Meta ha abierto los pesos de Muse Glimmer, un modelo denso de 30.000 millones de parámetros que cabe en una GPU de consumo y está entrenado para funcionar como agente. Sale bajo licencia Apache 2.0 en Hugging Face, y Mark Zuckerberg ha anunciado que también abrirá los pesos de Muse Spark 1.2, su modelo fundacional más reciente.
Puntos clave
- 30.000 millones de parámetros, arquitectura densa, entradas de texto e imagen, más de 100 idiomas de entrenamiento.
- Sin cuantizar pide más de 55 GB de memoria. Con cuantización a unos 4 bits baja de 20 GB.
- En ese presupuesto de 24 o 32 GB de VRAM caben a la vez el modelo, la KV cache, el encoder de percepción y el borrador de decodificación especulativa. Es decir, corre entero en un PC o un Mac.
- Con DFlash, la técnica de decodificación especulativa que incorpora, Meta mide aceleraciones de 3,1 veces en una RTX 5090, 1,8 en un M5 Max y 1,5 en un M4 Max.
Un modelo pequeño entrenado para hacer, no para conversar
El detalle que separa a Glimmer de la tanda anterior de modelos abiertos pequeños está en el entrenamiento. Meta lo ha entrenado con destilación de logits desde un modelo mayor, con datos agénticos de contexto largo y con aprendizaje por refuerzo.
Traducido: lo han entrenado sobre tareas de varios pasos con herramientas, no sobre conversaciones. Las capacidades que Meta destaca son completar tareas de principio a fin, llamar a funciones con precisión, razonar en varios pasos y recuperarse de fallos, reintentando por su cuenta las llamadas a herramientas que fallan.
Esa última es la que más se nota en producción. Un modelo pequeño que se atasca cuando una API devuelve un error obliga a montar toda la lógica de reintentos alrededor. Que lo lleve dentro cambia bastante el coste de construir sobre él.
Meta lo compara con Gemma4-31B de Google y Qwen3.6-27B de Alibaba en tareas agénticas, programación, multimodal, seguridad y razonamiento. También lo ha hecho compatible con OpenClaw y con los patrones de orquestación habituales, cosa que hoy tiene su punto irónico: OpenClaw es justo el framework del agente que esta semana ha hackeado la web de un gimnasio en Melbourne.
La comparación elegida también dice algo. Gemma4-31B y Qwen3.6-27B son los dos modelos que hoy ocupan ese hueco de tamaño en el abierto, uno de Google y otro de Alibaba. Meta no se compara con modelos de frontera porque no juega ahí: juega en la categoría de lo que cabe en una máquina que tienes.
La decodificación especulativa es la pieza que lo hace usable
DFlash merece un párrafo propio porque es lo que separa un modelo que técnicamente corre en tu portátil de uno que puedes usar de verdad. La decodificación especulativa consiste en poner un modelo pequeño y rápido a proponer varias palabras por adelantado y que el modelo grande solo las valide, en lugar de generarlas una a una.
Cuando la propuesta acierta, te ahorras el trabajo pesado. Las cifras que da Meta son 3,1 veces más rápido en una RTX 5090, 1,8 en un M5 Max y 1,5 en un M4 Max. Esa diferencia es la que decide si un proceso por lotes de mil documentos tarda una hora o tres, y es también la razón por la que la aceleración es mayor en la GPU dedicada que en los chips de Apple.
Meta vuelve al abierto, y esta vez con la frontera
El anuncio lo firma Meta Superintelligence Labs, la unidad que dirige Alexandr Wang como Chief AI Officer. Y llega después de un año en el que Meta se había replegado del abierto mientras los laboratorios chinos ocupaban ese hueco.
La parte que más pesa no es Glimmer, es la promesa sobre Muse Spark 1.2. Un modelo de 30.000 millones para portátiles es útil; abrir los pesos de un modelo fundacional de frontera es otra liga. Ningún laboratorio occidental grande lo está haciendo hoy con su modelo puntero.
Conviene tomar la segunda parte como lo que es: un anuncio con fecha por concretar. Muse Spark 1.2 no está publicado. Y la familia viene de un verano complicado: hace cuatro días Meta admitió que Muse Spark 1.1 hackeó a una empresa externa durante unas pruebas irregulares.
El movimiento encaja con la estrategia que Zuckerberg viene defendiendo en público desde hace meses, la de que la superinteligencia acabe en manos de todo el mundo en lugar de concentrada en tres empresas. Es una posición que le conviene: Meta no vende acceso a modelos, vende publicidad. Regalar los pesos le erosiona el margen a OpenAI y a Anthropic sin tocar el suyo, y de paso le trae desarrolladores construyendo sobre su ecosistema. Estrategia y principios apuntando al mismo sitio, que es cuando las decisiones se sostienen en el tiempo.
Para el mercado de modelos abiertos, la noticia mueve el centro de gravedad. Durante el último año, quien liberaba los pesos punteros eran los laboratorios chinos: Alibaba con Qwen, Moonshot con Kimi K3, DeepSeek. Que un laboratorio estadounidense grande vuelva a la partida cambia la conversación que están teniendo ahora mismo los departamentos de compras europeos, donde meter un modelo chino en producción abre una discusión de cumplimiento normativo que un modelo con licencia Apache de Meta no abre.
Qué cambia tener esto en local
Un modelo de este tamaño en tu máquina resuelve tres cosas que la API no resuelve. Los datos no salen de tu equipo, lo cual quita de en medio buena parte de la conversación sobre confidencialidad con documentos de clientes o de proveedores. El coste marginal por tarea es cero una vez tienes el hardware. Y funciona sin conexión.
A cambio pierdes capacidad. Un modelo de 30.000 millones cuantizado no razona como un modelo de frontera, y quien espere sustituir Claude o GPT en tareas complejas se va a llevar un chasco. El encaje real es otro: tareas repetitivas, acotadas y de alto volumen, donde la calidad necesaria es media y lo que importa es el coste por ejecución.
Por qué importa
Aquí hay una decisión de arquitectura concreta para una empresa mediana. Clasificar 4.000 correos al mes, extraer campos de facturas, etiquetar tickets de soporte o normalizar nombres de producto no necesita un modelo de frontera. Necesita un modelo decente corriendo barato.
La cuenta es sencilla de hacer y casi nadie la hace: coge tu factura de API del último trimestre, separa qué parte se va en tareas mecánicas de alto volumen y compárala con lo que cuesta un equipo con 32 GB de VRAM. Si la respuesta sale a favor del local, el modelo híbrido (lo mecánico en casa, lo difícil en la API) es hoy más fácil de montar que hace seis meses. Y con la licencia Apache 2.0 no hay letra pequeña sobre uso comercial.
Relacionado
