herramientas de programación
La disponibilidad de un modelo competitivo con pesos abiertos presiona a todo el mercado de asistentes de programación. Las herramientas que dependían de acuerdos exclusivos con un proveedor de modelos ven ahora una alternativa que puede ejecutarse bajo cualquier infraestructura. Eso favorece a los agentes abiertos y a los entornos que permiten cambiar de modelo con facilidad.
También afecta a los precios. Cuando existe una opción abierta de calidad cercana a la de los servicios cerrados, el margen para cobrar tarifas elevadas por inferencia se estrecha. Los proveedores de nube que alojan el modelo compiten entre sí por latencia y coste, lo que beneficia a los usuarios finales y empuja a los desarrolladores de modelos cerrados a justificar su prima con capacidades diferenciales.
Por último, repercute en la formación y la evaluación. Los equipos necesitarán métodos propios para decidir qué modelo se adapta a su trabajo: conjuntos de tareas internas, medición de tasas de éxito y análisis de coste por tarea resuelta. La dependencia de los marcadores públicos disminuirá a medida que las organizaciones construyan sus propias referencias, porque un resultado en una prueba general dice poco sobre el rendimiento en un monorepositorio concreto.
Situación actual
A fecha de hoy, los pesos de Muse Spark Open están disponibles desde el 15 de octubre de 2026, con acceso condicionado a la aceptación de la licencia de Meta. El modelo puede usarse con agentes de terceros como OpenCode, y la compañía mantiene la afirmación de que es el modelo de pesos abiertos estadounidense más capaz, una valoración propia que no ha sido confirmada de forma independiente.
En el plano de las pruebas, la puntuación de 76,4 en Terminal-Bench 2.1 lo coloca como un competidor serio, aunque por detrás de modelos chinos como Kimi K3. La comunidad sigue evaluando el modelo en tareas reales, y es previsible que en las próximas semanas aparezcan comparativas más detalladas, variantes cuantizadas y configuraciones de servicio optimizadas.
Sobre la licencia, el debate continúa. Las condiciones han sido descritas por distintos análisis como menos abiertas que las de una licencia de código abierto convencional, y los equipos que planean usos comerciales deben revisar el texto oficial. Queda por ver si Meta ajustará los términos en respuesta a las críticas o si mantendrá su enfoque actual.
Qué deberían hacer ahora los equipos técnicos
Para quien trabaja con estas herramientas, conviene actuar con método. Lo primero es leer la licencia y decidir si encaja con el uso previsto, especialmente si el modelo formará parte de un producto comercial. Lo segundo es definir un conjunto pequeño de tareas representativas del propio trabajo y comparar el modelo con las alternativas que ya se utilizan, midiendo aciertos, tiempo y coste.
Lo tercero es probarlo dentro del agente que el equipo ya emplea, en lugar de limitarse a la interfaz de demostración. La integración real revela problemas de formato, de gestión de herramientas y de longitud de contexto que las cifras no muestran. Lo cuarto es establecer límites de seguridad desde el principio: entornos aislados, permisos mínimos y revisión humana de los cambios.
Por último, resulta aconsejable no atarse a un único modelo. La velocidad con que cambian las tablas de resultados sugiere que la mejor opción de hoy no será la de dentro de seis meses. Diseñar los flujos para que el modelo sea intercambiable es la mejor protección frente a esa volatilidad.
Conclusiones
La publicación de los pesos de Muse Spark Open supone un movimiento relevante de Meta en el terreno de los modelos para programar y para agentes de larga duración. Sus 816.000 millones de parámetros totales, los 42.000 millones activos, el contexto de un millón de tokens y el entrenamiento conjunto con Muse Code configuran una propuesta técnicamente ambiciosa y pensada para el trabajo prolongado con herramientas.
Al mismo tiempo, el lanzamiento llega con matices que impiden leerlo como una victoria sin reservas. La afirmación de ser el modelo de pesos abiertos estadounidense más capaz procede de la propia compañía y no está verificada de forma independiente. La puntuación de 76,4 en Terminal-Bench 2.1 es buena, pero queda por detrás de modelos chinos como Kimi K3. Y la licencia, que según varios análisis no es plenamente abierta, exige una lectura cuidadosa antes de adoptar el modelo en un producto.
Para los desarrolladores, la lección es práctica: tener más modelos abiertos de calidad amplía las opciones y reduce la dependencia de un solo proveedor, pero no elimina la necesidad de evaluar, de leer las condiciones y de proteger los entornos donde actúan los agentes. Los próximos meses, con más pruebas independientes y más experiencia de uso real, dirán si Muse Spark Open se consolida como una referencia o si queda como un paso intermedio en una carrera que avanza muy deprisa.
