Muse Wonder llega a OpenCode: un agente de programación se enfrenta a un primer token de 30 segundos

Meta Muse Wonder pasó a estar disponible para seleccionarse dentro de OpenCode el 21 de octubre de 2026, nueve días después de que Meta Superintelligence Labs lanzara el modelo el 12 de octubre. Ese es el hecho que vale la pena reportar, y es un hecho más pequeño de lo que sugiere el titular: el modelo no se lanzó aquí, se añadió a un entorno de programación que ya contaba con una larga lista de modelos. Lo que hace interesante la incorporación es la colisión que plantea. Un agente de terminal es el lugar menos indulgente para ejecutar un modelo que Artificial Analysis mide en 30,35 segundos hasta el primer token, y Muse Wonder es exactamente ese modelo: 52 en el Intelligence Index independiente, 4,00 USD por millón de tokens de entrada y 20,00 USD por millón de salida, y una espera hasta el primer token de aproximadamente ocho veces la mediana del ranking. Si un agente de programación puede absorber esa espera es la pregunta de la que trata realmente este artículo. Cuando una cifra de primer token como esta cambia después de que un proveedor publique una corrección, el cambio se registra con su fecha y fuentes en el AI Incident Archive, junto al resto de los fallos de modelos y proveedores que rastreamos.

¿Qué cambió realmente el 21 de octubre?

OpenCode publica su lista de modelos en su documentación, y Muse Wonder ahora aparece allí bajo el identificador muse-wonder-1.0, con un precio de 4,00 USD de entrada, 20,00 USD de salida y 0,20 USD por lectura en caché por millón de tokens — la misma lista de precios que publica Meta, sin descuento alguno. El registro se sirve a través de un endpoint Responses compatible con OpenAI, lo que significa que una configuración existente de OpenCode no necesita un cliente a medida para acceder a él; solo necesita una cadena de modelo y una clave.

La salvedad honesta: el propio registro de cambios de OpenCode no nombra el modelo. Sus entradas más recientes de esa semana, la v2.1.0 del 20 de octubre y la v2.1.2 del 21 de octubre, describen la recuperación del límite gratuito, la visibilidad del modelo y cambios en el SDK. Por tanto, la disponibilidad se documenta en la lista de modelos en lugar de anunciarse como una característica destacada, que es la forma habitual en que llega el soporte del arnés y también la razón por la que un lector puede ver el modelo en un selector antes de ver una entrada de blog sobre él. No pudimos leer directamente la publicación en redes sociales del proveedor —devolvió un muro de pago—, así que la fecha aquí se basa en el listado y en la marca temporal de la propia publicación, no en una nota de prensa.

Nada del modelo en sí cambió el 21 de octubre. Sus pesos no se abrieron, su precio no se movió y no apareció ningún benchmark nuevo. Lo único nuevo es el alcance: un modelo que antes requería conectar a mano la API de Meta ahora es una sola línea de configuración dentro de una herramienta que mucha gente ya tiene abierta.

El número que decide si esto es agradable

Artificial Analysis somete a todos los modelos al mismo sistema de pruebas y, para una herramienta de programación agéntica, sus cifras de latencia importan más que su puntuación compuesta. Para Muse Wonder en su configuración máxima de razonamiento:

• Tiempo hasta el primer token: 30,35 segundos, frente a una mediana de la tabla de 3,96 segundos

• Velocidad de salida una vez que comienza — 145,1 tokens por segundo, 26.º de 185 modelos medidos y muy por encima de la mediana de 79,2

• Coste por tarea del Intelligence Index: unos 4,52 $, frente a una tarifa de lista combinada de 2,94 $ por millón de tokens

• Tokens de salida consumidos en la ejecución de indexación: alrededor de 130 millones, frente a una mediana de 85 millones

• Ventana de contexto — 1,048,576 tokens, con texto, imagen, voz y vídeo aceptados como entrada y texto devuelto

Esas dos cifras de latencia describen una forma específica de modelo: piensa durante mucho tiempo y luego escribe rápido. En una ventana de chat, eso es tolerable. En un bucle de agente que hace ocho llamadas a herramientas, la espera de 30 segundos se paga en cada turno, y una tarea de ocho turnos puede pasar cuatro minutos simplemente esperando el primer token de cada paso. Los 145 tokens por segundo son reales y son la razón por la que el modelo no se siente lento una vez que está hablando, pero no pueden recuperar el silencio antes de la primera palabra.

Eso no es un argumento en contra de usarlo. Es un argumento a favor de elegir los turnos correctos. La afirmación más sólida reportada por el proveedor sobre Muse Wonder es el trabajo profesional de horizonte largo: la propia tabla de Meta sitúa a Muse Wonder Full en 75,3 en JobBench, un benchmark agéntico de horizonte largo y el punto donde sus cifras más se distancian de las de su modelo hermano. Si tu sesión de OpenCode es una única refactorización difícil con un plan grande, la espera se amortiza a lo largo de una generación extensa. Si son cuarenta ediciones pequeñas, se paga cuarenta veces.

El repositorio que no es un lanzamiento

Los lectores que vayan a buscar los pesos encontrarán meta-01/muse-wonder en Hugging Face y podrían concluir razonablemente que ocurrió algo abierto. No fue así. El repositorio contiene un archivo .gitattributes y nada más: ni tarjeta de modelo, ni config.json, ni fragmentos de safetensors, ni archivo de licencia. Las descargas no se registran, y la página indica que ningún proveedor de inferencia de esa plataforma despliega el modelo. Leído sin más, ese repositorio es una reserva de nombre — un marcador de posición que contiene una cadena, no un checkpoint.

Así que la afirmación correcta sobre la apertura de Muse Wonder es: de código propietario, solo API, con un repositorio vacío que ocupa el nombre. Cualquiera que lo describa como de pesos abiertos, descargable o afinable está describiendo otro modelo. La misma precaución se aplica a la estructura de dos checkpoints: muse-wonder-1.0 es el modelo invocable, y muse-wonder-full-1.0 es la configuración con mayor puntuación que Meta vende mediante su suscripción Muse Code en lugar de por token. OpenCode lista el primero.

Dónde encaja OrcaRouter y dónde no

No ofrecemos Muse Wonder. No existe meta/muse-wonder en el catálogo de modelos de OrcaRouter, y ninguna disponibilidad adyacente de Meta cambia eso: los checkpoints de Meta que sí ofrecemos son meta/muse-spark-1.2 con $1.25 de entrada y $4.25 de salida por millón de tokens, y su predecesor 1.1, ambos con una ventana de 1,048,576 tokens. Decirlo sin rodeos importa más de lo habitual, porque un modelo al que solo se puede acceder mediante dos proveedores es exactamente el caso en el que la respuesta honesta de un router es «este todavía no» en lugar de un silencio sugerente.

Lo que la capa de enrutamiento realmente aporta aquí es el experimento. Un modelo de diez días de antigüedad, con un primer token de 30 segundos y solo una evaluación independiente a sus espaldas, no es algo a lo que se le confíe una ruta de producción por pura fe. Dirige una porción del tráfico hacia él desde la misma clave que llega a los modelos en los que ya confías, mantén el resto del tráfico donde está y deja que la conmutación automática por error capture los tiempos de espera mientras averiguas si el comportamiento a largo plazo merece la espera. Es una forma más económica de responder a la pregunta que migrar un flujo de trabajo y esperar que salga bien.

La otra mitad del argumento de enrutamiento es aritmética. Porque nosotros trasladamos los precios de lista de los proveedores sin ningún recargo, una bajada de precio de un proveedor se refleja en nuestro lado el mismo día, y un modelo que no alojamos simplemente no aparece — el catálogo es una declaración sobre lo que es accesible, no una lista de deseos. Cuando Muse Wonder llegue aquí, el precio que veas será el precio de Meta.

¿Qué haría que esto fuera una historia más grande?

Tres cosas, cada una verificable en una sola carga de página. Una entrada de Muse Wonder en el registro de cambios de OpenCode, en lugar de solo en su lista de modelos, significaría que la integración se trata como una función y no como una fila de catálogo. Que un segundo evaluador independiente publique una cifra de horizonte largo consolidaría la única afirmación que actualmente depende por completo de la tabla de Meta. Y cualquier movimiento en el repositorio de Hugging Face —una tarjeta de modelo, una licencia, un único archivo safetensors— cambiaría la cuestión de la apertura, que hoy tiene una respuesta de una sola palabra.

Hasta entonces, la lectura correcta del 21 de octubre es limitada y útil: un modelo de frontera se volvió más fácil de probar en la herramienta donde la mayoría de la gente lo probaría, y lo que decidirá si se queda configurado no es su puntuación en el índice, sino si 30 segundos de silencio por turno es un precio que el trabajo puede pagar.