En resumen
- El modelo funciona con cerca de 816.000 millones de parámetros totales y unos 42.000 millones de parámetros activos por token.
- Admite entradas de texto, imágenes, audio y video, y genera texto como salida.
- La ventana de contexto alcanza hasta 1 millón de tokens.
- La versión BF16 ocupa aproximadamente 1,5 TB; la versión NVFP4 está preparada para GPU NVIDIA Blackwell.
El modelo multimodal de pesos abiertos Muse Spark Open de Meta se presentó el 15 de octubre de 2026 en el blog de Hugging Face. Según se indica, está entrenado para flujos de trabajo de programación y puede procesar entradas de texto, imágenes, audio y video para generar texto. El modelo tiene cerca de 816.000 millones de parámetros totales y, gracias a su arquitectura Mixture-of-Experts (MoE), activa alrededor de 42.000 millones de parámetros por token.
¿Qué entradas puede procesar Muse Spark Open?
El modelo puede utilizar distintos tipos de medios en un mismo sistema. Las imágenes y los fotogramas de video se transfieren al modelo de texto mediante un codificador de percepción, mientras que el audio se procesa con un codificador de audio independiente. El artículo de Hugging Face muestra ejemplos en los que el modelo lee capturas de pantalla, escucha notas de voz y examina grabaciones de pantalla. La salida del modelo se limita al texto.
De forma predeterminada, el video se muestrea a 2 fotogramas por segundo y se procesan hasta 96 fotogramas. Es posible aumentar la frecuencia de fotogramas, pero la fuente señala que esto puede elevar las necesidades de memoria y la latencia del preprocesamiento. Si la entrada de audio se procesa directamente, se espera audio mono con una frecuencia de muestreo de 24 kHz. La ventana de contexto del modelo puede alcanzar 1 millón de tokens, contando conjuntamente los tokens de texto y de medios.
Arquitectura MoE y requisitos de hardware
Cada capa MoE de Muse Spark Open cuenta con 256 expertos, de los cuales se seleccionan 8 para cada token. Este diseño mantiene en torno a 42.000 millones el número de parámetros activos durante el cálculo; sin embargo, todos los expertos deben estar disponibles en memoria. Por eso, la cantidad de parámetros activos no indica por sí sola cuánta memoria se necesita para ejecutar el modelo completo.
Según la información técnica compartida por Hugging Face, los archivos de pesos BF16 ocupan aproximadamente 1,5 TB en formato safetensors. Para ejecutar la versión BF16 con Transformers se especifican 4 nodos con 8 GPU H200, mientras que para la versión NVFP4 se indica un único nodo B200. NVFP4 se describe como un formato de 4 bits preparado para GPU NVIDIA Blackwell. El artículo también calcula que un contexto completo de 1 millón de tokens puede requerir alrededor de 266 GB de caché KV en BF16.
Opciones de programación y despliegue
El modelo se ha entrenado para flujos de trabajo de desarrollo como la refactorización de varios archivos y las sesiones prolongadas de depuración. También admite llamadas a herramientas y puede abordar tareas largas mediante planificación, ejecución, observación de resultados y autocorrección. Estas características indican que el foco principal del producto no es generar imágenes directamente, sino programar y utilizar herramientas a partir de entradas multimodales.
El artículo de Hugging Face describe los componentes MuseSparkForConditionalGeneration y MuseSparkProcessor en Transformers. Para configurar la ejecución distribuida se utiliza DistributedConfig. El artículo también incluye enlaces a instrucciones de ejecución para llama.cpp, vLLM y SGLang. El texto compartido no detalla los precios ni la licencia de uso; antes del despliegue, es necesario revisar por separado la licencia y los requisitos de hardware en el repositorio de pesos.
Efectos en los flujos de trabajo de arquitectura y visualización
Para arquitectos, diseñadores de interiores y equipos de visualización, una posible utilidad práctica del modelo es que puede examinar imágenes y grabaciones de video junto con texto. Por ejemplo, se podría probar la posibilidad de hacer preguntas sobre una captura de pantalla o una grabación de trabajo en procesos de diseño y evaluación técnica; sin embargo, la fuente no anuncia complementos para software de arquitectura ni una función específica de análisis de render. Por tanto, no se trata de una función existente, sino de un posible uso derivado de la compatibilidad con entradas multimodales.
El principal obstáculo es el hardware. Las configuraciones de ejecución descritas requieren sistemas con una capacidad de memoria muy alta, por lo que las oficinas que estén considerando el uso local del modelo no deberían fijarse únicamente en el número de parámetros activos por token. Es importante comprobar conjuntamente el formato de los pesos, la compatibilidad de las GPU, los requisitos de memoria y las condiciones de licencia.
Fuentes
1 fuenteNo republicamos los textos de las fuentes; las citas breves van marcadas y el resto es resumen y comentario propios.
El hecho de que Muse Spark Open pueda procesar texto, imágenes, audio y video dentro de un mismo contexto hace atractiva la idea de consultar distintos tipos de información de proyectos con un único modelo en las oficinas. Sin embargo, para los equipos de arquitectura y visualización, el factor más determinante del anuncio es el hardware necesario para acceder al modelo, antes que sus capacidades.
Las configuraciones H200 y B200 descritas no convierten la ejecución local en una opción sencilla para todos los estudios. Antes de tomar una decisión, las oficinas en Turquía deberían evaluar conjuntamente la memoria de la GPU, el formato de los pesos que utilizarán y las condiciones de licencia. Es más prudente considerar el modelo no como una herramienta de arquitectura ya integrada en el flujo de producción, sino como un modelo de programación de propósito general que requiere pruebas de hardware y de flujo de trabajo.
Preguntas frecuentes
¿Qué tipos de entrada admite Muse Spark Open?
Procesa entradas de texto, imágenes, audio y video. La salida del modelo se genera en forma de texto.
¿Qué tipo de hardware se necesita para ejecutar Muse Spark Open?
Según la información compartida, la versión BF16 se ejecuta en 4 nodos con 8 GPU H200, y la versión NVFP4, en un único nodo B200.
¿Cuál es el tamaño de la ventana de contexto de Muse Spark Open?
La ventana de contexto alcanza hasta 1 millón de tokens. En ese límite se cuentan conjuntamente los tokens de texto, imagen, video y audio.
