Meta: Muse Spark Open

meta/muse-spark-open

Nuestro análisis

Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.

El catálogo de OpenRouter describe Muse Spark Open de Meta (meta/muse-spark-open) como un modelo de pesos abiertos ajustado para programación agéntica, con supuestas fortalezas en precisión al primer intento, llamada de herramientas y comprensión de bases de código. Acepta entradas de texto, imagen, archivo, audio y video, devuelve solo texto, ofrece una ventana de contexto de aproximadamente un millón de tokens y exige razonamiento con esfuerzo ajustable. Sus resultados en las arenas del catálogo parecen intermedios y algunos campos de evaluación están vacíos. Solo se aportaron datos de OpenRouter; no había una ficha de modelo independiente en este paquete.[1]

Puntos fuertes

Según el catálogo: un modelo de pesos abiertos entrenado para flujos de programación agéntica, que afirma mayor precisión al primer intento, llamada de herramientas fiable y comprensión profunda del código.[1]
Acepta entradas de texto, imagen, archivo, audio y video con salida de texto y una ventana de contexto de cerca de un millón de tokens.[1]
El esfuerzo de razonamiento se puede ajustar en cuatro niveles, y el endpoint anuncia parámetros de llamada de herramientas y salidas estructuradas.[1]

Limitaciones

Toda la evidencia proviene del catálogo de OpenRouter; este paquete no incluía una ficha de modelo independiente, por lo que las capacidades y los resultados declarados deben validarse con cargas de trabajo reales.[1]
El razonamiento es obligatorio y no se puede desactivar, lo que puede importar en aplicaciones sensibles a la latencia o al costo.[1]
La cobertura de evaluación es incompleta: el catálogo no muestra valores de los índices de programación ni agénticos, y sus resultados en Design Arena parecen dispares entre categorías.[1]

Dónde utilizarlo

Conviene evaluarlo para asistentes de programación agéntica que necesiten contexto amplio de repositorios y uso de herramientas.[1]
Candidato para flujos que alimentan capturas de pantalla, archivos u otras entradas multimodales a un asistente que produce texto.[1]
Potencialmente adecuado donde se requieran esfuerzo de razonamiento ajustable y salidas estructuradas; confirmar la idoneidad con pruebas de carga reales.[1]

Fuentes

[1] OpenRouter catalog · Meta: Muse Spark OpenFuentes consultadas: 13 nov 2026

Sobre este modelo

La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.

Muse Spark Open is a coding-optimized open-weight model. Trained specifically for agentic coding workflows, it delivers higher first-attempt accuracy, reliable tool calling, and deep codebase understanding across the repos developers...

Especificaciones

ID del modelo: meta/muse-spark-open
ID canónico: meta/muse-spark-open-20261015
Creador: meta
Añadido a OpenRouter: 15.10.2026
Longitud de contexto: 1,048,576
Modalidad: text+image+file+audio+video->text
Modalidades de entrada: text, image, video, file, audio
Modalidades de salida: text
Precio por token: USD por 1M de tokens: entrada $1.25 / salida $4.25
Corte de conocimiento: —
Fecha de expiración: —

Tareas y capacidades

Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.

Tarea	Nota	Capacidad declarada por la fuente
Calidad general	BB — siguiente 30% de la cohorte	razonamiento: obligatorio · predeterminado medium · esfuerzos: xhigh, high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort
Programación	Sin medición	—
Agentes	Sin medición	parámetros: structured_outputs, tool_choice, tools
Escritura	Sin medición	salida: text
Razonamiento	Sin medición	razonamiento: obligatorio · predeterminado medium · esfuerzos: xhigh, high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort
Análisis de documentos	Sin medición	entrada: file
Visión	Sin medición	entrada: image
Generación de imágenes	Sin medición	—
Audio	Sin medición	entrada: audio
Vídeo	Sin medición	entrada: video
Embeddings	Sin medición	—

Evaluaciones

Fuente	Benchmark	Valor	Nota	Datos obtenidos
Artificial Analysis	Intelligence index	24.9	BB — siguiente 30% de la cohorte	13.11.2026
Design Arena	models · 3dtasa de victoria 46.4% · posición 27	1,259Elo	AA — siguiente 20% de la cohorte	13.11.2026
Design Arena	models · codecategoriestasa de victoria 51.5% · posición 15	1,303Elo	AA — siguiente 20% de la cohorte	13.11.2026
Design Arena	models · gamedevtasa de victoria 47.8% · posición 29	1,263Elo	AA — siguiente 20% de la cohorte	13.11.2026
Design Arena	models · uicomponenttasa de victoria 51.6% · posición 15	1,314Elo	AA — siguiente 20% de la cohorte	13.11.2026
Design Arena	models · websitetasa de victoria 51.7% · posición 12	1,307Elo	SS — 10% superior de la cohorte	13.11.2026

Cómo funcionan las notas

Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.

S — S — 10% superior de la cohorte
A — A — siguiente 20% de la cohorte
B — B — siguiente 30% de la cohorte
C — C — por debajo de la franja B

Proveedores

Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.

Proveedor	Longitud de contexto	Precio entrada /1M	Precio salida /1M	Latencia p50 (30m, s)	Rendimiento p50 (30m, tok/s)	Disponibilidad (30m)
Modal	1,000,000	$1.25	$4.25	—	—	100%
Together	1,048,576	$1.25	$4.25	—	—	100%
Nebiusfp4	1,048,576	$1.25	$4.25	—	—	100%
BaseTenfp4	1,048,576	$1.25	$4.25	—	—	100%

Datos de proveedores obtenidos: 13.11.2026

Ningún artículo publicado identifica aún este modelo.