Meta lanzó Muse Spark 1.1 el 9 de julio de 2026 y abrió su primera API de modelo pagada, fijando precios de entrada/salida a $1,25/$4,25 por millón de tokens—aproximadamente una cuarta parte del costo de Claude Opus 4.8 o GPT-5.5. El modelo, construido por Meta Superintelligence Labs bajo el jefe de IA Alexandr Wang, se dirige a flujos de trabajo de codificación y agencial con una ventana de contexto de 1 millón de tokens, soporte multimodal nativo (imágenes, vídeo, PDFs) y compactación activa de contexto que rastrea el estado entre sesiones extendidas. Los primeros socios, incluidos Replit, Cline y Box, elogiaron la profundidad de orquestación de herramientas y el rendimiento de costo. La API se encuentra en vista previa pública para desarrolladores de EE.UU. con $20 de créditos gratuitos por cuenta, accesible mediante SDK compatibles con OpenAI y Anthropic (establecer URL base en api.meta.ai/v1, nombre del modelo muse-spark-1.1).
Muse Spark 1.1 encabeza varios puntos de referencia especializados: MedScribe y TaxEval (anteriormente mantenidos por Fable 5) y Harvey's Legal Agent Bench (destronizando Grok 4.5). Internamente, Meta entrena un modelo más grande llamado Watermelon que supuestamente igualaba GPT-5.5 en puntos de referencia clave. El lanzamiento marca el cambio filosófico de Meta de Llama de código abierto (distribución permisiva) a propietario, solo API pagada—una apuesta comercial directa contra Anthropic y OpenAI sobre la sensibilidad de costo del desarrollador y la confiabilidad del uso de herramientas en sistemas agenciales. Cada nueva cuenta de API recibe $20 en créditos gratuitos; después de eso, se aplica la medición basada en tokens.
Para ingenieros de ML que evalúan asistentes de codificación: a aproximadamente el 25% de los precios de lista del modelo de frontera cerrada con paridad de tarea comercial reclamada en evaluaciones agenciales, Muse Spark 1.1 reduce la barra de precios para la orquestación multi-agente y cargas de trabajo de uso de herramientas de contexto largo. La compatibilidad SDK elimina la fricción de cambio—los equipos pueden hacer pruebas A/B de modelos contra pilas Anthropic u OpenAI existentes sin replomela. Sin embargo, la preparación para producción depende de puntos de referencia externos (las evaluaciones internas a menudo favorecen al anfitrión) y pruebas de compatibilidad en sus servidores MCP, cadenas de recuperación y requisitos de salida estructurada.