Muse Wonder: precios, acceso y cuándo conviene usarlo

¿Qué es Muse Wonder?

Meta Superintelligence Labs lanzó Muse Wonder y Muse Wonder Full el 12 de octubre de 2026. Con ellos llega una opción de mayor capacidad para tareas prolongadas que requieren planificar, usar herramientas y recuperarse de intentos fallidos. Un agente es el software que rodea al modelo y le permite realizar esas acciones, en lugar de limitarse a responder en un chat. El anuncio de Meta recoge la fecha de lanzamiento y presenta ambas variantes.

En la práctica, tienes una opción más al elegir modelo para tu flujo de trabajo. Un desarrollador podría evaluar Wonder en una refactorización que abarque varios paquetes. Un responsable de operaciones podría probarlo en una investigación con muchos documentos que exija recurrir a varias herramientas para obtener una respuesta. Ninguno necesita sustituir un clasificador económico que ya funciona solo porque haya salido un modelo nuevo.

Meta describe las funciones de planificación, uso de herramientas en paralelo y recuperación ante errores en su publicación para desarrolladores. Estas capacidades solo aportan valor si el resultado supera tus comprobaciones. Una ejecución más larga que resuelve la tarea equivocada sigue generando trabajo de revisión.

Muse Wonder y Wonder Full: qué necesitas para acceder a cada uno

Wonder está disponible por API; Wonder Full es la variante de mayor capacidad, reservada a determinadas suscripciones de Muse Code. La página de modelos de Meta indica 1M de contexto para ambos. El contexto es el material que un modelo puede considerar a la vez y se mide en tokens: pequeñas unidades de texto y de otras entradas codificadas.

Las restricciones de acceso figuran en la documentación de disponibilidad de modelos de Meta. Allí se aclara que ajustar el esfuerzo de razonamiento de Wonder a max no selecciona Wonder Full. Ese ajuste modifica cuánto razona el modelo elegido; no cambia los modelos a los que tienes acceso.

¿Cuánto cuesta Wonder Full?

En la página del modelo Wonder, Meta fija el precio de Muse Code Power Usage en $50.00/mes y el de Maximum Usage en $200.00/mes. Ambos incluyen Full. Son precios de Muse Code, no de la aplicación Muse, que es un producto aparte.

Elige Power Usage para evaluar Full si el uso incluido cubre tus necesidades. Considera Maximum Usage cuando necesites su mayor cuota, no porque Full exija contratar el plan más caro. Según Meta, las cuotas equivalen a 20x y 80x la de Everyday Usage, respectivamente; ninguna ofrece uso ilimitado.

La suscripción tampoco paga cualquier consumo de API. La documentación de suscripciones indica que su credencial solo sirve para Muse Code; las claves de API adicionales se facturan por separado. Las prestaciones y la disponibilidad pueden variar según la región.

¿Ya está Wonder en la aplicación Muse?

En el lanzamiento, Meta dice «próximamente», con prioridad para los suscriptores. No fija una fecha ni confirma el acceso a Wonder Full desde la aplicación Muse. Para acceder hoy por una vía documentada, usa la API o Muse Code. Según el anuncio de Meta, la llegada a la aplicación sigue pendiente.

Precios de la API de Muse Wonder: cuánto cuesta una tarea

Calcula el presupuesto a partir de los tokens que consume realmente la tarea, incluidas las llamadas sucesivas. La ventana de contexto de 1M indica capacidad: no es una solicitud a precio fijo ni una cuota mensual.

Estas tarifas en USD se comprobaron en las páginas de modelos y precios de Meta el 13 de octubre de 2026. Todos los precios corresponden a un millón de tokens en modo Standard:

La entrada en caché es contenido del prompt que se reutiliza y cumple los requisitos para aplicar la tarifa reducida. La documentación de precios de Meta indica que no hay recargo por contexto largo. Las búsquedas web se cobran aparte: $2.50 por cada 1,000 consultas, además de los tokens. La API de Wonder solo está disponible en modo Standard; no hay descuento de API en modo Contributor para Wonder.

Un ejemplo de presupuesto para desarrollo u operaciones

Supongamos que una tarea consume 200,000 tokens de entrada sin caché y 20,000 tokens de salida facturados entre todas sus llamadas. Es una carga de trabajo ilustrativa, no una ejecución medida del modelo. Excluimos las búsquedas y otros costos ajenos a los tokens, y mantenemos el mismo consumo:

• Spark 1.2: (0.2 × $1.25) + (0.02 × $4.25) = $0.335 por tarea.
• Wonder: (0.2 × $4.00) + (0.02 × $20.00) = $1.20 por tarea.
• Diferencia: $0.865 por tarea, o aproximadamente 3.58 veces el costo en tokens.

Para 1,000 tareas, eso supone $335 con Spark frente a $1,200 con Wonder, un aumento de $865. Si quien dirige el negocio envía solo el 10% más difícil a Wonder y mantiene el otro 90% en Spark, esa misma carga ilustrativa cuesta $421.50. El ejemplo presupone que las tareas pueden separarse por dificultad; no demuestra que ninguno de los dos modelos vaya a resolverlas bien.

El consumo real de tokens puede variar entre modelos. Usa el cálculo a igualdad de consumo para planificar una prueba y, después, sustituye ese supuesto por el uso facturado y el tiempo de revisión de tus propias tareas.

¿Cuándo conviene seguir con Muse Spark 1.2?

Mantén un flujo de trabajo con Spark ya validado si Wonder no ha demostrado aportar una ventaja en esa tarea. Muse Spark 1.2 ya ofrece 1M de contexto y su página de modelo lo presenta como una opción para programación y uso de herramientas. Por tanto, una ventana de contexto amplia no basta para justificar el cambio.

Para un responsable de operaciones que clasifica solicitudes entrantes, extrae campos o prepara un resumen habitual, lo que importa es si el resultado cumple los criterios de aceptación. Para un desarrollador independiente que corrige un error acotado, importa que el cambio y las pruebas sean correctos. Si Spark ya cumple, la tarifa más alta de Wonder necesita una justificación concreta.

Hay una diferencia entre versiones que conviene tener presente: Meta recomienda ahora Muse Spark 1.3 para los nuevos trabajos con Spark, aunque 1.2 sigue disponible. Su documentación de modelos también advierte que la compatibilidad con audio de 1.3 es incompleta y remite a 1.2 a quienes trabajan con audio. Seguir en la familia Spark y mantener deliberadamente una implementación probada de 1.2 son decisiones distintas.

¿Quién debería probar Wonder, esperar o mantener su modelo actual?

Los desarrolladores deberían probar Wonder cuando una tarea se atasca repetidamente al trabajar con varios archivos, herramientas o fallos intermedios. Mantén el alcance y las comprobaciones de aceptación para poder determinar si cambiar de modelo ayuda. Evalúa Full dentro de Muse Code solo cuando el trabajo de programación más exigente justifique esa suscripción.

Los responsables de operaciones deberían mantener en Spark las tareas de bajo costo y probar Wonder en una excepción bien delimitada: por ejemplo, un caso difícil que exija contrastar varios documentos para elaborar una respuesta respaldada por pruebas. Pide la misma evidencia que exigirías a una persona encargada de ese trabajo.

Quienes deciden las compras y los CTO deberían separar la decisión de implementación de la clasificación de modelos. Un producto que necesita integración por API no puede usar Full por esa vía hoy. Si buscas específicamente Wonder dentro de la aplicación Muse, espera a que se confirme su disponibilidad allí; comprar un plan de Muse Code sería pagar por otro producto.

Active Memory y Active Focus: qué promete Meta

La promesa de Meta consiste en recordar lo relevante y sostener el trabajo, no solo en admitir un prompt más grande. La diferencia importa: recordar una instrucción y cumplirla hasta el final son capacidades que pueden fallar por separado.

Según Meta, Active Memory conserva contexto útil entre conversaciones y recupera lo que importa para la tarea actual. Active Focus, también según Meta, persevera ante objetivos difíciles, prueba alternativas, resuelve bloqueos y solicita aclaraciones o realiza comprobaciones antes de acciones importantes. Son comportamientos que Meta atribuye a sus modelos, no garantías verificadas de forma independiente en este artículo.

En operaciones, una prueba útil de memoria consiste en comprobar si el agente recupera una restricción de entrega comunicada anteriormente al revisar un pedido nuevo. Para evaluar el enfoque sostenido, puedes comprobar si se recupera de una consulta fallida sin perder de vista esa restricción. La primera prueba evalúa lo que recuerda; la segunda, si sigue adelante respetándolo. Un párrafo final bien escrito no demuestra ninguna de las dos cosas.

En una integración propia, decide dónde se guarda la información anterior y cómo llega al modelo. No des por hecho que cambiar el ID de modelo en la API crea automáticamente un sistema de memoria persistente. Muse Code, por ejemplo, documenta una memoria en Markdown con ámbitos separados, lo que muestra que el producto que rodea al modelo también interviene.

Cómo usar Muse Wonder: Muse Code o la API

Usa Muse Code para una tarea en un repositorio, o la API para una aplicación que controles. La primera prueba debería responder a una pregunta concreta con un resultado que puedas revisar.

Primeros pasos con Muse Code

Muse Code es el agente de programación de Meta para la terminal. Sigue la guía oficial de inicio rápido en macOS o Linux:

curl -fsSL https://dev.meta.ai/install.sh | sh
muse

Ejecútalo desde el repositorio en el que quieras trabajar. La primera vez, inicia sesión desde el navegador o utiliza una clave de API. Abre /models y selecciona Wonder; elige Full solo si tu suscripción lo incluye.

Dale un objetivo acotado, como: «Diagnostica por qué falla la prueba de paginación, propone la corrección mínima y muestra el resultado de la prueba específica». Revisa los cambios y las pruebas que los respaldan antes de aceptarlos. Nuestra guía de uso de Muse Code explica con más detalle la instalación, la planificación y la revisión.

Cómo hacer una solicitud directa a la API

Crea una clave de API en el panel de Meta Model API mediante API keys → Create API key y asígnala a la variable MODEL_API_KEY en tu shell. Con esa variable definida, este ejemplo adapta la solicitud de Responses documentada por Meta al ID de modelo de Wonder:

curl -sS https://api.meta.ai/v1/responses \
  -H "Authorization: Bearer $MODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "muse-wonder-1.0",
    "input": "Plan a contained fix for a pagination bug. List the evidence needed to verify it."
  }'

La respuesta es un plan, no una modificación del repositorio: esta solicitud no proporciona ningún repositorio ni herramientas. Meta indica que Wonder y Spark aceptan las mismas solicitudes en los mismos endpoints, por lo que una integración existente con Spark es un punto de partida práctico para la evaluación.

Más allá de las promesas: tener acceso no garantiza que la tarea se complete sola

El error con mayores consecuencias es pagar por el acceso a partir de una suposición equivocada. Ten presentes estas diferencias al decidir la compra:

• Full es una variante independiente. Wonder con razonamiento max sigue siendo Wonder. Las tarifas de API de $4/$20 no dan acceso a Full.
• 1M de contexto no garantiza que recuerde lo relevante. La capacidad no demuestra que el modelo haya encontrado el dato importante ni que lo haya respetado durante toda la tarea.
• Una suscripción no equivale a crédito ilimitado de API. Muse Code y las claves de API creadas por separado llevan cuentas de consumo distintas.
• Es un lanzamiento de un modelo alojado por el proveedor. El anuncio y la documentación de acceso citados no ofrecen pesos de Wonder descargables para alojarlo por cuenta propia.

También hay un ajuste concreto que debes decidir: las suscripciones de Muse Code activan por defecto el modo Contributor. Este permite a Meta usar el contenido proporcionado para entrenar modelos a cambio de una mayor cuota de uso. Desactívalo en la configuración si no encaja con tu trabajo. En el modo Standard de la API de Wonder, Meta afirma que el contenido no se utiliza para entrenar sus modelos. Comprueba las condiciones de la vía de acceso que uses.

Si necesitas comparar los modelos entre sí, consulta Muse Wonder vs Claude Opus 5.5. Para conocer la generación anterior de Spark, el análisis de Muse Spark 1.1 aporta contexto histórico; para calcular el presupuesto actual, utiliza las tarifas de este artículo.

Preguntas frecuentes

El siguiente paso: pruébalo con tu propio trabajo

Elige 10 tareas acotadas de un flujo de trabajo existente. Mantén las mismas entradas y reglas de aceptación, compara tu configuración actual de Spark con Wonder y registra los resultados aceptados, el consumo total facturado y el tiempo de revisión. Conserva Spark para el trabajo que ya resuelve bien; adopta Wonder donde la mejora medida compense el costo adicional. Evalúa Full por separado solo si Muse Code es el entorno adecuado para ese trabajo.

Para recibir guías prácticas sobre selección de modelos de IA y costos de uso, suscríbete al boletín.