Meta afirma que la primera fase de Prometheus, su superclúster de New Albany (Ohio), ya entrenó los modelos Muse y que la instalación crecerá hasta aproximarse al millón de GPU. La compañía aporta cifras poco habituales sobre continuidad del entrenamiento, pero omite dos datos necesarios para juzgar eficiencia: consumo energético total y coste.
En su descripción técnica, Meta habla de cientos de miles de GPU actuales, refrigeración líquida en circuito cerrado, más del 85 % de goodput en preentrenamiento y más del 90 % en aprendizaje por refuerzo. También sitúa el tiempo medio entre interrupciones en unas 47.000 horas‑GPU durante esos trabajos y por encima de 54.000 tras cambios de firmware.
Goodput mide tiempo útil, no eficiencia completa
En un entrenamiento distribuido, una GPU puede estar encendida sin contribuir al avance: espera datos, repite un paso o queda bloqueada por otro nodo. El goodput intenta separar el trabajo que mueve el modelo del tiempo teórico disponible. Mejorarlo reduce desperdicio operativo, pero no revela cuánta electricidad consume cada token útil.
The File revisó el anuncio y señaló la misma frontera: el tamaño y los porcentajes proceden de Meta; no existe auditoría externa en la fuente y no se ofrece factura energética ni coste.
La potencia de los racks sí está publicada
Meta identifica dos plataformas actuales: Catalina, basada en NVIDIA GB200, y Clemente, en GB300. También anticipa una tercera con Vera Rubin NVL72. La potencia nominal de un rack o pareja de racks permite comparar sus diseños; para obtener energía consumida harían falta el tiempo y la carga real, además de infraestructura auxiliar.
| Plataforma según Meta | GPU y memoria | Potencia indicada |
|---|---|---|
| Catalina: pareja de racks GB200 | 72 GPU; 13,4 TB HBM3e | Aproximadamente 120 kW |
| Clemente: un rack GB300 | 72 GPU; 20,7 TB HBM3e | Aproximadamente 135 kW |
Son especificaciones del proveedor. No permiten calcular la factura de toda la instalación ni comparar directamente su eficiencia con otro sistema sin fijar la misma carga.
Qué falta para evaluar el conjunto
| Cifra publicada | Denominador necesario |
|---|---|
| 85–90 % de goodput | Definición exacta de trabajo útil y ventana medida |
| 47.000–54.000 horas‑GPU entre fallos | Número de GPU y efecto real de cada interrupción |
| Cerca de un millón de GPU como objetivo | Calendario completo, mezcla final de aceleradores, utilización y energía total consumida |
Las horas‑GPU tampoco equivalen a horas de reloj. Si cien mil GPU funcionan una hora, el sistema acumula cien mil horas‑GPU. Una cifra grande puede convivir con interrupciones frecuentes cuando la flota también es enorme.
Lo que Prometheus sí demuestra
Meta ha transformado en dos años una instalación convencional en una infraestructura capaz de coordinar trabajos de frontera entre varios edificios. Esa ingeniería —red, refrigeración, firmware y reparación— forma parte del producto tanto como el modelo. Que Muse Wonder se entrenara allí conecta el anuncio con un resultado concreto, aunque no valida la calidad del modelo ni la eficiencia ambiental.
La lectura responsable no es «un millón de GPU produce mejor IA», sino «la escala obliga a publicar métricas con denominador». Goodput, energía por trabajo útil, agua, coste y fallos recuperados deberían leerse juntos. Por ahora solo una parte está disponible y procede del proveedor.
Prometheus es la infraestructura que Meta vincula a Muse Wonder, sus precios y su memoria persistente. Para comparar otro enfoque de hardware, Maia 300 de Microsoft permite ver qué cambia entre rendimiento por rack, potencia nominal y rendimiento declarado por megavatio.
Actualización del 21/10/2026: añadidas las plataformas GB200/GB300 y sus potencias nominales para separarlas del consumo total y la mezcla futura de la instalación, que no se publican.
Transparencia: artículo elaborado con asistencia de IA a partir de las fuentes enlazadas. Las cifras son de Meta y no se han auditado de forma independiente.
