Muse Spark 1.3: para qué sirve de verdad (benchmark en español)
Su fuerte es Coding (#7 de 107 entre los que rinden el examen completo), y donde menos rinde es Agentes (6.98 contra 9.80). Cuesta $6.75 por cada 1.000 llamadas.
Dónde está parado, pilar por pilar
La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.
Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-09-14 · datos abiertos
Qué hace bien y qué no
Su media entre las 35 tareas medidas es 7.61. Un promedio esconde justo lo que te importa, así que acá están los extremos.
Donde rinde por encima de sí mismo
- Encontrar el sitio oficial de una empresa — 9.05 (+1.44 contra su media).
- Precisión literal (hex, JWT, configs) — 8.93 (+1.32 contra su media).
- JSON estructurado (extracción, schemas) — 8.91 (+1.30 contra su media).
- OCR / extracción desde imágenes — 8.67 (+1.06 contra su media).
Donde se cae
- Orquestación (flujos de varios pasos) — 3.68 (-3.93 contra su media).
- Soporte al cliente (clasificar y responder) — 5.59 (-2.02 contra su media).
- Capacidades de agente (delegación, skills) — 5.78 (-1.83 contra su media).
- No inventar herramientas (abstenerse cuando no hay) — 5.88 (-1.73 contra su media).
Si Muse Spark 1.3 no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Poolside Laguna XS 2.1 | 8.26 | $0.198 | 9.7 s | misma nota o mejor, menos plata por llamada |
| Qwen 3.8 Flash | 8.53 | $0.750 | 64.8 s | hasta 30% más caro, pero rinde más |
| Gemini 3.1 Flash Lite | 8.09 | $2.33 | 4.1 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Muse Spark 1.3 en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 143 |
| Tool calling | 7.28 |
| Resistencia a prompt injection | 8.20 |
| Precio | |
| Precio por millón · entrada | $1.25 |
| Precio por millón · salida | $4.25 |
| Rendimiento y límites | |
| Latencia total media | 18.8 s |
| Ventana de contexto | 1.048.576 |
| Contexto útil medido | 800.000 |
Contra los mejores del ranking, en plata
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Muse Spark 1.3 | 8.29 | $6.75 |
| Qwen 3.8 Flash | 8.53 | $0.750 |
| Claude Opus 4.8 | 8.48 | $39.00 |
- Qwen 3.8 Flash (el techo medido) rinde 3% más y además es más barato: $0.750 contra $6.75. Acá no hay que elegir.
- Claude Opus 4.8 (el caro que todos conocen) rinde 2% más (8.48 contra 8.29) y cuesta 6 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo 8-12 turnos) | 8.774 | 16.715 | 20.893 |
| Gestión de tareas (action items. planes) | 3.062 | 6.061 | 7.576 |
| Noticias + SEO (artículos completos) | 4.282 | 5.804 | 7.255 |
| Razonamiento profundo (matemática. Fermi) | 3.236 | 5.176 | 6.470 |
| Generación de código (Python. SQL. debug) | 2.280 | 4.948 | 6.185 |
| Decisiones de negocio (prioridades. plan) | 3.093 | 4.903 | 6.128 |
| Integridad de idioma (no mezclar idiomas) | 4.216 | 4.792 | 5.990 |
| Contenido startup (newsletter. actualidad) | 3.542 | 4.538 | 5.672 |
| Creatividad (hooks. analogías. narrativa) | 2.453 | 4.424 | 5.530 |
| Estrategia (pricing. planificación) | 4.067 | 4.356 | 5.445 |
| Extraer los datos verificables de un texto | 2.544 | 4.187 | 5.233 |
| Contenido con datos verificables (no inventar) | 2.238 | 4.120 | 5.150 |
| Razonamiento general (lógica. decisiones) | 3.819 | 3.841 | 4.801 |
| Presentaciones (slides. reportes) | 3.836 | 3.836 | 4.795 |
| Ventas en frío (cold email. campañas) | 1.988 | 3.778 | 4.722 |
| OCR / extracción desde imágenes | 2.760 | 3.519 | 4.398 |
| Auditar números (detectar el error plantado) | 2.506 | 3.465 | 4.331 |
| Contenido genérico (blog. email. social) | 1.555 | 3.323 | 4.153 |
| Precisión literal (hex. JWT. configs) | 661 | 3.176 | 3.970 |
| Seguir instrucciones al pie de la letra | 1.755 | 2.516 | 3.145 |
| Verificar VARIOS datos de una vez (lote) | 2.157 | 2.436 | 3.045 |
| Multi-turno (debugging. requisitos) | 1.940 | 2.299 | 2.873 |
| Anti-alucinación (citas. contexto) | 1.007 | 2.276 | 2.845 |
| Traducción (es↔en) | 838 | 2.155 | 2.693 |
| Verificar un dato contra su fuente | 716 | 1.943 | 2.428 |
| Capacidades de agente (delegación. skills) | 1.152 | 1.930 | 2.412 |
| JSON estructurado (extracción. schemas) | 1.109 | 1.919 | 2.398 |
| Orquestación (flujos de varios pasos) | 1.080 | 1.706 | 2.132 |
| Resistencia a prompt injection | 1.091 | 1.612 | 2.015 |
| Resúmenes y extracción de datos | 1.560 | 1.560 | 1.950 |
| Soporte al cliente (clasificar y responder) | 738 | 1.375 | 1.718 |
| Encontrar el sitio oficial de una empresa | 552 | 1.037 | 1.296 |
| No inventar herramientas (abstenerse cuando no hay) | 344 | 917 | 1.146 |
| Aguja en el pajar (contexto largo en español) | 428 | 786 | 982 |
| Tool calling (llamada de funciones) | 462 | 589 | 736 |
Los números oficiales de Muse Spark 1.3
Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.
Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.
¿Es el mejor para TU caso?
Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Muse Spark 1.3 es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →