Muse Wonder vs Reflection Beam: Uno es una tarjeta de tarifas, el otro es una promesa

Con siete días de diferencia, desde direcciones opuestas. Meta puso Muse Wonder a disponibilidad general el 12 de octubre de 2026, en la Meta Model API y dentro de Muse Code, a $4.00 por millón de tokens de entrada y $20.00 por millón de tokens de salida, con una ventana de contexto de 1,048,576 tokens y sin ningún tipo de descarga. Reflection anunció Reflection Beam el 5 de octubre de 2026 — un modelo de mezcla de expertos disperso con 501 mil millones de parámetros totales y 23 mil millones activos por token — con los pesos prometidos bajo Apache 2.0, una vista previa con lista de espera detrás de un muro de registro, y ningún precio publicado en ninguna de las propiedades de la propia empresa.

Lo que significa que el planteamiento honesto de este enfrentamiento no es modelo contra modelo. Es una lista de tarifas frente a una promesa. A una de ellas puedes llamarla esta tarde y nunca será tuya; a la otra puede que con el tiempo llegues a poseerla y hoy no puedes llamarla en absoluto. Si estás eligiendo una opción predeterminada para una carga de trabajo que se lanza este trimestre, esa distinción decide más que cualquier línea de benchmark, y vale la pena decir explícitamente que ninguno de los dos lados es una crítica al otro laboratorio.

Siete días, dos direcciones de viaje

Muse Wonder llegó como un producto comercial terminado con una documentación pública inusualmente escasa por debajo. El modelo se puede invocar, el precio está indicado, la superficie de parámetros está enumerada —una escala de esfuerzo de razonamiento que va de mínimo a máximo con un valor predeterminado medio, un techo de salida de 943.718 tokens, y cada token de razonamiento facturado a la tarifa de salida— y un segundo checkpoint, Muse Wonder Full, se lanza en el mismo lanzamiento con una puntuación más alta, pero solo dentro de una suscripción a Muse Code y no se vende por token en absoluto. Lo que Meta no entregó es nada descargable. No hay publicación de ficha de modelo, ni checkpoint, ni concesión de licencia.

Reflection hizo lo contrario. La publicación de lanzamiento de Beam es un anuncio de investigación con una promesa de servicio adjunta: tablas de benchmarks, un informe de preentrenamiento que menciona 6.144 sistemas GB300 NVL72 y una ejecución de cuatro semanas sobre 23,8 billones de tokens, una etapa de aprendizaje por refuerzo en 10.500 GB300 con más de 100 millones de rollouts y aproximadamente 1.300 millones de sandboxes, y un compromiso de licencia específico: los pesos, el informe técnico, la tarjeta del modelo y los artefactos para desarrolladores se publicarán bajo Apache 2.0, según las propias palabras de la empresa, a finales de mes. Lo que no se lanzó el 5 de octubre es un precio, una ventana de contexto de servicio, una cifra máxima de salida o un archivo.

Dos laboratorios, una semana y, entre ambos, todo el espectro de lo que puede significar «lanzado» en 2026.

Lo que cada uno ha publicado realmente

Cada cifra que aparece a continuación es del propio proveedor y, cuando un dato no existe, eso es precisamente el hallazgo.

• Capacidad de invocación — Muse Wonder está disponible de forma general desde el 2026-10-12 en la Meta Model API bajo muse-wonder-1.0 y dentro de Muse Code; la vista previa de Reflection Beam es una lista de espera para "un conjunto limitado de usuarios", sin una vía de autoservicio en

• Precio — Muse Wonder $4.00 de entrada / $0.20 de entrada en caché / $20.00 de salida por millón de tokens, publicado; Reflection Beam no está publicado en ninguna de las propiedades propias de Reflection, por lo que cualquier cifra en dólares que haya visto asociada a él es una estimación en lugar de un precio de lista

• Contexto — Muse Wonder 1.048.576 tokens; la documentación de la API de Reflection Beam indica un límite de servicio de 256.000 tokens con una nota al pie que advierte que la cifra puede cambiar durante la beta, mientras que la publicación de lanzamiento dice por separado que el entrenamiento intermedio amplía el contexto efectivo del modelo a 1M tokens. Son una capacidad del lado del entrenamiento y un límite del lado del servicio, no una contradicción, pero solo uno de ellos es un número sobre el que puedes construir.

• Salida máxima — Muse Wonder 943,718 tokens; Reflection Beam no publicado

• Modalidad — Muse Wonder acepta texto, imagen, voz, video y archivos, y devuelve texto; Reflection Beam es texto de entrada y texto de salida

• Pesos — Muse Wonder ninguno, y ninguno anunciado; Reflection Beam Apache 2.0 prometido, no publicado a día de hoy

• Puntuación independiente — Muse Wonder: 52 en el Intelligence Index de Artificial Analysis, en el puesto n.º 9 de 219; Reflection Beam no figura en ese ranking, ni en ningún otro evaluador independiente que hayamos podido encontrar

• Arquitectura — Muse Wonder no divulgada; Reflection Beam 501B en total / 23B activos, una proporción declarada de aproximadamente 4,6%

La asimetría de esa lista lo dice todo. Muse Wonder tiene un precio y un objetivo, y ningún artefacto. Reflection Beam tiene un artefacto prometido y ni un precio ni un objetivo.

La afirmación sobre la eficiencia es la que hay que mantener a distancia.

La afirmación más interesante de Reflection no es una puntuación de benchmark. Es que Beam combina capacidad de programación y capacidad agéntica con un "razonamiento altamente eficiente", logrando puntuaciones en benchmarks de razonamiento avanzado comparables a GLM-5.2 mientras usa 3–4× menos cómputo de inferencia, con la brecha ampliándose frente a modelos de la familia de 2T+ parámetros, como Qwen 3.8-Max. El gráfico que respalda esa afirmación es un gráfico de proveedor, en los propios ejes de un proveedor, y no ha sido reproducido, pero la aritmética subyacente no es exótica. Los FLOPs de inferencia escalan aproximadamente como dos veces el número de parámetros activos multiplicado por el número de tokens generados, así que un modelo con 23B activos que genera una salida comparable para una tarea realmente cuesta menos por tarea que uno con 40B o 100B activos. La arquitectura es el argumento, y en cuanto a arquitectura, el caso de Beam es coherente.

Lo que falta es el denominador. El cómputo por tarea es una ratio, y el material publicado nos da la parte de los parámetros y nada sobre la parte de los tokens. Reflection no publica el recuento de tokens de salida de ninguna de sus ejecuciones de benchmark. No hay cifra de verbosidad, ni medición de tokens por tarea, ni ejecución independiente.

Muse Wonder, en cambio, tiene exactamente ese número y juega en contra. Artificial Analysis midió Muse Wonder (max) en 130 millones de tokens de salida consumidos durante su evaluación del Intelligence Index, frente a una mediana de 85M entre modelos comparables, y a unos $4,52 por tarea del índice. La propia etiqueta del evaluador para ese comportamiento es "algo verboso". Muse Wonder es un modelo de frontera a un precio de frontera y paga su puntuación en tokens de salida, porque los tokens de razonamiento se facturan a la tarifa de salida — que es la línea más determinante en la propia documentación de precios de Meta.

Así que los dos laboratorios están haciendo apuestas opuestas y ninguno ha publicado las cifras que lo zanjarían. Meta tiene una verbosidad medible y ningún número de parámetros divulgado, así que no se pueden calcular sus FLOPs por token. Reflection tiene un número de parámetros divulgado y ninguna verbosidad medida, así que no se pueden calcular sus tokens por tarea. Cualquiera que te diga que Beam es entre tres y cuatro veces más barato de ejecutar que Muse Wonder está comparando una proporción de parámetros con un recuento de tokens que no existe.

La esparsidad compra coste de inferencia, no capacidad

Hay una segunda trampa en la cifra de 501.000 millones, y es fácil caer en ella porque el número es tan grande. Los parámetros totales de un modelo de mezcla de expertos disperso son una estadística de almacenamiento y preentrenamiento, no una estadística de cómputo por token. Cada token que genera Beam toca aproximadamente 23.000 millones de sus 501.000 millones de parámetros. Los otros 478.000 millones permanecen inactivos en esa llamada. Beam no es un modelo de 501.000 millones de parámetros en el sentido en que lo sería un modelo denso de ese tamaño, y citarlo junto al tamaño no revelado de Muse Wonder invita a una comparación que no significa nada.

Donde la proporción sí importa es en el despliegue. Un checkpoint de 501B en BF16 está en el orden de un terabyte de pesos, y el recuento de parámetros activos no reduce la huella de memoria, solo la computación. Servir Beam por tu cuenta implica o bien un nodo grande con varias GPU o una cuantización agresiva, y la cuantización es justo el tipo de cosa que solo puedes evaluar una vez que existen los pesos. Esa es la segunda razón por la que el lanzamiento bajo Apache 2.0 es el acontecimiento que importa aquí y no una nota a pie de página: convierte una arquitectura prometedora en algo que puedes medir en tu propio hardware, con tu propio tamaño de lote y tus propios prompts.

La posición de Meta en el mismo eje es la opuesta. La arquitectura de Muse Wonder no se divulga y su despliegue depende por completo de la API de un tercero. No lo cuantizarás, no lo ejecutarás en local para una carga de trabajo regulada y no le harás ajuste fino. Lo alquilas, a una tarifa publicada, indefinidamente.

Donde las cifras del proveedor y las independientes no coinciden

Esto merece una sección breve porque es la disciplina que mantiene honesto el resto de la comparación. El propio arnés de M​eta sitúa Muse Wonder Fullen 59,1 en su Índice de Superinteligencia Personal y a Muse Wonder en 56. Artificial Analysis, que aplica su propio índice a Muse Wonder (max), obtiene 52. Misma familia de modelos, misma semana, cuatro puntos de diferencia — y la cifra independiente es la más baja. Muse Wonder Full con 56 en la tabla independiente es un resultado genuino, ocupa el puesto #4 de 699 modelos de esa clase, y aun así sigue estando cuatro puntos por debajo de lo que implica la propia tabla de M​eta. Nada de eso hace que los números de M​eta sean erróneos; los arneses de los proveedores se ajustan al despliegue del proveedor, y M​eta los etiqueta como suyos. Lo que sí significa es que las únicas cifras de este artículo que pueden contraponerse entre sí son las de Artificial Analysis, y esas existen para exactamente uno de los dos modelos.

Las tablas de Reflection contienen una versión diferente del mismo problema. Beam figura con 80,9 en SWE-Bench Verified, 80,1 en Terminal-Bench v2.1 y 44,4 en DeepSWE v1.1, todas reportadas por el proveedor, todas en la misma página que las comparaciones con Inkling y Nemotron 3 Ultra. Dos de esas tres son puntuaciones para las que Muse Wonder también tiene una cifra del proveedor, y comparar dos conjuntos de cifras del proveedor producidas por dos harnesses diferentes no es una comparación. Es una coincidencia de encabezados de columna.

Si tienes que elegir este mes

La decisión se reduce a qué elemento faltante puedes tolerar.

• Si lanzas este trimestre y necesitas capacidad de invocación, un precio que puedas prever, una ventana de 1 M de tokens y un presupuesto de salida de 943,718 tokens — Muse Wonder es el único de los dos que existe como servicio hoy, y la decisión se toma sola

Lanzar esto este trimestre, con la tarifa de salida de $20 por millón de Muse Wonder frente a un perfil de evaluación de 130 millones de tokens, está fuera de tu presupuesto: la medida útil es la escalera de esfuerzo, no un modelo diferente. El razonamiento es obligatorio en Muse Wonder, pero la escalera va de mínima a máxima y cada token de razonamiento se factura como salida; ejecutar la extracción y la clasificación al mínimo y reservar alto o máximo para las llamadas que lo justifican es la palanca que mueve la factura.

• Requisito regulado, aislado de la red o en las instalaciones — hoy ninguno de los dos modelos lo resuelve. Muse Wonder nunca lo cumplirá. Beam podría, en un mes, bajo una licencia permisiva, a un coste de memoria que aún no has medido

• Planes de investigación o de ajuste fino — espera a los pesos. No inicies un proyecto contra una arquitectura de 501B que no puedas descargar

• Comparar con tu propia carga de trabajo — Muse Wonder se puede medir esta semana y Beam no se puede medir en absoluto. Todas las cifras de Beam en tu hoja de cálculo de evaluación son actualmente una afirmación del proveedor sin denominador.

Qué enrutamos y qué no

Siendo claros: ninguno de los dos modelos está en el catálogo de OrcaRouter. No hay ninguna meta/muse-wonder entrada ni ninguna entrada de Reflection de ningún tipo, y no vamos a presentar una ruta que no existe. Lo que ofrecemos de Meta Superintelligence Labs es la línea Muse Spark —Muse Spark 1.2 y Muse Spark 1.1 —, que es lo más cercano a la familia de razonamiento de Meta a lo que un equipo puede acceder a través de nosotros hoy, y cuesta aproximadamente una quinta parte de lo que cuesta Muse Wonder por token. Entre los modelos con los que se compara el precio de este enfrentamiento, Claude Opus 5.5 está en nuestra lista a las tarifas propias de Anthropic, y también lo está DeepSeek V4 Pro a una fracción de eso.

Esa honestidad tiene una consecuencia práctica que una comparación como esta deja inusualmente clara. La conmutación por error automática solo conmuta a algo que realmente enrutamos, y una lista de espera sin endpoint no es un respaldo. Si tu plan para Beam es "lo probaremos cuando la vista previa se despeje", lo útil que puedes mantener en su lugar hasta entonces es un primario que puedas medir y una segunda ruta detrás de él, lo cual es un cambio de configuración en un solo endpoint compatible con OpenAI. OrcaRouter sirve más de 200 modelos detrás de una sola clave y una sola factura, así que cuando lleguen los pesos de Beam y algún proveedor empiece a servirlo, acceder a él es un ID en un archivo de configuración en lugar de una nueva integración.

Qué cambiaría la respuesta, y cuándo mirar

Tres eventos, en orden de cuánto moverían esto.

Lo primero es la publicación de los pesos. Reflection se ha comprometido con Apache 2.0 y ha dicho que los artefactos llegarán a finales de este mes. Ese lanzamiento es lo que convierte una afirmación de 501B en algo descargable, cuantificable y evaluable mediante benchmarks, y además resulta ser la única vía por la que Beam podría llegar a aparecer en una plataforma de enrutamiento. Hasta que eso ocurra, Beam es una hipótesis con una cita.

El segundo es una evaluación independiente. Una sola fila de Artificial Analysis para Beam haría más por zanjar esta comparación que cualquier cantidad de lectura de tablas de proveedores, porque aportaría la cifra de tokens por tarea que le falta a la afirmación de eficiencia. Preste atención a ese tablero en lugar del blog de lanzamiento.

La tercera es que la propia superficie de configuración de Muse Wonder se está asentando. Su cifra de $4.52 por tarea se midió con razonamiento máximo en un modelo que lleva un día disponible. A medida que los equipos usan los peldaños inferiores de la escala de esfuerzo en producción, el costo realista del modelo caerá — y ese número, no la puntuación del índice, es lo que Beam tendría que superar.

La respuesta más probable a corto plazo no es ni una victoria limpia ni una derrota limpia: un equipo que necesita un modelo ahora mismo usa Muse Wonder, y un equipo que necesita ser dueño de sus pesos termina con el que de los dos pueda descargar realmente. Lo cual es una forma extraña de describir un enfrentamiento cara a cara, y también precisa.