Meta abre Muse Glimmer, pero mantiene su Muse Spark más potente detrás de una API
Mark Zuckerberg lanzó esta semana un modelo de IA de pesos abiertos, aunque mantiene el sistema más capaz de Meta detrás de una interfaz controlada por la empresa. El contraste, destacado en el informe de TechCrunch, pone a prueba en la práctica su promesa de que la IA debe ser “para todos”.
Meta afirma que Muse Glimmer puede descargarse y ejecutarse en hardware personal. Los desarrolladores pueden inspeccionar sus pesos, modificar su comportamiento y operarlo sin enrutar cada solicitud a través de los servidores de Meta.
Muse Spark sigue otro camino. Meta presentó ese modelo en abril y, posteriormente, abrió un acceso limitado para desarrolladores a través de su propia API en julio. La API permite a los desarrolladores usar el modelo, pero Meta conserva el control sobre la infraestructura, las reglas de acceso y las capacidades disponibles.
Esa división importa más que la retórica de Zuckerberg. Los pesos abiertos distribuyen el control técnico, mientras que una API preserva el control centralizado sobre el servicio más potente. Meta intenta respaldar ambos enfoques sin admitir que responden a intereses distintos.
La empresa también compite con OpenAI, Anthropic y Google. Estos laboratorios suelen proteger sus modelos líderes mientras ofrecen acceso mediante productos o API. La posición de Meta parece diferente, pero solo si sus lanzamientos descargables siguen siendo lo bastante capaces como para importar.
Por tanto, la verdadera pregunta es medible. ¿Meta publica modelos útiles porque Zuckerberg cree que la inteligencia debe distribuirse ampliamente, o porque la apertura le da a Meta una ventaja competitiva?
Meta lanzó un modelo y retuvo el control de otro
Muse Glimmer convierte el principio de Zuckerberg en algo que los desarrolladores pueden poner a prueba, pero no elimina el negocio de modelos controlados de Meta.
Meta lanzó Muse Glimmer junto con el extenso ensayo de Zuckerberg sobre la distribución de IA avanzada. El manifiesto sobre IA sostiene que concentrar la inteligencia dentro de unas pocas empresas, instituciones o gobiernos produciría peores resultados.
Associated Press informó que Muse Glimmer puede ejecutarse en una computadora personal. Un modelo de pesos abiertos proporciona parámetros entrenados que las personas pueden descargar, aunque eso no incluye necesariamente sus datos de entrenamiento ni el proceso completo de desarrollo.
Esa distinción hace que “código abierto” sea una etiqueta imprecisa. El software tradicional de código abierto suele proporcionar el código necesario para inspeccionar, modificar y reproducir un programa. La IA de pesos abiertos a menudo expone el modelo terminado sin revelar todos los ingredientes utilizados para crearlo.
Incluso con esos límites, los pesos descargables brindan a los desarrolladores una independencia significativa. Un hospital, un grupo de investigación o una empresa local pueden operar un modelo dentro de una infraestructura que controlan. Las solicitudes no necesitan salir de ese entorno.
Un desarrollador también puede ajustar el modelo para una tarea especializada. Puede medir cómo se comporta con distintas configuraciones de seguridad, estudiar sus fallos o integrarlo en un flujo de trabajo sin conexión.
Muse Spark sigue siendo más centralizado. Meta presentó el modelo original el 8 de abril como el primer producto de Meta Superintelligence Labs. Admitía razonamiento multimodal, herramientas y la orquestación de varios agentes de IA.
Inicialmente, Meta puso Muse Spark a disposición a través de Meta AI y una vista previa privada de la API. La presentación del modelo de la empresa también reconoció brechas de rendimiento en tareas de agentes de larga duración y flujos de trabajo de programación.
Muse Spark 1.1 llegó en julio con una vista previa pública de la API para desarrolladores de Estados Unidos. Meta afirma que admite una ventana de contexto de un millón de tokens, uso de computadoras, programación y tareas multimodales que involucran imágenes, video y documentos.
Esas capacidades se encuentran detrás del servicio de Meta. Los desarrolladores pueden enviar solicitudes, pero no pueden inspeccionar ni alojar de forma independiente el sistema completo. Meta decide cómo opera el servicio y qué usuarios reciben acceso.
La empresa ahora afirma que planea publicar los pesos de una versión de Muse Spark 1.2. Hasta que lleguen esos pesos, la promesa sigue siendo un compromiso futuro, no una transferencia de control ya realizada.
Esta división de modelos no es inherentemente engañosa. Entrenar y ofrecer sistemas líderes requiere una infraestructura informática considerable, y los lanzamientos públicos plantean cuestiones reales de seguridad. Sin embargo, la división establece el criterio para evaluar la posición de Zuckerberg.
Si Meta abre continuamente modelos más pequeños mientras reserva sus sistemas más potentes, “IA para todos” significa un acceso amplio a un nivel de capacidad inferior. Si publica pesos competitivos de Muse Spark, la frase adquiere una mayor sustancia técnica.
Por qué Google News no puede responder si Zuckerberg cree en su propia afirmación
Un titular puede recoger la promesa de Zuckerberg, pero la política de lanzamiento que la sustenta determina si esa promesa merece confianza.
La aparición de la historia en Google News crea un desajuste inusual en las búsquedas. Los lectores se encuentran con una pregunta filosófica, mientras que las pruebas consisten en licencias, archivos de modelos, evaluaciones de seguridad y condiciones de acceso.
Las creencias no son directamente observables. Las declaraciones públicas de Zuckerberg pueden revelar una postura coherente, pero no pueden establecer su motivación privada. La conducta de Meta ofrece una prueba más sólida.
Zuckerberg ha defendido el desarrollo abierto de IA durante varios años. En 2024, criticó la idea de que una sola empresa debiera crear y controlar una inteligencia dominante. En 2025, describió la “superinteligencia personal para todos” como la dirección a largo plazo de Meta.
Meta también construyó una influencia real mediante lanzamientos anteriores. Los modelos Llama dieron a investigadores, startups y desarrolladores independientes alternativas a los sistemas cerrados. Esos lanzamientos ayudaron a normalizar la idea de que los modelos de lenguaje capaces podían adaptarse fuera de la nube de su creador.
La era Muse complica ese historial. Meta creó Superintelligence Labs después de que sus modelos anteriores tuvieran dificultades para igualar a los principales competidores. La empresa incorporó a Alexandr Wang y a otros investigadores mientras reconstruía su operación de entrenamiento.
TechCrunch informó que Meta invirtió 14.300 millones de dólares para adquirir una participación del 49 por ciento en Scale AI. Ese movimiento reforzó el acceso de Meta a operaciones de datos y talento ejecutivo, pero también mostró cuánto capital estaba dispuesta a concentrar la empresa.
Muse Spark fue el primer resultado de esa reestructuración. Meta lo describió como un cambio “desde cero” y afirmó que su proceso de entrenamiento necesitaba sustancialmente menos trabajo informático que Llama 4 Maverick para alcanzar niveles comparables de capacidad interna.
Esas afirmaciones procedían de las propias evaluaciones de Meta. Las pruebas independientes son más difíciles cuando los investigadores externos no pueden descargar el modelo ni reproducir su entorno operativo.
Muse Glimmer crea una mejor vía de verificación porque las personas pueden ejecutarlo por sí mismas. Los evaluadores independientes pueden examinar la latencia, la fiabilidad, las necesidades de hardware, el comportamiento de seguridad y el rendimiento en tareas sin depender por completo de la interfaz de Meta.
Ahí es donde un titular de Google News deja de ser útil. La distribución a través de un agregador de noticias puede difundir el mensaje de Zuckerberg, pero no puede resolver si Glimmer es competitivo o está estratégicamente limitado.
Los incentivos de Meta también apuntan en ambas direcciones. Los pesos abiertos pueden debilitar a los competidores que cobran por el acceso a modelos. Pueden atraer desarrolladores hacia la investigación, los formatos y las herramientas circundantes de Meta.
Al mismo tiempo, los lanzamientos abiertos pueden respaldar un mercado más diverso. Los desarrolladores que alojan un modelo localmente ganan poder de negociación porque no quedan atados al servicio de un único proveedor.
Estos motivos pueden coexistir. Zuckerberg puede creer sinceramente en una IA distribuida y, al mismo tiempo, reconocer que la apertura ayuda a Meta a desafiar a proveedores de modelos mejor posicionados.
La prueba más sólida es la coherencia bajo presión. El compromiso de Meta importa más cuando publicar los pesos entra en conflicto con su ventaja de producto a corto plazo, no cuando la apertura le ayuda a cerrar una brecha competitiva.
Los pesos abiertos no distribuyen automáticamente el poder de la IA
Descargar un modelo redistribuye el control operativo, pero los recursos informáticos siguen determinando quién puede entrenar, mejorar y desplegar sistemas avanzados a escala.
El argumento de Zuckerberg trata el acceso como la división central. Si las personas pueden obtener modelos, supuestamente pueden crear herramientas que reflejen sus propios objetivos en lugar de aceptar decisiones tomadas por unos pocos laboratorios.
Muse Glimmer hace avanzar ese objetivo en el nivel de despliegue. Un modelo local capaz puede mantener documentos sensibles dentro de un entorno controlado por el usuario. También puede seguir funcionando cuando un servicio externo cambia sus reglas.
La operación local importa para ingenieros que manejan código propietario, investigadores que estudian datos restringidos y organizaciones sujetas a políticas estrictas de información. Estos grupos necesitan algo más que permiso para enviar prompts al sistema de otra persona.
La misma lógica se aplica a la información personal. Un asistente operado localmente puede buscar en documentos, notas o historial de proyectos sin transmitir automáticamente ese material a un proveedor de modelos.
Sin embargo, los pesos del modelo no incluyen hardware asequible. No proporcionan electricidad, chips especializados, datos de entrenamiento de alta calidad ni los ingenieros necesarios para mantener un sistema de producción.
Las organizaciones más pequeñas pueden ejecutar modelos comprimidos, pero no pueden reproducir fácilmente los laboratorios que los crearon. Meta sigue controlando una enorme infraestructura informática y la distribución entre consumidores a través de Facebook, Instagram, WhatsApp y sus productos de hardware.
El anuncio de la empresa de abril hacía referencia a la inversión continua en entrenamiento, investigación e infraestructura, incluido su centro de datos Hyperion. Esa escala sigue centralizada incluso cuando Meta publica resultados seleccionados.
La diferencia se vuelve más clara al comparar Muse Glimmer con Muse Spark. Glimmer ofrece una mayor independencia, mientras que Spark ofrece una capacidad declarada más alta mediante una infraestructura operada por Meta.
Esta es la disyuntiva central, no una contradicción que pueda resolverse mediante branding. El modelo más capaz puede exigir recursos que vuelven poco realista una operación local cómoda. Un modelo descargable más pequeño puede ofrecer autonomía, pero rendir peor en tareas difíciles.
Por tanto, Meta puede afirmar que distribuye la IA mientras mantiene centralizada la capa más valiosa. Los usuarios reciben un acceso significativo, pero la empresa conserva su ventaja en entrenamiento, despliegue e integración de productos.
Las licencias abiertas también merecen escrutinio. Un modelo es más útil cuando sus términos permiten adaptación comercial, investigación, redistribución y modificación sin restricciones impredecibles.
La licencia exacta importa más que la palabra “abierto”. Los desarrolladores necesitan saber si se aplican límites de uso, si Meta puede revisar el acceso y si los productos derivados heredan obligaciones especiales.
La transparencia presenta otro límite. Los investigadores no pueden explicar por completo la construcción de un modelo cuando los datos de entrenamiento y el historial de desarrollo siguen sin estar disponibles. Pueden estudiar su comportamiento, pero el acceso conductual no garantiza la reproducibilidad.
Esto no hace que los pesos abiertos sean vacíos de contenido. Los convierte en un componente del poder distribuido de la IA. El acceso al hardware, la documentación, las licencias, la investigación de seguridad y el rendimiento competitivo completan el panorama.
El enfoque de Meta debe juzgarse en todas esas dimensiones. Un modelo descargable que realiza trabajo útil puede ampliar las opciones incluso si no es completamente de código abierto.
Por el contrario, un lanzamiento nominalmente abierto puede funcionar principalmente como relaciones públicas si llega tarde, incluye términos restrictivos o queda demasiado rezagado frente a alternativas cerradas.
El verdadero rival de Meta es el control centralizado de los modelos
La principal disputa no es Meta contra un único rival; es la propiedad distribuida de los modelos frente a la inteligencia ofrecida únicamente como un servicio gestionado.
OpenAI, Anthropic y Google han construido sus principales ofertas en torno a productos y API centralizados. Los clientes obtienen acceso inmediato sin comprar hardware para servir modelos ni mantener infraestructura de despliegue.
Ese esquema ofrece ventajas prácticas. Los proveedores pueden actualizar modelos, vigilar abusos, aplicar salvaguardas y mejorar el rendimiento sin exigir que cada cliente gestione una nueva versión.
Los servicios centralizados también pueden retirar funciones, modificar límites, cambiar precios o restringir cuentas. Los desarrolladores que construyen en torno al comportamiento de un proveedor pueden afrontar cambios costosos cuando este modifica un modelo.
Los pesos abiertos revierten parte de esa dependencia. Una vez que los desarrolladores poseen un modelo y cuentan con permiso legal para usarlo, pueden conservar una versión funcional. Controlan las actualizaciones y pueden trasladar el despliegue entre entornos compatibles.
Meta tiene razones comerciales para favorecer esta vía. Su negocio principal no depende principalmente de vender tokens de modelos. Obtiene un valor considerable de la publicidad y de mantener a las personas interactuando en todos sus productos.
Un acceso más amplio a modelos capaces puede reducir la ventaja de las empresas cuyos negocios dependen más directamente de servicios de IA propietarios. Meta puede convertir en una mercancía parte del mercado mientras usa la IA para mejorar sus plataformas existentes.
Esa estrategia no invalida el beneficio público. Linux se volvió importante en parte porque las empresas encontraron razones rentables para respaldar software compartido. Los incentivos comerciales y el acceso distribuido no son mutuamente excluyentes.
La preocupación es si la apertura de Meta perdura después de que mejore su posición competitiva. Las empresas suelen respaldar estándares abiertos mientras esos estándares les ayudan a entrar en un mercado. Sus prioridades pueden cambiar una vez que ganan influencia.
Muse Spark ofrece una prueba temprana. Meta entró en 2026 con la necesidad de cerrar una brecha visible de capacidades. Su nuevo laboratorio entregó un modelo que Meta presentó a través de sus propios productos y API.
La actualización de Muse Spark añadió un acceso más amplio para desarrolladores, pero inicialmente no otorgó a estos control independiente sobre el modelo. La prometida publicación de los pesos de Spark 1.2 cambiaría de forma sustancial ese equilibrio.
Un lanzamiento oportuno presionaría a otros laboratorios. Los clientes podrían comparar la comodidad del alojamiento con el control local usando modelos más cercanos al rango de capacidades líder.
Un lanzamiento retrasado o reducido produciría otro resultado. Meta podría mantener su reputación de apertura mediante Glimmer mientras opera su tecnología más capaz como los laboratorios que Zuckerberg critica.
Por tanto, los desarrolladores deberían comparar artefactos en lugar de manifiestos. Deberían examinar qué puntos de control se publican, cuánto espera Meta y si la versión descargable coincide con el modelo alojado.
Los benchmarks independientes también requieren una interpretación cuidadosa. Los proveedores suelen seleccionar evaluaciones que favorecen a sus sistemas, mientras que las pruebas estáticas pueden no representar el trabajo real.
Las comparaciones más útiles implicarán tareas reproducibles. Los agentes de programación pueden probarse con reparaciones completas. Los sistemas multimodales pueden medirse en flujos de trabajo documentales. Los modelos que usan herramientas pueden evaluarse con permisos idénticos.
Meta afirma que Muse Spark 1.1 puede gestionar contexto extendido, operar ordenadores y coordinar herramientas. Estas afirmaciones requieren pruebas externas en condiciones realistas, especialmente cuando los usuarios no pueden inspeccionar los pesos subyacentes.
Si Muse Spark 1.2 se vuelve descargable, los investigadores podrán realizar comparaciones más sólidas. Podrán separar la capacidad subyacente del modelo de las mejoras proporcionadas por el servicio que lo rodea de Meta.
Eso haría más creíble la vía de los modelos distribuidos. También obligaría a los competidores a explicar por qué un control equivalente debería seguir sin estar disponible para sus clientes.
La seguridad expone la debilidad más difícil del argumento de Meta
Un acceso más amplio a los modelos amplía la investigación defensiva y el control de los usuarios, pero también reduce la capacidad de un desarrollador para retirar capacidades peligrosas.
Zuckerberg sostiene que la inteligencia concentrada crea sus propios riesgos. Unos pocos laboratorios podrían influir en qué empresas, gobiernos e individuos reciben herramientas avanzadas.
Esa preocupación merece atención. Los proveedores centralizados pueden imponer políticas opacas o convertirse en objetivos atractivos para la presión política. Una falla del servicio también puede afectar a cada cliente que depende del mismo sistema.
Los lanzamientos abiertos permiten que más personas inspeccionen el comportamiento y desarrollen defensas. Los investigadores de seguridad pueden analizar un modelo sin preocuparse de que un proveedor de API bloquee experimentos inusuales.
El acceso también ayuda a los investigadores a reproducir hallazgos. Un punto de control fijo les da un objeto estable para probar, a diferencia de un servicio alojado que puede cambiar sin un registro público completo.
El contraargumento es igual de serio. Un modelo descargable no puede retirarse por completo. Si los usuarios eliminan salvaguardas o lo adaptan para trabajos dañinos, Meta no puede resolver el problema con una actualización del lado del servidor.
Las capacidades de Muse Spark intensifican esa preocupación. Meta describe sus sistemas como agénticos, lo que significa que pueden planificar pasos y usar herramientas externas en lugar de limitarse a producir texto.
El acceso a herramientas convierte una respuesta errónea en una posible acción. Un modelo que opera un navegador, un entorno de código o una aplicación empresarial puede causar daños más rápido que un chatbot convencional.
Meta afirma que evaluó Muse Spark frente a riesgos químicos, biológicos, de ciberseguridad y de pérdida de control. Su evaluación publicada informó que el modelo se mantuvo dentro de los umbrales de seguridad de Meta.
Esos hallazgos son afirmaciones de la empresa. Los investigadores externos necesitan acceso suficiente para probar los resultados, cuestionar los modelos de amenazas y examinar condiciones que la evaluación de Meta pudo haber pasado por alto.
Associated Press citó al líder del Future of Life Institute, Anthony Aguirre, quien cuestionó si Meta podría controlar sistemas que se vuelven más capaces. Su organización favorece un enfoque más lento para el desarrollo de IA avanzada.
Los defensores de los derechos digitales ofrecen una crítica distinta. Matt Lane, de Fight for the Future, dijo a AP que la IA abierta importa, pero advirtió contra equiparar la apertura con la dependencia de sistemas diseñados por Meta.
Esa distinción es esencial. Un mercado dominado por modelos descargables de Meta podría estar menos centralizado que un único servicio alojado, pero aun así concentrar la influencia técnica en torno a una sola empresa.
Por tanto, el debate sobre la seguridad no puede reducirse a “lo abierto es bueno” o “lo cerrado es seguro”. Ambas vías distribuyen riesgos distintos y formas de control diferentes.
Los proveedores cerrados pueden supervisar el uso y corregir problemas, pero los clientes deben confiar en su criterio. Los desarrolladores de pesos abiertos pueden auditar y personalizar modelos, pero las copias peligrosas pueden persistir.
El proceso de revisión independiente propuesto por Meta podría mejorar su credibilidad si tiene autoridad real sobre los lanzamientos. Los detalles determinarán si actúa como una restricción o como una capa asesora.
Las preguntas útiles incluyen quién designa a los revisores, qué pruebas reciben y si las decisiones se hacen públicas. Los observadores también deberían preguntar si el consejo puede retrasar un lanzamiento estratégicamente importante.
La propia historia de Meta crea otro problema de confianza. La empresa pide a las personas que acepten una IA altamente personalizada en servicios construidos en torno a una amplia recopilación de datos y publicidad dirigida.
Muse Spark exigió inicialmente una cuenta existente de Meta para el acceso de consumidores. TechCrunch señaló que usos más profundos relacionados con la salud y la vida personal podrían generar preocupaciones de privacidad, especialmente cuando la empresa ha hablado de entrenar con datos públicos de usuarios.
Un modelo de pesos abiertos ofrece una posible respuesta porque las personas pueden operarlo fuera de los servidores de Meta. Sin embargo, esa respuesta solo se aplica cuando el sistema descargable puede realizar el trabajo que los usuarios necesitan.
El argumento de seguridad y privacidad a favor de una “IA para todos” se fortalece cuando los usuarios reciben opciones reales. Esas opciones deben incluir operación local, modelos competidores, licencias comprensibles y evaluaciones creíbles.
Tres señales revelarán si Meta lo dice en serio
Los próximos lanzamientos mostrarán si la “IA para todos” es un principio operativo duradero o una posición conveniente en la competencia actual de Meta.
La primera señal es el prometido lanzamiento de los pesos de Muse Spark 1.2. El momento, la paridad de capacidades y las licencias importarán más que el anuncio en sí.
Un lanzamiento rápido con derechos comerciales útiles reforzaría el argumento de Zuckerberg. Mostraría que Meta acepta un control reducido sobre un sistema más cercano a su principal modelo alojado.
Un punto de control retrasado debilitaría ese argumento. Lo mismo ocurriría si la versión descargable carece de capacidades importantes disponibles a través de la API de Meta.
La segunda señal es la adopción independiente. Los totales de descargas ofrecen una pista, pero los despliegues en producción y las evaluaciones reproducibles revelan más.
Los desarrolladores deberían observar si las organizaciones realmente eligen Muse Glimmer para programación, análisis de documentos, búsqueda privada o flujos de trabajo basados en herramientas. Los proyectos sostenidos importan más que los experimentos de la semana de lanzamiento.
Las comparaciones independientes también deberían medir los requisitos operativos totales. Un modelo descrito como ejecutable localmente aún puede exigir hardware, memoria y habilidades de configuración que superen las posibilidades de muchos usuarios.
Una adopción sólida mostraría que Meta transfirió un control útil. Una adopción débil podría significar que el lanzamiento es demasiado limitado, demasiado difícil de ejecutar o está demasiado rezagado frente a alternativas alojadas.
La tercera señal es el comportamiento de Meta cuando seguridad y competencia chocan. La empresa afirma que las decisiones de lanzamiento seguirán criterios formales de seguridad y revisión independiente.
Una decisión transparente de retener un modelo genuinamente riesgoso no refutaría automáticamente la posición de Zuckerberg. La apertura responsable requiere límites, especialmente para sistemas con capacidades avanzadas de ciberseguridad o biológicas.
Sin embargo, un lenguaje de seguridad vago no debería convertirse en una excusa permanente para proteger ventajas comerciales. Meta debería publicar pruebas suficientes para distinguir una decisión de seguridad de una estratégica.
Las reacciones de los competidores añadirán contexto. Si OpenAI, Anthropic o Google ofrecen opciones más portables, el enfoque de Meta habrá generado presión más allá de sus propios productos.
Si siguen cerrados mientras continúan liderando en capacidad, el mercado revelará qué valoran los clientes. Muchas empresas pueden elegir la fiabilidad gestionada por encima del control, mientras otras aceptan la complejidad para preservar su independencia.
Por eso el debate que aparece a través de Google News no debería terminar con un veredicto sobre la sinceridad de Zuckerberg. La pregunta más útil es si las acciones de Meta amplían opciones duraderas.
Por ahora, la respuesta es mixta. Muse Glimmer ofrece a los desarrolladores un modelo que pueden poseer y operar. Muse Spark muestra que Meta aún valora el acceso centralizado para su sistema más capaz.
El argumento de Zuckerberg también contiene una idea válida. El control concentrado de la IA merece tanto escrutinio como los riesgos creados por modelos ampliamente disponibles.
Su solución sigue siendo incompleta. Distribuir un punto de control no distribuye la infraestructura de entrenamiento, la capacidad de cómputo, el alcance de producto ni el poder de decisión.
Los lectores deberían revisar esta afirmación después de que llegue Spark 1.2, los evaluadores independientes publiquen resultados y Meta explique sus criterios de lanzamiento. Esos acontecimientos ofrecerán mejores pruebas que cualquier manifiesto.
Hasta entonces, trate cada titular de Google News sobre la “IA para todos” como el comienzo de la investigación. Pregunte qué puede descargarse, qué sigue restringido y quién controla la próxima actualización.
Esa prueba se aplica más allá de Meta. Los desarrolladores, compradores empresariales y usuarios comunes deberían comparar propiedad, privacidad, seguridad y costes de cambio antes de comprometer su trabajo con cualquier proveedor de IA.
La acción más importante es sencilla: seguir los hechos, no el eslogan. Si Meta continúa publicando modelos competitivos cuando hacerlo le cuesta control, la promesa de Zuckerberg será más difícil de descartar.
