Muse Glimmer vs DeepSeek V4 Pro: Los dos extremos de los open weights

En algún lugar de la letra pequeña del lanzamiento de DeepSeek V4 Pro hay un número que debería preocupar a cualquiera que piense que «pesos abiertos baratos» y «excelente en codificación agéntica» son lo mismo. En DeepSWE, un benchmark libre de contaminación diseñado para resistir la manipulación de datos de entrenamiento que aqueja a las evaluaciones de ingeniería de software, DeepSeek V4 Pro — el buque insignia de Mezcla de Expertos con 1,6 billones de parámetros lanzado el 24 de abril de 2026 bajo licencia MIT — obtuvo un 8 por ciento. GPT-5.5 obtuvo 70 en la misma prueba; Claude Opus 4.7 obtuvo 54. Es el dato independiente más dañino asociado a la historia de modelo barato más exitosa de la industria, y es relevante para este duelo porque Muse Glimmer, el modelo agente de pesos abiertos de 30B de Meta lanzado el 10 de agosto de 2026 bajo Apache 2.0, es un modelo de pesos abiertos cuyo encargo de diseño se centra por entero en el trabajo agéntico de horizonte prolongado que DeepSWE mide — y cuyas únicas puntuaciones hasta ahora fueron ejecutadas por la empresa que lo creó.

Así que esta es una comparación de dos modelos en extremos opuestos del espectro de pesos abiertos, en más aspectos que el tamaño. Uno es un MoE de centro de datos que alquilas por unos centavos. El otro es una descarga de escritorio que no cuesta nada más que la GPU. Uno tiene un historial independiente que incluye un resultado agéntico catastrófico. El otro no tiene ningún historial independiente en absoluto. Este artículo pone a ambos en su lugar y deja que la brecha entre lo "informado por el proveedor" y lo "demostrado de forma independiente" hable por sí sola.

El número que debería preocuparte

DeepSWE merece entenderse antes de cualquiera de las cifras principales, porque es la prueba que no recompensa lo que se puede memorizar. Fue diseñada para evitar la contaminación —la práctica de evaluar con datos que el modelo ya vio en el entrenamiento— y ejecuta tareas largas y reales de ingeniería de software que requieren una ejecución sostenida en varios pasos, no el reconocimiento de patrones. El 8 por ciento de DeepSeek V4 Pro allí no es una opinión; es el resultado medido de una evaluación independiente, y es un panorama completamente distinto del que pinta la propia tabla del proveedor, donde el mismo modelo alcanza 80.6 en SWE-bench Verified, 93.5 en LiveCodeBench y un rating de Codeforces de 3,206 que supera los 3,168 de GPT-5. La brecha entre esos dos panoramas es toda la historia de por qué "pesos abiertos, tokens baratos" y "bueno para codificación agéntica" deben verificarse por separado.

Muse Glimmer no tiene puntuación en DeepSWE. No tiene puntuación independiente alguna — se lanzó esta mañana, y toda su tabla de benchmarks es de Meta, ejecutada por Meta contra configuraciones rivales que admitió no haber ajustado. La etiqueta honesta para cada cifra de Glimmer en este artículo es la de 'reportado por el proveedor'. Pero el diseño del modelo apunta exactamente al modo de fallo que DeepSWE expone: recuperación autónoma de fallos, planes de múltiples pasos y uso de herramientas a largo plazo. Si ese diseño sobrevive al contacto con una prueba independiente es la pregunta abierta de este enfrentamiento, y nadie puede responderla todavía.

Dos extremos de pesos abiertos

Empecemos por lo que significa «abierto» en cada caso, porque no es lo mismo. DeepSeek V4 Pro es un MoE de 1,6 billones de parámetros en total, con unos 49 mil millones activos por token, una ventana de contexto de 1 millón de tokens, hasta 384 mil tokens de salida y entrada solo de texto, sin visión. Sus pesos, con licencia MIT, se pueden tomar gratis, pero autoalojarlo es un proyecto de centro de datos: el checkpoint BF16 es del orden de terabytes, así que en la práctica DeepSeek V4 Pro es algo que alquilas, en la API de DeepSeek o en la de un tercero. Muse Glimmer es un modelo denso y multimodal de 30 mil millones de parámetros —texto e imagen mediante un codificador perceptivo— bajo Apache 2.0, cuyo checkpoint de cuatro bits, junto con su drafter DFlash, cabe en unos 19,5 GB. Uno es un modelo de pesos abiertos que despliegas; el otro es un modelo de pesos abiertos que descargas y ejecutas en una sola tarjeta de 24 GB o 32 GB, o en un Mac de gama alta de la serie M. Ambos son genuinamente pesos abiertos. No comparten casi nada más sobre cómo los vas a usar.

La personalidad dividida del gigante

La fortaleza de DeepSeek V4 Pro es el benchmark aislado. Matemáticas y conocimiento: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Codificación en entornos controlados: SWE-bench Verified 80.6, LiveCodeBench 93.5. Su capacidad de aguja en el pajar en contexto largo también es fuerte — 83.5 en MRCR con 1M de tokens, por delante de Gemini 3.1 Pro en esa prueba. Pero en las filas que miden la ejecución agéntica sostenida, el panorama se fractura. Terminal-Bench 2.0 llega a 67.9, el uso de herramientas en Toolathlon 51.8, y los rankings independientes de agregadores colocan la versión estándar en el medio del grupo en las categorías de agéntica y codificación, incluso mientras las cifras de razonamiento se mantienen cerca de la cima. El resultado de 8 por ciento en DeepSWE es la fractura llevada a su extremo.

La tabla reportada por el proveedor de Muse Glimmer apunta en la otra dirección: sus filas más fuertes son las agénticas. MCP-Atlas 75.5, DeepSearch QA 74.6, GAIA2 43.3, SWE-bench Verified 76.0, SWE-bench Pro 51.2, Terminal-Bench 2.1 51.7. Frente a las cifras de DeepSeek para codificador verificado — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer pierde casi todas las filas que le importan a una tabla de benchmarks. Los modelos son buenos en diferentes tipos de cosas, y el tipo de cosa en la que Glimmer afirma ser buena es precisamente el tipo de cosa que el registro independiente de DeepSeek dice que el enfoque del gigante barato se equivoca.

Lo que cuesta cada uno, honestamente

El precio de lista publicado de DeepSeek V4 Pro es de 1,74 $ por millón de tokens de entrada y 3,48 $ por millón de salida, con la entrada con acierto de caché en torno a 0,145 $. El descuento permanente de DeepSeek —inicialmente presentado como promocional y luego mantenido— sitúa la tarifa efectiva en unos 0,44 $ de entrada y 0,87 $ de salida, lo bastante barato como para que la línea del precio por token casi deje de ser el factor decisivo, y lo bastante barato como para explicar por qué es la opción económica predeterminada para una gran parte de la industria. Ese precio está activo a través de la API propia del proveedor y de varias plataformas de terceros, y en OrcaRouter se traslada con un margen del 0 % —el precio de lista del proveedor, sin margen añadido—, por lo que una bajada de precio de DeepSeek se ve en la página del modelo el mismo día en que ocurre, que es la forma honesta de compararlo con cualquier otra cosa del catálogo.

Muse Glimmer cuesta cero por token, y el costo real es el hardware: una GPU de 24GB o 32GB con la RTX 5090 como punto de referencia, o una Mac de la serie M totalmente equipada. Si la tienes, el costo marginal de un agente local siempre activo es la electricidad. Si no la tienes, la GPU es la partida — y para muchos equipos esa compra única es más barata que incluso la tarifa con descuento de DeepSeek durante la vida de un agente siempre activo, mientras que para otros el modelo por token gana porque quieren el contexto de 1M y la salida de 384K que un modelo local de 19.5GB no puede contener. La comparación de precios solo se resuelve una vez que decides en qué entorno de despliegue vives realmente.

La política subyacente

Vale la pena mencionar el contexto, porque determina hasta qué punto debes confiar en las tablas de cualquiera de los dos proveedores. El ensayo de Zuckerberg que acompaña al lanzamiento de Muse Glimmer, "El futuro es para todos", mencionó explícitamente a DeepSeek, junto con Qwen y Moonshot, como los laboratorios chinos de modelos abiertos con los que los lanzamientos estadounidenses de pesos abiertos tienen que competir, y pidió una regulación más laxa en EE. UU. para la IA de código abierto. Meta está posicionando Glimmer como la respuesta nacional a la ola de pesos abiertos baratos. Ese encuadre es real, y es exactamente el tipo de situación en la que los benchmarks ejecutados por los proveedores merecen el mayor escepticismo: ambos bandos están vendiendo una narrativa nacional junto con un modelo. El contrapeso es la medición independiente que ya existe para DeepSeek (incluido el 8 por ciento), y la medición independiente que aún no existe para Glimmer.

Quién debería ejecutar cuál

Los dos modelos no son sustitutos, y la decisión es, en su mayoría, una cuestión de envolvente de despliegue disfrazada de benchmark. Si tu carga de trabajo es hambrienta de tokens y de contexto —entrada masiva, salidas largas, matemáticas y conocimiento a escala—, DeepSeek V4 Pro, a su tarifa con descuento, es una de las mejores ofertas de costo por capacidad del catálogo, y su resultado del 8 % en DeepSWE importa menos para cargas de trabajo que no son codificación agéntica de horizonte largo. Si tu carga de trabajo es un agente local siempre activo —de alta frecuencia, privado, interactivo, con llamada de herramientas—, Muse Glimmer es la forma de la respuesta, con la salvedad de que sus afirmaciones agénticas siguen siendo totalmente autodeclaradas y necesitan una prueba independiente. Si tu carga de trabajo es ambas cosas —y la mayoría de los stacks de agentes reales lo son—, entonces los dos modelos son dos niveles de un mismo sistema: el 30B local para la vía rápida, privada y de alta frecuencia, y el MoE alquilado para el trabajo pesado de contexto largo.

Qué resolvería esta comparación, en orden aproximado de velocidad: un resultado independiente de Glimmer en una prueba de horizonte largo libre de contaminación como DeepSWE, que es el número más útil que le falta a este enfrentamiento; una segunda reproducción independiente del 8 por ciento de DeepSeek para confirmar que no fue una casualidad de la configuración; y el primer proveedor que ponga en marcha un endpoint de Glimmer, que es el momento en que una división entre local y alquilado deja de ser hipotética y se convierte en algo que puedes conectar con una sola clave. Hasta entonces, el resumen honesto es breve. DeepSeek V4 Pro es el gigante de pesos abiertos con una historia comprobada de tokens baratos y una debilidad específica y medida. Muse Glimmer es el recién llegado de pesos abiertos cuya propuesta completa apunta a esa debilidad exacta — y cuya única evidencia hasta ahora es su propia palabra.