Meta vende Muse Spark 1.3 en dos variantes de API que se diferencian en un solo punto documentado: qué puede hacer Meta con el tráfico que le envía un desarrollador. La variante contributor cuesta 0,10 dólares por millón de tokens de entrada y 0,20 por millón de salida: 12,5 veces menos que los 1,25 dólares de entrada de la variante estándar y más de 20 veces menos que sus 4,25 de salida. Ese precio sólo aplica si el desarrollador deja que Meta use ese tráfico «para mejorar nuestros productos». El resto del lanzamiento, el discurso agéntico y el gráfico de benchmarks, se apoya en el mismo trato.
Meta lanzó Muse Spark 1.3 el 2 de septiembre de 2026 en su agente de código Muse Code, para macOS y Linux, y en la Meta Model API. Las dos variantes comparten una ventana de contexto de 1M de tokens y también se acceden por OpenRouter. Meta lo presenta como un modelo pensado para trabajo agéntico de largo alcance: hace preguntas aclaratorias cuando el prompt es ambiguo, «confirma antes de tomar acciones con consecuencias» y sigue varias tareas dentro de un mismo hilo. Meta dice además que una versión de pesos abiertos de Muse Spark está en su hoja de ruta, sin fecha.
Un descuento que se paga con datos
Las dos variantes de la API, muse-spark-1.3 y muse-spark-1.3-contributor, aparecen en la página del modelo de Meta con una etiqueta cada una: «Not used to improve our products» y «Used to improve our products». Esa etiqueta es toda la diferencia que la página documenta, y viene con una brecha de precio lo bastante grande como para decidir a qué variante recurre por defecto un equipo. La carga de trabajo de un agente es el caso donde esa brecha más pesa: un agente envía repositorios enteros, transcripciones largas de llamadas a herramientas y planes de varios turnos, que es justo el material que un laboratorio necesita para entrenar la próxima generación de agentes. Elegir el nivel de 0,10 dólares es elegirlo con ese material de por medio. Las páginas de Meta no dicen cuánto tiempo se retiene ese tráfico, si entrena directamente a modelos futuros, ni si un desarrollador puede darse de baja después de haberse inscrito.
Un gráfico armado con el mejor resultado de cada modelo
Muse Spark 1.3 se compara contra Muse Spark 1.2, Claude Opus 5 y GPT-5.6 Sol, cada uno en su nivel de razonamiento más alto (1.2 en xhigh), en trabajo profesional, uso de computadora, investigación web, ingeniería de software, contexto largo y un índice interno de seguimiento de instrucciones, según la metodología de evaluación de cuatro páginas que Meta publicó junto con el modelo. Los puntajes en sí sólo aparecen como gráficos en el blog; el documento de metodología explica cómo se construyeron los puntajes, sin enumerarlos. Su regla: «para cada modelo, reportamos el valor más alto disponible entre nuestra propia evaluación, el leaderboard oficial o el número que reporta el propio proveedor». Meta agrega que sus corridas de modelos rivales son «best-effort» y «puede no reflejar su mejor rendimiento optimizado por el proveedor», y que un rechazo puntúa cero y queda dentro del denominador. Tomar el mejor número disponible por modelo llena huecos en un terreno donde nadie puede correr a todos los competidores en condiciones óptimas, pero también mezcla tres montajes de medición distintos bajo una sola barra por modelo, sin ajustar para los rivales según admite la propia Meta. Un gráfico armado así muestra hacia dónde se inclina un modelo; es un mal sustituto de un orden que un lector pueda defender línea por línea.
El discurso agéntico trae una sola comparación, y es de Meta
Meta dice que Muse Spark 1.3 usó cerca de 20% menos llamadas a herramientas y 25% menos tokens que 1.2 en tareas de código, y que está mejor calibrado sobre lo que puede y no puede hacer. Las dos cifras vienen de una comparación de los propios ingenieros de Meta, sin método publicado detrás de ninguna. La empresa dice también que «entrenó el modelo en un conjunto diverso de harnesses para generalizar a distintos entornos agénticos», una afirmación que apunta justo a la confiabilidad entre herramientas que decide si un agente termina una tarea o se queda a mitad de camino.
Lo que suman las dos decisiones
Un nivel con descuento a cambio de datos y un gráfico armado con el mejor de tres números, junto a una promesa de pesos abiertos que sigue sin fecha, retratan un lanzamiento construido sobre las dos cosas que Meta controla de verdad esta semana, el precio del dato y el marco de la comparación, mientras el tamaño del modelo, los datos de entrenamiento y la verificación independiente de las mejoras agénticas quedan fuera de lo que Meta revela.