Interconnects pone a Meta tercera entre los laboratorios de IA de EE.UU.

Esta semana el balance de los modelos de pesos abiertos hechos en Estados Unidos dio un salto de vuelta hacia la frontera, según el análisis que publicó el boletín Interconnects el 17 de octubre. Meta encabezó ese movimiento con Muse Spark Open, que hoy es por un margen amplio el modelo abierto estadounidense más fuerte. El primer modelo de Reflection, Beam, también suma.

Sin esos dos modelos, habría más de 20 modelos de pesos abiertos creados por empresas chinas mejores que los mejores modelos occidentales. Al cierre del análisis, Mistral también había anunciado un modelo fuerte, Mistral Large 4, con un puntaje de 38 en el índice de Artificial Analysis, aunque sus pesos todavía no se publican. Según el boletín, circulan rumores de algunos modelos abiertos estadounidenses fuertes más, de otras organizaciones.

En muchos sentidos, la brecha entre los mejores modelos estadounidenses y chinos se redujo más o menos a la mitad, plantea Interconnects. Los mejores modelos abiertos de Estados Unidos pasaron de ser casi irrelevantes para quien necesita el máximo rendimiento a estar detrás, pero ser relevantes.

El episodio muestra lo competitivo que es el negocio de los modelos de frontera. Reflection y Mistral anunciaron los puntajes de sus modelos, y Meta liberó los pesos de un modelo más inteligente antes de que los otros dos laboratorios alcanzaran a publicar los suyos. Todos estos modelos compiten con modelos chinos lanzados hace meses, y la industria se pregunta dónde han estado Kimi y Zhipu AI desde GLM-5.3 y Kimi K3, lanzados el 18 de agosto y el 16 de julio respectivamente. El autor dejó esa pregunta para otro análisis.

¿Por qué Muse Spark Open debería despegar?

Interconnects ve una y otra vez en sus análisis de modelos abiertos que los modelos occidentales de pesos abiertos logran muchísima más adopción que los chinos con la misma relación entre rendimiento y tamaño, aunque los chinos suelen salir primero. Muse Spark Open llega a ese escenario justo cuando los agentes de LLM de tarea abierta por fin son reales, desde las capacidades de GLM 5.2 en adelante.

YouTube

Con el aumento rápido del rendimiento de los modelos chinos, el ecosistema abierto vive una aceleración de la demanda. Los proveedores de inferencia están creciendo rápido, se está formando una economía abierta de post-entrenamiento y muchísimas empresas quieren ser dueñas de su propia inteligencia artificial. El rendimiento de Muse Spark Open queda por encima de GLM 5.2, cerca de DeepSeek V4.1 Flash y detrás de GLM 5.3 o Kimi K3. Para el boletín, debería ser "suficientemente bueno" para entrar directo en ese mercado.

La ficha del modelo en Hugging Face lo describe así.

"Muse Spark Open es un modelo de pesos abiertos con 816B parámetros totales y 42B activos, con una ventana de contexto de 1M de tokens. Construido para programación y trabajo agéntico, Muse Spark Open es nativamente multimodal. Esta versión de pesos abiertos tiene post-entrenamiento de seguridad adicional para hacerla más resistente al mal uso como modelo independiente sin barreras de sistema. Recomendamos desplegar Muse Spark Open como parte de un sistema de IA más amplio, con barreras adicionales adecuadas al caso de uso específico."

Esa nota sobre el entrenamiento de seguridad adicional llevó a muchos observadores a pensar que el modelo había quedado "roto" en ese proceso, porque salió después de Muse Spark 1.3 y rinde por debajo. Para Interconnects, lo más probable es que se trate de un ajuste de seguridad de Muse Spark 1.2, que solo implicaría una caída de 1 punto en Artificial Analysis para reforzar el comportamiento seguro. Cuando Meta lanzó Muse Glimmer, su modelo agéntico de 30B, Alexandr Wang dijo que se preparaban para liberar Muse Spark 1.2 como pesos abiertos, lo que calza con esa lectura.

La licencia, el freno

Si algo va a frenar a Muse Spark Open, será la licencia específica que Meta diseñó para él, según el boletín. Esa licencia a medida trae prácticamente todas las condiciones restrictivas que se han visto, y que Interconnects ha criticado, en los últimos años de trabajo con modelos abiertos.

• Quien use el modelo en un producto tiene que mostrar el rótulo "Built with Muse". Meta ya lo hizo con Llama y Kimi lo ha intentado, pero casi nadie lo cumple.
• Hay un límite por ingresos. Las empresas que facturan más de 20 millones de dólares al mes en todo su negocio y despliegan el modelo necesitan una licencia aparte con Meta. Otros proveedores de modelos abiertos conocidos hacen lo mismo para armar acuerdos de reparto de ingresos por la reventa de inferencia.
• Obliga a aceptar una política de uso aceptable, lo que en el mundo del software de código abierto en sentido estricto lo deja muy lejos de serlo.
• Todo lo anterior se aplica también a las salidas del modelo y a sus derivados, así que no queda claro en lo legal si se puede usar el modelo con seguridad para generar datos sintéticos.

La licencia sí permite usar Muse Spark Open para investigación y aplicaciones internas.

El boletín describe un equilibrio extraño. La licencia es compleja y no ha sido probada en tribunales, pero es probable que muchos actores la ignoren. Muchísima gente construirá sobre este modelo a través de distintos proveedores de inferencia, y lo más probable es que Meta solo persiga las infracciones más graves.

Hasta ahora las licencias no han sido el factor que decide la adopción de la IA, pero eso podría cambiar. Por eso Interconnects considera un riesgo estratégico innecesario que los laboratorios que intentan competir y recuperar adopción usen licencias abiertas complejas y fuera del estándar.

¿Meta es un laboratorio de primer o de segundo nivel?

Pocos días antes de Muse Spark Open, Meta presentó sus modelos cerrados de frontera, Muse Wonder y Muse Wonder Full. En las pruebas tradicionales son modelos muy fuertes, solo detrás de Opus 5.5 de Anthropic y similares a GPT-6-Astra de OpenAI o Gemini-4-Argon de Google.

Estos lanzamientos llegan poco más de un año después del gran giro de Meta en IA, marcado por la publicación Personal Superintelligence de su CEO, Mark Zuckerberg, que recibió muchas críticas en su momento. Meta es la única empresa estadounidense con modelos de frontera tanto abiertos como cerrados. Qwen, de Alibaba, ha seguido una estrategia parecida, pero mucho más inclinada a lo abierto.

Las primeras impresiones de todos estos modelos han sido sólidas, aunque se esperaba que no igualaran de inmediato el nivel de pulido de los modelos más recientes de Anthropic y OpenAI en el uso real. El autor dijo que le entusiasma probarlos más.

Interconnects valora la racha reciente de Meta, que impulsa sus propios productos con el agente Muse y se queda con la corona del mejor modelo abierto estadounidense cuando le sirve. Sea o no un éxito financiero, para el boletín es una perspectiva única que calza con su historia como empresa.

A menudo parece haber una puerta giratoria sobre qué laboratorio le pisa los talones al dúo que lidera, Anthropic y OpenAI. No está claro que a largo plazo Gemini y xAI estén fuera de la pelea, pero su oferta hoy es mucho más confusa que la de Meta. En una entrevista en The Cheeky Pint, Zuckerberg y Alexandr Wang describieron un laboratorio con mucha responsabilidad individual y mucho cómputo por investigador, una apuesta que según el autor debería rendir. Muchos laboratorios mueren por capas de burocracia e incentivos desalineados. Wang, en cambio, tiene más de 200 reportes directos, una organización muy plana con muy poca gestión intermedia, y están sacando mejoras de modelos y productos muy consistentes.

Recursos y organización

La visión del autor es que para construir modelos hacen falta recursos, cómputo, datos y talento, todo lo cual depende de grandes sumas de dinero, pero que organizarlos es muy difícil. A veces se describe a Gemini como un lugar donde es imposible avanzar o crecer. Para el boletín eso exagera el problema, porque mucha gente está feliz ahí, pero tiene algo de cierto. Las capas de gestión fácilmente se interponen en el camino de hacer un gran modelo.

El fracaso de Llama se ha descrito muchas veces como ese tipo de gestión llevada demasiado lejos, con decisiones sobre modelos tomadas por política interna y no por rendimiento. xAI va por su propio carril, más cerca de tener demasiada rotación de talento o muy poca organización para sostener grandes modelos por mucho tiempo.

En los últimos años, Meta, Gemini y xAI han producido modelos prácticamente en la frontera del rendimiento, pero lo que ha distinguido a OpenAI y Anthropic es su constancia para mantenerse ahí. Según Interconnects, Anthropic parece la más preparada y organizada, con un plan y una visión de cómo deben funcionar estas organizaciones, y eso le dio la delantera. OpenAI ha sido más irregular, pero logra mantenerse en la frontera de los modelos desplegados mientras lidera los avances científicos públicos, desde Navier-Stokes hasta el escalamiento en tiempo de inferencia de o1.

El ranking que propone el boletín entre las empresas analizadas, más Xiaomi V2.6 Pro como el mejor modelo de pesos abiertos en general, es este.

1. Anthropic 2. OpenAI 3. Meta y Gemini, empatados 4. xAI y los modelos abiertos chinos, empatados 5. Los modelos abiertos estadounidenses

Preguntas abiertas para la industria

Después de mucho tiempo prediciendo que el juego de los modelos de frontera se volvería demasiado caro para que muchos siguieran el ritmo, el autor cree que eso podría estar ocurriendo entre los modelos occidentales. Con lo cerca que están todos los modelos entre sí, parece muy lejano un escenario en que una sola empresa gane gracias a la automejora recursiva. Lo que sí ocurre es que la lista de laboratorios capaces de competir en Estados Unidos se está achicando a cinco, Anthropic, OpenAI, Meta, Gemini y xAI. Si Microsoft empieza a lanzar modelos, como sugieren sus resultados de escalamiento, podría sumarse a esa lista, con el respaldo financiero de su negocio de hiperescala y acceso directo a la propiedad intelectual de OpenAI para entrenar modelos.

A los mejores modelos de los actores de "tercer nivel", como Mistral, Nemotron, Reflection o Arcee, les ha costado cada vez más pesar en la frontera abierta o en la cerrada. Todavía pueden lograr una adopción considerable, suficiente para empezar a hacer crecer un negocio, pero el costo de construir verdaderos modelos de frontera ya se mide en miles de millones de dólares por cada modelo grande, y solo las empresas enormes pueden sostener eso.