Muse Spark 1.1: Meta entra en codificación IA con precio barato y cero benchmarks independientes

El lanzamiento más ruidoso sin datos externos de 2026

El 9 de julio de 2026, Meta lanzó Muse Spark 1.1 con toda la artillería mediática. Zuckerberg publicó en X por primera vez en tres años para celebrarlo. Alexandr Wang, director de IA de la compañía, fue a CNBC a decir que el modelo supera a Gemini en agentes y codificación. La API en preview abrió solo para desarrolladores en EE.UU. con 20 dólares de crédito gratuito por cuenta nueva.

El precio: 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida. Según Wang, por debajo de los modelos insignia de Google y OpenAI.

Hasta aquí, todo suena bien. El problema es lo que no hay: ningún paper, ningún leaderboard externo, ningún test reproducible que confirme una sola de esas afirmaciones. Solo el fabricante diciéndote que su modelo es el mejor. En cualquier otro sector eso se llama anuncio publicitario.

Qué es Muse Spark 1.1 y qué promete Meta

Según la información de Meta recogida por The Verge, Muse Spark 1.1 es un modelo multimodal diseñado para codificación agente: entiende imágenes, vídeos y documentos de forma nativa, puede gestionar flujos de trabajo agénticos de extremo a extremo (incluyendo sistemas multiagente) y está construido para razonamiento en múltiples pasos. El modo Thinking está disponible ya en la app y web de Meta AI.

TechCrunch detalla que el modelo puede manejar procesos complejos, flujos de trabajo digitales y despliegue de nuevas funcionalidades en sistemas empresariales. Meta lo describe como un "cambio radical" respecto a la primera generación, con mejoras en detección y corrección de bugs complejos.

Lo que no existe en ninguna de estas fuentes es una ficha técnica pública: arquitectura del modelo, datos de entrenamiento, tamaño de ventana de contexto, latencia bajo carga real o resultados en benchmarks estándar como SWE-bench, HumanEval o el índice de agentes de codificación de Artificial Analysis. Meta no ha publicado nada de eso. Solo afirmaciones de rendimiento relativo hechas por sus propios directivos a medios seleccionados.

"Meta afirma que Muse Spark 1.1 supera a Gemini en agentes y codificación. La fuente de esa afirmación es el director de IA de Meta, hablando con CNBC. Eso no es un benchmark; es marketing con traje de noticia."

El precio: lo único que sí se puede verificar

La parte concreta del anuncio es el precio. Y aquí Meta sí tiene algo real.

1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de salida es barato en el contexto actual. Para comparar: ese mismo día, OpenAI lanzó GPT-5.6 en tres variantes (Sol, Terra y Luna) con precios que van desde 1 dólar (Luna, entrada) hasta 30 dólares (Sol, salida) por millón de tokens. Sol, la variante más potente, cuesta 5 dólares de entrada y 30 de salida.

El CEO de Cline, startup de codificación IA, lo dijo en el propio sitio web de Meta: ese precio permite ejecutar tareas pesadas de codificación a escala, tareas que con los precios habituales de los modelos frontier se comen el presupuesto antes de que el sprint acabe.

Eso es cierto. Para equipos que ya trabajan con presupuestos ajustados en IA (y los hay: hay empresas que limitan a sus ingenieros entre 500 y 5.000 dólares semanales en uso de IA) el precio es un argumento real. Si el modelo rinde suficiente, el coste decide. El "suficiente" es exactamente lo que nadie ha medido de forma independiente.

El contexto que Meta prefiere que no leas

Que Muse Spark 1.1 llegue con precio bajo no es un accidente estratégico. Es la señal más clara de dónde está Meta en esta carrera.

El analista Joe Tigay de Equity Armor Investments lo explicó sin eufemismos a Business Insider: si tu argumento de venta es el precio y no el rendimiento, es porque no ganas en rendimiento. Compites por precio cuando no puedes competir por superioridad técnica.

TechCrunch lo confirma de forma más diplomática pero igualmente directa: Meta llega a un mercado donde Anthropic y OpenAI llevan meses con modelos de codificación agente consolidados. No entra como líder; entra como retador tardío que necesita un gancho.

El propio Zuckerberg le reconoció a sus empleados hace poco que los agentes de IA van más lentos de lo que prometían las keynotes. Esa brecha entre promesa y realidad no se cierra con un lanzamiento, por bien que suene en un comunicado.

Además, Meta está trabajando en un modelo llamado "Watermelon" (nombre en clave) que según Wang ha alcanzado a una de las últimas versiones de ChatGPT y emplea un orden de magnitud más de potencia de cómputo que el modelo anterior. Que ese sea el próximo titular sugiere que Muse Spark 1.1 ya nace con fecha de caducidad interna. El modelo que Meta considera su apuesta de verdad no es este.

El día del lanzamiento: Meta vs. OpenAI en la misma jornada

El timing no fue casual. El mismo 9 de julio, OpenAI lanzó GPT-5.6 con tres variantes de precio y propósito: Sol ($5/$30 por millón de tokens entrada/salida), Terra ($2.50/$15) y Luna ($1/$6). Sam Altman afirmó que Sol es 54% más eficiente en tokens para tareas de codificación, y OpenAI dice que supera a Anthropic Fable 5 en el índice de agentes de codificación de Artificial Analysis.

Nótese la diferencia: OpenAI cita un índice externo (Artificial Analysis) como respaldo. Meta cita a sus propios directivos.

Eso no convierte automáticamente a GPT-5.6 en mejor modelo. Los benchmarks tienen sus propias trampas (miden lo que miden, no lo que pasa en producción) y las afirmaciones de OpenAI también deben leerse con escepticismo. Pero hay una diferencia cualitativa entre "nuestro modelo supera al competidor según un índice que cualquiera puede consultar" y "nuestro modelo supera al competidor porque nuestro director de IA lo dijo en televisión".

La bifurcación del mercado que explica por qué el precio importa tanto

Para entender por qué el precio de Muse Spark 1.1 puede ser relevante incluso sin benchmarks sólidos, hay que ver qué está pasando en el mercado más amplio.

Un análisis basado en datos de Vercel y OpenRouter muestra que el mercado de modelos de IA se está bifurcando en dos lógicas distintas: modelos baratos (como los open source de DeepSeek) lideran en volumen de tokens (representan un tercio de las solicitudes en Vercel), mientras que modelos de mayor coste como los de Anthropic concentran más de la mitad del gasto total en la plataforma.

La lectura es esta: los equipos emplean modelos baratos para explorar, iterar y hacer volumen. Emplean modelos caros para las tareas que no pueden fallar. La apuesta de Meta con Muse Spark 1.1 es entrar en el primer segmento (el del volumen) con la esperanza de que el modelo sea suficientemente bueno para que los equipos no necesiten subir al segundo.

Es una estrategia coherente. Si consigues que un equipo de desarrollo emplee tu modelo para el 80% de sus tareas de codificación por ser barato y aceptable, has capturado ese presupuesto aunque Anthropic o OpenAI sigan ganando en el 20% crítico. El problema es que para que esa estrategia funcione, el modelo tiene que rendir en condiciones reales (no en demos controladas), y eso sigue sin estar demostrado.

El elefante en la sala: 145.000 millones de capex

Meta ha elevado su previsión de gasto de capital para 2026 a entre 125.000 y 145.000 millones de dólares. Es una cifra que necesita contexto para aterrizar: el PIB de Croacia en 2024 fue de unos 80.000 millones.

El 98% de los ingresos de Meta sigue siendo publicidad. Eso significa que toda esta apuesta en IA (infraestructura, modelos, talento) se financia con lo que las marcas pagan para que veas anuncios en Instagram y Facebook.

El analista Nick Jones de BNP Paribas lo ve con optimismo: Meta está bien posicionada para generar ingresos suficientes a través de monetización propia, ganancias en publicidad, suscripciones y una posible oferta en la nube. En teoría, Muse Spark 1.1 no solo es un producto; es el gancho para que empresas empiecen a pagar por acceso a la infraestructura de Meta, igual que pagan por AWS o Azure.

Tigay ve lo mismo desde el otro ángulo: ese nivel de capex con un modelo que compite por precio, no por rendimiento, es una apuesta con mucho riesgo. Si Muse Spark 1.1 no consigue tracción real en el mercado de desarrolladores antes de que "Watermelon" esté listo, Meta habrá gastado una fortuna en un lanzamiento que nadie recuerda.

Lo que no sabemos y debería importarte más que el anuncio

La lista de lo que falta es más larga que la de lo que hay:

Arquitectura del modelo: ni tamaño de parámetros, ni si es MoE, ni ventana de contexto confirmada.
Benchmarks estándar: ningún resultado en SWE-bench, HumanEval, MMLU ni el índice de Artificial Analysis que OpenAI sí citó el mismo día.
Disponibilidad fuera de EE.UU.: la API sigue en preview solo para desarrolladores estadounidenses. Sin fecha para el resto.
Latencia bajo carga real: ningún dato sobre tiempos de respuesta cuando hay carga simultánea, que es lo que importa en producción.
Descuentos por volumen: el precio de 1,25$/4,25$ es el precio de catálogo; los contratos reales con empresas funcionan diferente.
Datos de entrenamiento: qué código empleó Meta para entrenar el modelo afecta directamente a qué tipo de tareas domina y en cuáles falla.
Comparación de precios detallada: Wang dijo a CNBC que el precio está por debajo de los modelos insignia de Google y OpenAI, pero sin especificar qué modelos concretos se comparan. La afirmación es verificable en parte (los precios de GPT-5.6 Sol son más caros), pero la comparación completa del mercado no está hecha.

Cada uno de esos puntos ciegos es un lugar donde el modelo podría fallar en producción sin que el anuncio del 9 de julio te lo hubiera advertido.

Preguntas frecuentes

¿Cuánto cuesta usar Muse Spark 1.1 en producción?

La API en preview tiene un precio de 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida. Las cuentas nuevas reciben 20 dólares en créditos gratuitos. La disponibilidad está limitada a desarrolladores en EE.UU. sin fecha confirmada de apertura global.

¿Muse Spark 1.1 es mejor que GPT-5.6 o Claude para codificación?

No hay datos independientes que lo confirmen ni lo desmientan. Meta afirma superioridad en agentes y codificación basándose en declaraciones de sus propios directivos. OpenAI cita Artificial Analysis para GPT-5.6. Sin benchmarks externos reproducibles sobre Muse Spark 1.1, cualquier comparación es prematura.

¿Por qué Meta lanzó Muse Spark 1.1 con un precio tan bajo?

El precio competitivo responde a la posición de Meta en el mercado: llega después de que Anthropic y OpenAI lleven meses con modelos de codificación agente consolidados. Competir por precio es la estrategia habitual de quien entra tarde y necesita capturar cuota antes de poder competir por rendimiento.

¿Qué es el modelo "Watermelon" de Meta?

Es el nombre en clave del próximo modelo de IA de Meta. Según el director de IA Alexandr Wang, ha alcanzado el rendimiento de una de las últimas versiones de ChatGPT y emplea un orden de magnitud más de potencia de cómputo que el modelo anterior. No hay fecha de lanzamiento ni confirmación de si será open source o propietario.