Muse Spark Open vs Muse Wonder: uno que puedes descargar, otro que solo puedes alquilar

Meta put Muse Wonder on the market on October 12, 2026 and put M​use Spark Open on Hugging Face three days later, on October 15. They are not two versions of the same product. Muse Wonder is a closed frontier model you reach through an API or a subscription; M​use Spark Open is a gated download that arrives as 816 billion parameters of mixture-of-experts weights, a licence, and a hardware decision. Comparing them on a leaderboard is therefore the wrong first move, because the leaderboard measures capability and the thing that separates them is who owns the machine. This piece works through both — the measured gaps, what they cost per unit of work, and the four situations in which the answer flips — using the numbers that are actually published, with a note wherever a number is a vendor claim rather than a measurement.

Con tres días de diferencia, y no en la misma categoría.

The release order matters more than the release dates. Muse Wonder shipped first as two checkpoints: muse-wonder-1.0, served on Meta's Model API and inside Muse Code, and muse-wonder-full-1.0, which Meta sells only through a Muse Code subscription and does not expose as an API model. M​use Spark Open shipped next as a single artefact: a BF16 checkpoint and an NVFP4 build behind an access-controlled repository, a model card, a technical report, and the Muse Model License. One of those is a service. The other is a file.

Todo lo que viene después se deriva de eso. El precio de un modelo cerrado es el que diga el proveedor, y este puede revisar su capacidad en cualquier momento. El precio de un modelo abierto es una cifra de capital —las GPU, la energía, el ingeniero—, y su capacidad es lo que tu stack de servicio puede extraer de él. Así que la comparación útil no es «cuál obtiene mejores puntuaciones», que no está ni cerca, sino «cuál de estos dos te cuesta menos alcanzar la capacidad que necesitas», lo cual depende por completo de lo que ya tienes y de lo que se te permite hacer con los pesos.

Ambos modelos aceptan texto, imágenes, voz y vídeo como entrada y producen texto como salida, y ambos anuncian una ventana de contexto de 1.048.576 tokens. Ahí termina el parecido.

El marcador tal como está hoy, no como lo recuerdas

Artificial Analysis reelaboró su Intelligence Index, y la versión actual es v5.0.1, que incorpora nueve evaluaciones: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 en su subconjunto difícil y Terminal-Bench-Science 0.1. Eso es importante para esta comparación porque cualquier cifra que hayas leído sobre cualquiera de los dos modelos antes de esta revisión no está en la misma escala que las cifras que aparecen a continuación. Ambas entradas se volvieron a puntuar dentro de la misma suite, por lo que la diferencia entre ellas es comparable aunque sus valores absolutos no sean comparables con cifras más antiguas que puedas haber visto para cualquiera de las dos.

On that revision, M​use Spark Open (Xhigh) scores 25 against a median of 23 among other open-weight models of similar size — above average, but not by much. Muse Wonder (Max) scores 44 against a median of 40 among models in a similar price tier. Nineteen points is not a rounding difference, but it is also not the whole story, because the two medians describe two different comparison sets: one is a small class of same-size open models, the other a broader and more expensive tier. What the pair does establish cleanly is that each model is above its own peer group, which is a more useful statement than a rank and considerably harder to game.

Las filas por evaluación dicen lo mismo con más resolución. Cada línea a continuación contiene ambos lados en la misma dimensión, en el mismo orden, de modo que pueden leerse como un par en lugar de como dos afirmaciones separadas.

• Index, v5.0.1 — M​use Spark Open 25 at Xhigh effort, against a class median of 23; Muse Wonder 44 at Max effort, against a class median of 40

• AA-Briefcase v1.1 (agentic knowledge work, Elo) — 1,278.7 for M​use Spark Open; 1,658.7 for Muse Wonder

• AutomationBench-AA (agentic SaaS workflows) — 0.497 for M​use Spark Open; 0.681 for Muse Wonder

• Terminal-Bench 4.0 — 0.081 for M​use Spark Open; 0.520 for Muse Wonder

• FrontierCode-AA 2.0 — 0.076 for M​use Spark Open; 0.240 for Muse Wonder

• HLE-Diamond — 0.263 for M​use Spark Open; 0.390 for Muse Wonder

• CritPt v2, hard subset — 0.295 for M​use Spark Open; 0.505 for Muse Wonder

• GDP.pdf, all-pass — 0.186 for M​use Spark Open; 0.306 for Muse Wonder

• Terminal-Bench-Science 0.1 — 0.019 for M​use Spark Open; 0.257 for Muse Wonder

• AA-Omniscience v1.1 accuracy — 25.8 for M​use Spark Open; 25.1 for Muse Wonder, and the hallucination rate runs the other way: 28.0% for M​use Spark Open against 20.9% for Muse Wonder

Two rows deserve a sentence each. Terminal-Bench-Science at 0.019 against 0.257 is the widest proportional gap on the sheet, and Terminal-Bench 4.0 at 0.081 against 0.520 is the widest on the workload both models are actually marketed for — an agent that runs commands. If that is your use case, this is close to the whole argument. The Omniscience pair is the one place the cheaper model holds its ground: on knowledge accuracy the two are within a point, and the thing that separates them is not how much they know but how readily they invent an answer when they do not — roughly one in 3.6 responses for M​use Spark Open against one in 4.8 for Muse Wonder.

Una salvedad sobre todo esto. Son cifras de evaluadores, no cifras de proveedores, lo que las convierte en el más sólido de los dos tipos de evidencia disponibles. Aun así, siguen siendo el arnés de un solo laboratorio sobre una suite que además se revisó en este ciclo, y varias de estas evaluaciones son tan nuevas que su puntuación seguirá cambiando. Considere que la dirección es sólida y que el tercer decimal es ruido.

Recuentos de parámetros, y dónde el registro simplemente se detiene

M​use Spark Open publishes its size as part of being open: 816 billion total parameters with roughly 42 billion active per token, 62 decoder layers, 256 experts per mixture-of-experts layer with 8 selected per token, and experts held in 4-bit NVFP4 in the shipped quantised build with some layers left in bf16. The 42-billion-active figure is the one that matters for serving, because it sets how much weight has to be read for every token generated, and it is the reason the model can be served on eight GPUs at all.

Para Muse Wonder, el número correspondiente no está en el registro que podemos verificar. Artificial Analysis lo marca como propietario y su panel de especificaciones técnicas enumera razonamiento, modalidad de entrada, modalidad de salida y contexto, sin ninguna fila de parámetros totales o activos. No vamos a inferir un recuento de parámetros a partir de un precio ni de un punto de referencia, y no vamos a repetir uno que no podamos señalar. Lo que se puede decir es direccional: un modelo cerrado de índice 44 con una tarifa de $4/$20 está sirviendo algo sustancialmente más grande que un modelo abierto de 42 mil millones de parámetros activos, y cada costo de servicio que conlleva es capital de otra persona, no tuyo.

El modelo barato también es el rápido, lo cual es sorprendente.

El precio y la velocidad suelen ir en direcciones opuestas. Aquí van en la misma dirección, y ese es el hallazgo más relevante para la decisión en cualquiera de las dos páginas.

• Output speed — 169 tokens per second for M​use Spark Open; 118 tokens per second for Muse Wonder

• Time to first answer token — 13.81 seconds for M​use Spark Open; 25.19 seconds for Muse Wonder

• Time per Index task — 6.6 minutes for M​use Spark Open; 13.6 minutes for Muse Wonder

• Output tokens used in the Index run — 90.6 million for M​use Spark Open; 113 million for Muse Wonder, against a median of 72.8 million for comparable models

Read the last two lines together and the mechanism is obvious. Muse Wonder is a reasoning model in the strict sense: it works longer, produces more tokens, and takes roughly twice the wall-clock time per task. M​use Spark Open, at Xhigh effort, is leaner — it generated fewer output tokens than the median comparable model, which is unusual for a reasoning configuration and is a genuine mark against the assumption that more thinking is always more capability. The 169 against 118 figure is a hosted-endpoint measurement including time to first token, so it is a statement about the deployed endpoints rather than about the silicon underneath either model.

La consecuencia práctica es que la diferencia de precio es mayor de lo que sugiere la tarifa, porque pagas por token y Muse Wonder emite más tokens por tarea. Lo que nos lleva al único número que compara dos modelos de forma honesta entre precios distintos y niveles de detalle distintos: el coste por tarea.

Cuánto cuesta realmente una tarea en cada

Artificial Analysis calcula el coste de ejecutar toda su suite de evaluación y lo divide por el número de tareas, ponderando cada evaluación según su contribución al Índice. Eso da una cifra comparable que ya absorbe la diferencia de verbosidad.

• Cost per Index task — $2.02 for M​use Spark Open; $6.95 for Muse Wonder

• Blended list price, 3:1 input to output — $2.00 per million tokens for M​use Spark Open; $8.00 per million for Muse Wonder

• Cache read — $0.15 per million tokens for M​use Spark Open, an 88% discount; $0.20 per million for Muse Wonder, a 95% discount

The headline rate card is $1.25 in and $4.25 out against $4.00 in and $20.00 out, so the output price differs by 4.7× and the input price by 3.2×. The realised per-task cost differs by 3.4× rather than 4.7×, which is the verbosity and cache effects doing their work: Muse Wonder's 95% cache discount is steeper than M​use Spark Open's 88%, and heavy caching pulls its effective cost back toward the cheaper model's. If your workload is cache-friendly — long shared system prompts, repeated documents — the rate card overstates the gap. If it is not, the per-task number is the one to plan against and the rate card understates nothing.

Divide each per-task cost by its Index score and you get a third number, which is mine rather than the evaluator's: about eight cents per index point for M​use Spark Open against about sixteen cents for Muse Wonder. That is the cleanest statement of the trade. You are paying roughly twice as much per unit of measured capability for the closed model, and what you receive for the premium is nineteen index points and a lower hallucination rate.

La licencia es una línea de coste que la carta de tarifas oculta.

M​use Spark Open's terms are the Muse Model License, and two of its clauses change what "free weights" means in a business plan.

La primera es la cláusula de modelo como servicio. Si proporcionas a terceros acceso al modelo como producto o servicio a través de una API y tus ingresos brutos agregados por ello superan los veinte millones de dólares estadounidenses en cualquier período consecutivo de doce meses, debes notificar a Meta y celebrar un acuerdo escrito por separado antes de continuar. Incrustar el modelo en tu propio producto está exceptuado; revenderlo no lo está. Un equipo que tenga la intención de convertirse en proveedor de inferencia sobre estos pesos debería leer esa cláusula antes de redactar el documento de arquitectura, no después.

The second is attribution: the licence requires "Built with M​use Spark Open" to be displayed prominently in the interface of any product using the model or a derivative, or in its documentation, site or settings. That is a small tax and an unconditional one, and it appears exactly where a product decision gets made — the about screen.

Lo que la licencia concede con claridad es la parte que justifica la descarga: ajuste fino, destilación, fusión, publicación, sublicenciamiento y venta de derivados, sin que Meta reclame la propiedad de los resultados. Muse Wonder no ofrece nada de eso. No puedes hacer ajuste fino de un checkpoint alojado, no puedes fusionarlo en un modelo de dominio, no puedes ejecutarlo en airside y no puedes corregir un comportamiento reentrenándolo. La prima que pagas por Muse Wonder compra capacidad y te libra de la carga operativa; también te libra de todas las opciones que requieren tocar los pesos.

Un detalle práctico que pilla a la gente: la propia descarga está restringida. El repositorio tiene control de acceso, el formulario de solicitud pide nombre legal, fecha de nacimiento y organización con identificadores corporativos, y no se puede editar una vez enviado. Prevé una cola de espera, no un clic.

Donde el megakernel cambia la aritmética

There is a third number in this comparison that neither rate card contains, and it arrived yesterday from outside Meta. On November 11, 2026 the SGLang team published a megakernel for M​use Spark Open — one resident kernel per layer instead of roughly 1,450 launches per decode step — and measured decoding going from 517 to 1,109 tokens per second on eight GB300s. That is a 2.1× improvement on the same weights, the same precision, and the same numerics, achieved purely in software.

Poner eso junto a las cifras de los modelos alojados cambia la forma de esta decisión. Un endpoint alquilado responde a 169 tokens por segundo; una pila de ocho GPU construida a mano que ejecuta kernels de investigación responde a 1.109. La segunda cifra corresponde a tamaño de lote uno, en una única solicitud de GSM8K, mediana de 20 pasos, y nadie fuera de los autores la ha reproducido; por tanto, es un techo que podrías alcanzar, no una cifra de rendimiento que puedas incluir en un plan de capacidad. Pero establece la asimetría que define este par: la eficiencia de servicio del modelo cerrado es cosa de Meta mejorarla y cosa tuya esperar a que lo haga, mientras que la eficiencia de servicio del modelo abierto es una función que puedes atacar con tus propios ingenieros.

Para un equipo que ya tiene las GPU pagadas, esa asimetría vale más de diecinueve puntos de índice en las cargas de trabajo en las que el modelo abierto está cerca. Para un equipo que no las tiene, no vale nada, porque la cifra de 1.109 viene ligada a un nodo de ocho GPU que tendrías que comprar.

Cuatro situaciones, cuatro respuestas diferentes.

La comparación se resuelve con claridad una vez que nombras la restricción, y la restricción casi nunca es el punto de referencia.

Si lanzas un producto este trimestre y el trabajo consiste en razonamiento complejo, tareas agénticas de largo horizonte o cualquier cosa en la que una diferencia en el benchmark de terminal de 0.081 frente a 0.520 sea la forma de tu problema, la respuesta es Muse Wonder y no hay comparación. Estás pagando $6.95 por tarea por un modelo que termina la tarea, y la alternativa es pagar $2.02 por tarea por uno que con frecuencia no lo hace.

If you are running high-volume, latency-sensitive work where an answer at 169 tokens per second with a first token in 13.8 seconds is acceptable and one at 118 tokens per second with a first token in 25.2 seconds is not, the answer is M​use Spark Open even before you consider price — and the price then makes it a 3.4×-cheaper answer. The 28% hallucination rate is the thing to design around: ground it, cite it, or verify it downstream.

If you have data that cannot leave your infrastructure, or a regulator who wants to see the weights, or a domain where fine-tuning on your own corpus is the entire value proposition, the comparison is over. Muse Wonder cannot be that, and no amount of index points changes it. M​use Spark Open can, and the licence explicitly permits the fine-tune, the merge and the redistribution.

Si ya posee un clúster de entrenamiento con nodos de la clase GB300, la economía del modelo abierto no es en absoluto la tarifa de la lista de precios: es el costo marginal de las GPU que ya ha amortizado. Ese es el caso en el que 1.109 tokens por segundo importa, en el que el trabajo del megakernel es directamente aplicable y en el que la cláusula de modelo como servicio de veinte millones de dólares es el único trámite que separa un proyecto paralelo de un negocio.

El caso que no se resuelve es el que más pregunta la gente: un equipo pequeño que quiere capacidad de frontera y además la quiere barata. No puede tener ambas cosas de este par. Lo que sí puede tener es una cascada — un modelo barato para la mayoría del tráfico y el caro para el residuo — y eso es una decisión de enrutamiento más que una decisión de modelo.

Qué enrutamos y qué no

Neither of these two models is on OrcaRouter. There is no meta/muse-wonder entry and no meta/muse-spark-open entry in the catalogue, and we are not going to describe either as available through us. M​use Spark Open is a download and a licence; Muse Wonder is Meta's own endpoint and a subscription.

What we do carry from the same lab is the M​use Spark line: Muse Spark 1.2 and Muse Spark 1.1. That matters for exactly one of the four situations above — the cascade. A routing layer is where the "cheap model for most traffic, expensive model for the residue" answer stops being an architecture diagram and becomes configuration: one API across 200+ models, with the provider's list price passed through at 0% markup, so a Meta price cut lands on your bill the same day rather than at the next contract renewal, and automatic failover plus a routing DSL that moves traffic between models by configuration rather than by a code change and a deploy.

Para la mitad de pesos abiertos de la comparación, la versión honesta es que ningún router ayuda. Los pesos son tuyos, las GPU son tuyas, el kernel es tuyo, y la única ruta hacia el número 1.109 es un ingeniero con un perfilador.

Cuando esta comparación quede obsoleta

• Muse Wonder Full llegando a una API. El checkpoint de mayor puntuación está actualmente encerrado dentro de una suscripción, por lo que el Muse Wonder en esta comparación es el modelo de API con 44, no el checkpoint Full que Meta reporta por separado. Si Full abre un endpoint, la brecha de capacidades se amplía y el argumento de la cascada se vuelve más difícil.

• Una reproducción independiente de las cifras del megakernel. El 2,1× de un equipo con tamaño de lote de uno es un techo; que un segundo equipo lo iguale con un tamaño de lote real lo convierte en un caso de autoalojamiento con cifras adjuntas.

• A price move on either side. M​use Spark Open's hosted rate is $1.25/$4.25 and Muse Wonder's is $4.00/$20.00, and a single vendor announcement could compress or invert the 3.4× per-task gap. This is the cheapest thing on the list to change and the most likely to.

• A fine-tune that closes the gap. Nineteen index points is a large deficit for a derivative to recover, and the open model's licence is what makes the attempt legal. If a domain tune on M​use Spark Open lands near the median of Muse Wonder's class on the specific evaluations your product cares about, the premium stops being justified for that product.

Until one of those moves, the summary is short. Muse Wonder is the more capable model and you rent it by the token. M​use Spark Open is the less capable model and you own it outright, along with the GPUs, the licence clauses, the hallucination rate, and — as of this month — a public recipe for making it twice as fast.