Meta lanza Muse Wonder, su modelo frontier de 1M tokens

Qué lanzó Meta exactamente

Meta Superintelligence Labs (MSL) presentó el 12 de octubre Muse Wonder y Muse Wonder Full, su segunda familia de modelos y la primera que la compañía coloca abiertamente en la conversación de modelos frontier. El nombre interno del proyecto era "Watermelon".

La diferencia entre ambos modelos no es cosmética. Muse Wonder es la versión rápida y ya está disponible para desarrolladores a través de la Meta Model API y de Muse Code, el agente de programación de Meta. Muse Wonder Full es el modelo completo y quedó reservado exclusivamente a los suscriptores de Muse Code, sin acceso vía API.

Ambos comparten especificaciones: ventana de contexto de 1 millón de tokens (equivalente a unas 750.000 palabras, según la model card citada por Decrypt), entrada de texto, imagen, video y audio, y salida solo de texto. Los modelos se entrenaron en el data center Prometheus, en Ohio central.

Meta ya no publica pesos descargables. Con Muse Wonder, la compañía profundiza el giro que inició con Muse Spark: el mejor modelo se vende, no se regala. Es un cambio de estrategia relevante para cualquiera que construía sobre la familia Llama.

¿Cuánto cuesta Muse Wonder y quién puede usarlo?

El precio es el dato más accionable del lanzamiento. Muse Wonder cuesta US$4 por millón de tokens de entrada, US$0,20 por millón de tokens de entrada en caché y US$20 por millón de tokens de salida.

Ese número, reportado por Decrypt y Notebookcheck, empata con lo que Anthropic cobra por Claude Opus 5.5 y queda muy por debajo de los US$10 de entrada y US$50 de salida que OpenAI cobra por GPT-6 Astra. Para un equipo que corre agentes con volúmenes altos de contexto, la diferencia se acumula rápido.

El acceso está escalonado. Según KuCoin, los usuarios de Muse necesitan un plan de US$20 o US$100 mensuales para acceder a Muse Wonder, mientras que Muse Wonder Full está disponible para quienes usan Muse Code con planes de US$50 o US$200 al mes. La app Muse sigue limitada a Norteamérica: se lanzó en Estados Unidos y llegó a Canadá, y Meta no anunció fecha para Europa, según Notebookcheck.

¿Qué dicen los benchmarks independientes?

Acá conviene separar dos cosas: lo que Meta mide y lo que mide un tercero.

En el Intelligence Index v4.3 de Artificial Analysis, un promedio ponderado de diez evaluaciones, Muse Wonder Full (max) obtiene 56 puntos y Muse Wonder (max) 52, frente a los 48 de Muse Spark 1.3 apenas seis semanas antes. Claude Opus 5.5 lidera con 58. Es decir: Meta cerró la brecha a dos puntos del primer puesto, pero no lo alcanzó.

Las mejoras más fuertes están en tareas agénticas. En Terminal-Bench 4.0, Wonder Full pasó de 33% a 57%, y Wonder de 33% a 52%. En el Coding Agents Index, Wonder Full marca 68 en Muse Code, empatando con Claude Code + Sonnet 5.5 (68) y por delante de Opus 5.5 (66); Wonder llega a 63.

El costo por tarea del índice también importa: Muse Wonder cuesta US$4,52 por tarea, impulsado por un uso alto de tokens de entrada. Para Wonder Full no hay precio publicado, así que su costo no se puede calcular.

El punto débil es el conocimiento general. En AA-Omniscience, Wonder Full saca 30 frente a 43 de GPT-6 Astra y 46 de Claude Opus 5.5, según Cointribune. Un modelo excelente ejecutando, más flojo recordando.

¿Dónde queda Meta frente a OpenAI y Anthropic?

Meta publicó su propio Personal Superintelligence Index, donde Wonder Full obtiene 59,1 contra 55,2 de Opus 5.5 y 54,5 de GPT-6 Astra. La compañía no publicó cómo se calcula ese índice, y en el caso de SWE-Marathon admitió que la comparación no fue controlada y que su modelo corrió a máximo esfuerzo.

En las métricas propias, Wonder Full gana en sesiones largas de código (SWE-Marathon: 57,5 vs 46,3 de Opus 5.5), en trabajo legal agéntico (Harvey LAB: 13,1 vs 8,6 de Astra) y en memoria (MemoryBench: 85,5 vs 81,5 de Opus 5.5). Pero Opus 5.5 sigue arriba en HealthBench Pro, OSWorld, Terminal-Bench y ProgramBench, donde saca 70,5 contra 59,0.

La lectura honesta: Meta entró al grupo de arriba en varias categorías, no en todas. El propio Zuckerberg reconoció ante el Financial Times que todavía hay una brecha entre la capacidad del modelo en tareas académicas avanzadas y su utilidad como asistente diario confiable.

¿Qué significa esto para tu startup?

Primero, la buena noticia: la competencia entre tres laboratorios con modelos de primer nivel presiona los precios a la baja y mejora la relación capacidad-costo. Un modelo frontier a US$4/US$20 por millón de tokens, con 1M de contexto, cambia la economía de productos que dependen de leer documentos largos o mantener memoria entre sesiones.

Segundo, la advertencia: Wonder Full está detrás de un muro de suscripción y sin precio por token publicado. Si tu producto necesita el modelo completo, no puedes planificar costos por API todavía. Diseña tu arquitectura para que el modelo sea intercambiable.

Acciones concretas que puedes tomar esta semana:

• Corre tu propio benchmark. No migres por un leaderboard. Toma 20 tareas reales de tu producto (no demos) y compáralas contra tu modelo actual midiendo calidad, latencia y costo por tarea. Artificial Analysis ya muestra que el costo por tarea varía mucho entre modelos con puntajes parecidos.
• Prueba el ángulo de memoria. Active Memory, la capacidad de retener contexto entre conversaciones de días o semanas, es la función que Meta más destaca. Si tu producto sufre porque el usuario tiene que repetir información, ese es el caso de uso a validar primero.
• Mide tokens, no solo precio. El costo real depende de cuántos tokens consume el modelo para resolver la tarea. Wonder usa alrededor de 54.000 tokens de salida por tarea del índice, un 10% menos que su predecesor, pero su uso de entrada es alto. Un modelo barato por token puede salir caro por tarea.
• No dependas de un solo proveedor. Meta cerró el modelo, OpenAI y Anthropic también. La única defensa real es una capa de abstracción que te permita cambiar de modelo sin reescribir tu producto.

El contexto que no conviene ignorar

Meta no llega a este lanzamiento desde una posición cómoda. Tras el tropiezo de Llama 4, Zuckerberg hizo un acuerdo de aproximadamente US$14.000 millones por Scale AI y puso a su fundador, Alexandr Wang, al frente de MSL. Muse Spark fue el primer fruto de esa reorganización; Muse Wonder es el segundo.

El mercado lo tomó bien: la acción de Meta subió cerca de 3% el día del lanzamiento y acumula casi un 10% de subida desde el lanzamiento de Muse en septiembre, según el Financial Times citado por KuCoin.

Pero la retención es la prueba pendiente. Datos de Sensor Tower muestran que Muse arrancó con una retención de día 1 del 73,3% y cayó a 22,5% en el día 14, por debajo del 26,8% de ChatGPT. La app acumuló cerca de 9 millones de descargas globales desde su lanzamiento, aunque su ritmo de crecimiento ya se desaceleró.

Hay además un límite que no depende del modelo: cada vez más sitios bloquean agentes. A fines de septiembre, Amazon bloqueó a Muse para completar compras en su sitio, y otros sitios aplicaron restricciones similares. Un modelo más capaz no resuelve un problema de acceso.

Para un founder, la conclusión práctica es doble. Hay un modelo frontier nuevo y competitivo en precio al que vale la pena mirar, sobre todo para tareas agénticas de largo aliento. Y hay una lección de producto: la capacidad del modelo es solo una parte de la ecuación. La distribución, la retención y el acceso a las plataformas donde tu agente tiene que operar pesan tanto como el benchmark.

Fuentes

• AINews: Meta Muse Wonder & Wonder Full (fuente original)
• Decrypt: Meta's New Muse Wonder Finally Puts Zuckerberg in the Frontier AI Race
• IJR: Meta releases Muse Wonder, claims AI benchmark gains
• Notebookcheck: Meta Muse Wonder: Developers get it now, the Muse app skips Europe
• KuCoin: Meta Launches Muse Wonder AI Model, Signals Greater Future Investments
• Cointribune: Meta unveils Muse Wonder and Muse Wonder Full
• India Today: Meta launches Muse Wonder, Mark Zuckerberg says it's now at AI frontier