Muse Spark vs Qwen 4 Max: La mitad de esta comparación aún no tiene endpoint

Una página que compara Muse Spark con Q​wen 4 Max tiene un problema que no tiene nada que ver con la calidad de ninguno de los dos modelos, y el problema corresponde a la primera frase más que a la última. Muse Spark es real y se puede invocar: M​eta Superintelligence Labs presentó la familia el 8 de abril de 2026, y el checkpoint actual, Muse Spark 1.3, está disponible de forma general desde el 2 de septiembre de 2026 a 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de salida. Q​wen 4 Max no se puede invocar y nunca se ha podido. Se mostró en un escenario en la Conferencia Apsara en Hangzhou el 22 de septiembre de 2026 y no se ha publicado nada desde entonces: ni ficha del modelo, ni identificador de API, ni ventana de contexto, ni precio, ni pesos, ni puntuación de benchmark. Así que la única versión honesta de esta comparación es una respuesta en dos partes: qué se supone que es el anunciado Q​wen 4 Max, y cómo se compara Muse Spark con el buque insignia de Q​wen al que realmente puedes enviar una solicitud hoy, que es Qwen3.8-Max.

Qué es Q​wen 4 Max, exactamente

Es una entrada de la lista. En Apsara, Liu Da Yiheng, líder de Qwen LLM, adelantó cuatro niveles —Qwen 4 Max como el buque insignia, Qwen 4 Flash, Qwen 4 Plus y Qwen 4 27B—, describió que la familia se entrenaba con una arquitectura de nueva generación y dijo que llegaría pronto. Eso es todo el registro público. No hay ninguna fecha asociada a ningún nivel y, en las seis semanas transcurridas desde entonces, no se ha publicado nada que te permita planificar en función de ello.

Un número que circula junto al anuncio no le pertenece. El objetivo de «5 a 10 billones de parámetros» asociado con la noticia de Qwen 4 es una declaración prospectiva sobre las generaciones posteriores a Qwen 4 —el periodo de Qwen 4.5 y Qwen 5—, no una especificación de Qwen 4 Max. Alibaba no ha asociado ninguna cifra de parámetros a Qwen 4 Max en absoluto. Si este mes lo ves descrito como un modelo de varios billones de parámetros, esa cifra se ha arrastrado desde otra diapositiva, y vale la pena negarse a repetirla.

Lo que sí existe es una vista previa parcial de la arquitectura, bajo un nombre diferente. Qwen3.8-Flash-Next se publicó como código abierto a finales de agosto de 2026 y su ficha de modelo lo etiqueta como una vista previa de la arquitectura Qwen 4: un modelo disperso con 125.000 millones de parámetros principales más 51.000 millones de parámetros de embeddings de N-gramas, que activa aproximadamente 6.000 millones por paso, con un contexto nativo de 262.000 tokens y un costo de entrenamiento reportado aproximadamente un 90 % inferior al de Qwen3.7-Plus. Eso te muestra la forma de lo que está por venir. No te dice qué puntuación obtiene Qwen 4 Max, cuánto cuesta o qué acepta.

• Disponibilidad — Qwen 4 Max: anunciado el 22 de septiembre de 2026, sin endpoint, sin fecha; Muse Spark 1.3: disponibilidad general desde el 2 de septiembre de 2026

• Puntuaciones de benchmark publicadas — ninguna para Q​wen 4 Max; M​eta publica una tarjeta de evaluación agéntica completa para Muse Spark 1.3

• Número de parámetros — no divulgado para Q​wen 4 Max; tampoco para Muse Spark 1.3, aunque A​libaba ha confirmado 2,4 billones en total con 95.000 millones activos para su modelo insignia ya disponible

• Precio — no se ha anunciado ninguno para Qwen 4 Max; $1,25 / $4,25 por millón de tokens para Muse Spark 1.3, con un nivel de Colaborador a $0,10 / $0,20

• Ventana de contexto — sin anunciar; 1.048.576 tokens para Muse Spark 1.3

• Pesos — ninguno de los dos está abierto. Los pesos abiertos de estas dos familias pertenecen a Qwen3.8-2.4T-A95B y, del lado de Meta, a Muse Spark Open y Muse Glimmer

La comparación que puedes ejecutar de verdad

Qwen3.8-Max es el modelo de referencia con el que se medirán los niveles de Qwen 4, y hoy ya atiende tráfico de producción: disponible de forma general desde el 3 de agosto de 2026 a 2,00 USD por millón de tokens de entrada y 6,00 USD por millón de tokens de salida, con tarifa plana en toda su ventana de contexto y sin recargo por prompts largos; construido como una mezcla de expertos de 2,4 billones de parámetros con 95.000 millones de parámetros activos por token, y con pesos abiertos el 12 de agosto de 2026 como Qwen3.8-2.4T-A95B, tanto en BF16 como en FP8, bajo una licencia personalizada de Qwen. Ese último detalle importa y es fácil pasarlo por alto: los pesos del modelo insignia ya están publicados, y la API alojada es una comodidad adicional sobre ellos, no la única vía de acceso.

El panorama independiente para el par es inusualmente claro, porque Artificial Analysis incluye a ambos y los dos se publicaron con diez días de diferencia, con la misma revisión del índice en juego. Todo lo que sigue proviene de esos listados, y los dos modelos no se volvieron a ejecutar en un entorno de pruebas compartido; considera la comparación como una lectura equivalente de mediciones publicadas, no como un ensayo controlado.

• Índice de inteligencia — Muse Spark 1.3 (Max) 48, puesto 24 de 217, frente a Qwen3.8-Max (0902) 45, puesto 33 de 217

• Velocidad de salida: 121,9 tokens por segundo frente a 39,3 tokens por segundo, donde el modelo Qwen se sitúa en el puesto 181 de 186 y el modelo Meta en el puesto 43 de 186

• Costo por tarea de Index completada — $1.60 frente a $5.41

• Precio de lista por millón de tokens — $1.25 entrada / $4.25 salida frente a $2.00 entrada / $6.00 salida

• Ventana de contexto — 1.048.576 tokens frente a 984.000

• Verbosidad en el índice — 170M tokens de salida frente a 190M

Lo interesante de ese conjunto es que el modelo Qwen es más lento y más caro en todos los ejes, y además obtiene tres puntos menos en el índice, y la diferencia no es marginal. Con 39,3 tokens por segundo frente a 121,9, Muse Spark 1.3 es aproximadamente tres veces más rápido, y su coste por tarea completada es alrededor de un tercio del de Qwen3.8-Max —1,60 $ frente a 5,41 $—, con unos precios que solo se diferencian en torno al 40 por ciento por token. La diferencia está en la velocidad, no en la tarifa: un modelo que tarda tres veces más en producir cada token gasta dinero mientras espera. Quien compare estos dos solo por el precio de lista llegará a una conclusión equivocada sobre cuál es más barato de ejecutar.

Dos cosas matizan eso, porque la versión honesta de la comparación necesita ambas. La primera es la modalidad. Meta documenta que Muse Spark acepta texto, imagen, video, audio y PDF, y devuelve texto; Qwen3.8-Max acepta texto, imágenes y video. En un pipeline que transporta documentos escaneados o audio, el buque insignia de Qwen simplemente no puede recibir la carga útil — y, aparte de eso, Meta advierte que la comprensión de audio en Muse Spark 1.3 no es totalmente compatible y dirige las cargas de trabajo de audio a Muse Spark 1.2. La segunda es el tamaño de la brecha. Tres puntos de índice no son un cambio de nivel; es el tipo de margen que se invierte con un arnés diferente o una mezcla de tareas diferente. Los deltas de velocidad y costo son los hallazgos duraderos aquí, y el delta de inteligencia es el que hay que tomar con pinzas.

Donde las dos familias son genuinamente diferentes, más allá de las puntuaciones

La divulgación es la divergencia más marcada. A​libaba ha publicado el número de parámetros de Qwen3.8-Max y ha liberado sus pesos; M​eta no ha publicado el número de parámetros de ninguna versión de Muse Spark ni los pesos de ninguna de ellas. Ambas líneas insignia solo se ofrecen alojadas en su forma actual: no puedes autoalojar Muse Spark 1.3 y, aunque los pesos de Qwen3.8-2.4T-A95B existen, un modelo de 2,4 billones de parámetros es un objeto de centro de datos más que algo que se ejecute en una estación de trabajo. Pero la opción existe en un lado y no en el otro, y las opciones que existen valen algo incluso cuando no se ejercen.

El control del esfuerzo es la segunda divergencia, y el de Meta es más granular de una forma que cambia tu factura. El esfuerzo de razonamiento de Muse Spark abarca minimal, low, medium, high, xhigh y max; el nivel max llegó el 4 de septiembre, dos días después del lanzamiento, tras pruebas de seguridad adicionales, y es la configuración que hay detrás de cada cifra destacada que Meta publicó. Meta también vende el checkpoint 1.3 a un segundo precio: el nivel Contributor a $0.10 / $0.002 en caché / $0.20 por millón de tokens, aproximadamente un orden de magnitud por debajo de la tarifa Standard, a cambio de permiso para entrenar con tus prompts y tus completions. Ese nivel no tiene equivalente en Qwen y, para una carga de trabajo de gran volumen y no sensible, mueve la comparación de costos más de lo que lo hace cualquier punto de un índice.

El flanco de pesos abiertos es el tercero. Si lo que realmente quieres son pesos ejecutables de cualquiera de las dos familias, ningún buque insignia te lo ofrece. Los de Meta son Muse Spark Open y Muse Glimmer; el de Alibaba es Qwen3.8-27B y el resto de la línea abierta de Qwen 3.8. Esas son conversaciones distintas de esta, y una búsqueda de "Muse Spark vs Qwen 4 Max open weights" ha respondido a una pregunta que ninguno de los dos proveedores planteó.

¿Qué cambiaría esta página?

Tres cosas, ninguna de ellas una fecha que alguien haya prometido. Una ficha de modelo resolvería el número de parámetros, la ventana de contexto, la fila de modalidades y el precio en un solo documento. Una tabla de benchmarks daría las primeras cifras que se pueden poner junto a las de Meta. Un endpoint publicado haría obsoleta esta página, que es el resultado que cabe esperar — en ese punto, la comparación se convierte en la que los lectores esperaban encontrar al venir aquí, y lo honesto es decirlo en lugar de escribir sorteando la ausencia.

Hasta entonces, la señal útil es la generación Q​wen que se está lanzando. Qwen3.8-Max es la base que Q​wen 4 Max tiene que superar; tiene pesos publicados y un precio publicado, y la vista previa de la arquitectura de Q​wen 4 en Qwen3.8-Flash-Next sugiere que la familia se está construyendo para alcanzar una calidad comparable a una fracción del coste de entrenamiento. Ese último punto es una predicción más que un hecho, pero es la razón para seguir la hoja de ruta: una familia más barata de entrenar es una familia a la que se le puede poner un precio agresivo, y los precios agresivos son lo único que A​libaba ha entregado de forma fiable durante dos años.

Ejecutando la mitad de esta comparación que existe

Ambos modelos invocables que aparecen aquí están en nuestro catálogo, lo que convierte la versión práctica de esta página en una cuestión de enrutamiento más que de investigación. OrcaRouter incluye la familia Qwen 3.8 —Qwen3.8-Max, Qwen3.8-Flash y el Qwen3.8-27B de pesos abiertos— y los dos checkpoints de Muse Spark que servimos, Muse Spark 1.1 y Muse Spark 1.2, detrás de un único endpoint compatible con OpenAI que abarca más de 200 modelos, al precio de lista de cada proveedor con un 0 % de recargo repercutido. Muse Spark 1.3 no está en nuestro catálogo, y Qwen 4 Max no está en ningún catálogo porque aún no existe; cuando cualquiera de los dos se lance y un proveedor lo ofrezca, la misma clave es donde aparecería.

Lo que eso te aporta en esta comparación específica es la capacidad de resolver la cuestión de los tres puntos de índice en tu propio tráfico. Un DSL de enrutamiento mueve una porción de solicitudes de Qwen3.8-Max a Muse Spark 1.2 mediante configuración en lugar de mediante código, y la conmutación por error automática significa que una llamada fallida de contexto largo se degrada al otro modelo en lugar de a una página de error. Dado que la brecha independiente entre las dos familias es pequeña, ese experimento vale más que cualquier posición en la tabla de clasificación — y es la única forma de averiguar si la salida tres veces más rápida de M​eta realmente importa para la forma de tu carga de trabajo.

Así que: Muse Spark gana la comparación por defecto, y sería deshonesto presentarlo como un veredicto. Es el modelo con un endpoint, un precio, una ventana de contexto y una tarjeta de puntuación. Qwen 4 Max tiene un anuncio hecho en el escenario, una lista de cuatro niveles y una vista previa de su arquitectura funcionando bajo un nombre diferente. Vuelve cuando llegue la tarjeta del modelo; la pregunta interesante entonces será si la economía de la hoja de ruta de Alibaba alcanza la línea de precios antes de que lo haga el próximo checkpoint de Meta.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.