Muse Glimmer: el modelo de agente de peso abierto de 30B de Meta afirma superar a Gemma4-31B y Qwen3.6-27B

Un post en X en la mañana del 10 de agosto de 2026 lo dijo de forma más contundente que cualquier comunicado de prensa: «La santa meta ha vuelto». El lanzamiento al que reaccionaba ese post — Muse Glimmer, el primer modelo de pesos abiertos de Meta desde Llama 4 — llegó el mismo día, y el anuncio de la propia Meta es casi tan agresivo como el tuit. La tabla de benchmarks del modelo de 30 mil millones de parámetros afirma que supera al Gemma4-31B de Go​ogle en 19 de las 24 filas y al Qwen3.6-27B de Alibaba en 14 de las 24, con el benchmark de agentes MCP-Atlas a la cabeza, donde Meta reporta 75.5 frente a 54.2 y 62.5, respectivamente.

Antes de que "smoked" se convierta en un hecho en tu cabeza, ten en cuenta quién produjo esas cifras. Cada puntuación en la tabla de Meta fue ejecutada por Meta, contra modelos rivales cuyas configuraciones la propia Meta admitió que no había ajustado. Muse Glimmer aún no aparece en Artificial Analysis, la clasificación independiente que sí rastrea esta clase exacta de tamaño, donde Qwen3.6-27B ostenta actualmente un Índice de Inteligencia de 46 y Gemma4-31B se sitúa en 39. Por lo tanto, esto son dos historias a la vez: un lanzamiento de pesos abiertos genuinamente trascendental de Meta, y una afirmación de benchmark que tardará semanas en verificarse. Esta pieza las mantiene separadas.

Lo que Muse Glimmer realmente es

Muse Glimmer es un modelo denso y multimodal de 30B — entrada de texto e imágenes a través de un codificador de percepción dedicado — entrenado en más de 100 idiomas y publicado bajo la licencia permisiva Apache 2.0. Sus pesos están en Hugging Face en meta-models/Muse-Glimmer-30B. Es una versión destilada del buque insignia propietario más grande de Meta, Muse Spark 1.2, y la receta de entrenamiento lo demuestra: destilación de logits del profesor en el preentrenamiento, entrenamiento intermedio con datos de contexto más largo y con muchos agentes, y luego ajuste fino supervisado combinado con destilación on-policy y aprendizaje por refuerzo.

El resumen del producto es tan específico como la tecnología. Meta construyó Glimmer para «flujos de trabajo de agentes locales siempre activos» — un agente que vive en tu máquina y puede llamar a herramientas, seguir planes de varios pasos, recuperarse cuando una llamada a una herramienta falla en lugar de detenerse, y subir o bajar el esfuerzo de razonamiento. Los trabajos previstos son los poco glamurosos: codificación local, llamadas a funciones, gestión de horarios, organización de archivos, evaluación con LLM como juez. Es compatible con marcos de orquestación de agentes como OpenClaw, que es como mucha gente lo ejecutará realmente.

La historia del hardware es la otra mitad de la propuesta. A plena precisión, un modelo de 30B necesita más de 55GB de memoria; la cuantización de ~4 bits de Meta lo reduce a aproximadamente 17–20GB, lo que cabe en una tarjeta de consumo de 24GB o 32GB (una RTX 5090 es la referencia) y en Mac de gama alta con memoria unificada. Un pequeño modelo borrador de decodificación especulativa —un modelo complementario que Meta llama DFlash— acelera la generación: Meta reporta aproximadamente 3.1x en una RTX 5090 (de 74.9 a 233 tokens/seg en llama.cpp), 1.8x en una M5 Max y 1.5x en una M4 Max, donde la memoria unificada ya tiene menos restricciones de ancho de banda.

Por qué este lanzamiento es importante más allá de la ficha técnica

El tweet captó bien la forma del asunto. Desde Llama 4 en la primavera de 2025, Meta había guardado silencio sobre los pesos abiertos, replegándose hacia una línea fronteriza de código propietario bajo Meta Superintelligence Labs y el director de IA Alexandr Wang. Muse Glimmer es el regreso público a la estrategia de pesos abiertos que convirtió a Llama en la familia de IA más descargada — y llegó con la señal de intención más fuerte hasta ahora: Zuckerberg publicó un ensayo de 14 páginas, "El futuro es para todos", junto con el lanzamiento, argumentando que el verdadero riesgo de la IA es el control concentrado y que los pesos abiertos son el modo en que Estados Unidos se mantiene competitivo frente a los laboratorios chinos de modelos abiertos. Pidió una regulación estadounidense más flexible para la IA de código abierto, y Meta anunció un "Fondo El futuro es para todos" de mil millones de dólares. Meta también dijo que planea publicar los pesos del Muse Spark 1.2, mucho más grande, "en las próximas semanas".

Ese contexto cambia cómo deberías leer la tabla de referencia. Esto no es una curiosidad de laboratorio de investigación que se lanza en silencio; es una declaración de estrategia con un modelo adjunto. Glimmer es la posición de "agente local barato" en la línea de Meta, socavando deliberadamente el argumento de que el trabajo serio de agentes requiere una API en la nube. Que realmente lo cumpla es exactamente lo que está en juego en la pregunta de verificación.

La afirmación "smoked", fila por fila

La tabla de Meta compara a Muse Glimmer con Gemma4-31B y Qwen3.6-27B en 24 filas de benchmarks. Donde afirma las mayores victorias, el patrón es consistente: razonamiento agéntico general y búsqueda.

MCP-Atlas (uso de herramientas agénticas) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. Esta es la fila principal y la mayor brecha del conjunto.

• DeepSearch QA — 74.6 frente a 61.7 y 71.1.

• GAIA2 (asistente general) — 43.3 frente a 36.4 y 40.0.

• WildClawBench (suite agentic) — 47.6 frente a 37.6 y 43.2.

• SWE-Bench Pro — 51.2 contra 36.9 y 50.2. Nótese el tercer número: 50.2 es la propia medición de Meta del Qwen3.6-27B, mientras que la cifra publicada por Alibaba es 53.5. Mismo modelo, dos puntuaciones diferentes según quién lo ejecutó.

• AIME 2026 — 94.7, IFBench 77.0 y AA-LCR 80.0 frente a los 68.3 de Ge​mma.

Esa es una fila sólida. Pero la tabla no es un pleno, y las filas donde Muse Glimmer pierde son tan informativas como aquellas en las que gana. Qwen3.6-27B mantiene el terreno en el uso práctico de computadoras y el trabajo intensivo en terminal: SWE-Bench Verified 77.2 contra 76.0 de Glimmer, OSWorld-Verified 75.6 contra 65.9, y TerminalBench 2.1 60.7 contra 51.7, además de una ventaja constante en pruebas multimodales como ScreenSpot Pro, OmniDocBench y MMMU-Pro. Gemma4-31B, por su parte, presenta el mejor registro de seguridad en las dos métricas que reporta Meta: la tasa de violación más baja en CI Memories y la tasa de éxito de ataque más baja en Siren AgentDojo, y supera por poco en las pruebas de razonamiento estrecho (GPQA Diamond, Humanity's Last Exam).

Interpretada literalmente, la afirmación de Meta es que «supera a los otros dos en la mayoría de los benchmarks de agentes», y en su propia tabla eso es aproximadamente cierto. Los matices son el punto. Meta ejecutó cada fila ella misma y admitió que sus configuraciones de prueba para los modelos rivales no estaban ajustadas como la suya propia. Eso no es una acusación de fraude — las configuraciones rivales sin ajustar son un pecado rutinario, incluso esperado, en esta industria — pero es exactamente la razón por la que las tablas elaboradas por los proveedores necesitan confirmación independiente. La discrepancia de Qwen SWE-Bench Pro mencionada arriba es todo el problema en miniatura.

Lo que dice el marcador independiente

Artificial Analysis no incluye todavía a Muse Glimmer — el modelo tiene solo unos días, y el índice de AA se basa en sus propias ejecuciones, que requieren tiempo. Pero AA sí rastrea a ambos rivales, lo que te da el campo medido en el que el recién llegado afirma que entra. Según el índice actual, Qwen3.6-27B tiene un Índice de Inteligencia de 46, descrito por AA como el modelo de pesos abiertos más inteligente por debajo de 150B de parámetros; Gemma4-31B se sitúa en 39. Estos son números independientes, no afirmaciones del proveedor.

La imagen independiente también muestra una complicación de costos que las cifras principales ocultan. Los datos de eficiencia de AA indican que Qwen3.6-27B genera aproximadamente 54.6 tokens/segundo frente a los 34.8 de Gemma4-31B, con un tiempo hasta el primer token más rápido en Gemma — pero Qwen usa aproximadamente 3.7 veces más tokens de salida para ejecutar el índice completo, lo que lo hace unas 21 veces más caro de evaluar de extremo a extremo. Los modelos que consumen muchos tokens son más caros en el mundo real incluso cuando sus puntuaciones en los benchmarks son mejores, y ese es un insumo para la decisión que ninguna tabla de proveedores ofrecerá voluntariamente.

Así que el estado real del mundo a día de hoy es: un resultado sólido reportado por el proveedor, ningún resultado independiente todavía para Muse Glimmer, y un campo rival que se mide de forma independiente y se divide por tareas. «Barrió a Gemma y Qwen» es una afirmación en regla; todavía no es un resultado verificado. Los marcadores de verificación que hay que vigilar son una entrada en el índice AA, el Elo de LMArena y las reproducciones de la comunidad; todos suelen aparecer a las pocas semanas de un lanzamiento como este.

Lo que realmente cuesta ejecutarlo

Muse Glimmer es gratuito — Apache 2.0, sin tarifa por token, sin pago a Meta. El costo es el hardware que le pongas debajo. Un modelo de 30B en 4 bits necesita alrededor de 17–20 GB de memoria residente más espacio para la caché KV, el codificador de percepción y el borrador DFlash, por lo que la propia guía de Meta es una tarjeta de 24 GB o 32 GB, o una Mac de gama alta. Si posees ese hardware, el costo marginal de ejecutar un agente local siempre activo es esencialmente electricidad. Si no lo tienes, una GPU de 24 GB o una Mac de la serie M al máximo es una partida real — y desde el 9 de agosto hay una tercera opción: alquilarlo. Las primeras ofertas de API alojada, disponibles a partir de esa fecha, fijan el precio de Muse Glimmer en $0.35 por millón de tokens de entrada y $1.50 por millón de tokens de salida en una ventana de contexto de 131K. Esa es una tarifa de mercado listada por un proveedor, no un precio de Meta, pero es la cifra que realmente puedes pagar hoy si prefieres no comprar hardware.

Esa es la comparación que vale la pena hacer con cuidado, porque "pesos abiertos, precio cero" se encuentra con "API alojada, precio por token" en términos muy diferentes. Cuando haces los números, valora ambos lados con honestidad. Por nuestro lado en OrcaRouter, el precio que ves para cualquiera de los más de 200 modelos alojados es el precio de lista del proveedor transmitido con un margen del 0%, por lo que un recorte de precio del proveedor se refleja aquí el mismo día, en lugar de después de un recálculo de margen — lo que hace que la comparación entre local y alojado sea directa. Muse Glimmer en sí no es todavía uno de esos más de 200 modelos, por lo que ese traspaso no se aplica a él hoy. Pero la disciplina es el punto: la forma de ponerle precio a un modelo de pesos abiertos no probado es tu propio tráfico, no una tabla del proveedor, y el DSL de enrutamiento existe para ejecutar exactamente esa comparación una vez que un modelo está detrás de una API a la que puedas llamar.

Cómo lo usarías realmente esta semana

Debido a que se distribuye con pesos abiertos, el "acceso" no es un registro: es una descarga. El repositorio base es meta-models/Muse-Glimmer-30B en Hugging Face, con una variante GGUF ya publicada y variantes de cuantización que llegarán de terceros. El soporte de ejecución desde el primer día fue llama.cpp, MLX y ExecuTorch, con integraciones de Ollama, LM Studio, vLLM y SGLang apareciendo en los días posteriores al lanzamiento, y trabajo de optimización de hardware listado para AMD, Arm, Dell, Intel y Nvidia. El camino práctico para la mayoría de las personas es: descargar el GGUF, cargarlo en llama.cpp o en un ejecutor local, y apuntar un andamiaje de agente hacia él. Meta no aloja una API pública para Glimmer en sí, y el camino local es aquel en torno al cual se construyó el modelo; pero el camino alojado ya no es hipotético: las plataformas de terceros comenzaron a ofrecerlo el 9 de agosto, así que "descargar y ejecutar" y "llamar a una API" son opciones activas ahora.

Una nota honesta sobre nosotros específicamente: Muse Glimmer aún no está disponible a través de OrcaRouter. Enrutamos API alojadas y, a partir de esta actualización, el modelo no ha llegado a nuestro catálogo: el margen de beneficio del 0% y el acuerdo de una clave para todo aplican a los más de 200 modelos que sí enrutamos, y este aún no es uno de ellos. Cuando lo esté, la misma clave que llega al resto del catálogo llegará a él sin un nuevo contrato, y la conmutación por error automática es el mecanismo que hace seguro apuntar tráfico real a un modelo nuevo reportado por el proveedor antes de que tenga un historial independiente. Esa es la misma razón por la que existe el DSL de enrutamiento: un modelo no probado debe ganarse un camino de producción con tus datos, no con su propio comunicado de prensa.

La captura de pantalla a continuación es la tarjeta de Hugging Face tal como se leía el día de su lanzamiento: su línea de "no implementado por ningún proveedor de inferencia" se refiere al servicio de inferencia propio de Hugging Face, que es algo distinto de los listados de API alojadas por terceros que se publicaron el 9 de agosto.

Qué ver

Tres cosas zanjarán esta historia, en orden aproximado de velocidad. Primero, el prometido lanzamiento de pesos abiertos de Muse Spark 1.2: si el modelo maestro se publica en las "próximas semanas", Glimmer deja de ser un caso aislado y se convierte en el punto de partida de una línea completa de pesos abiertos, que es la verdadera lectura estratégica de "Meta is back". Segundo, la medición independiente: una entrada en el índice de Artificial Analysis, la posición en LMArena y las reproducciones comunitarias te dirán si la afirmación de 19 de 24 sobrevive al contacto con alguien que no sea Meta. Tercero, la ola de alojamiento: esa ya ha comenzado. Los proveedores empezaron a servir Glimmer el 9 de agosto, así que la cuestión de local frente a alojado es ahora una elección real que puedes hacer con una clave API; lo que queda por observar es cuán amplia se vuelve la oferta de alojamiento y qué hace el precio por token una vez que se desvanece la novedad de la semana de lanzamiento.

El tweet tenía razón sobre la noticia. Si tenía razón sobre el veredicto — esa es una cuestión de semanas, y la posición honesta ahora mismo es que nadie fuera de Meta ha corrido lo suficiente como para saberlo. Lo que ya es cierto es que un modelo agente de 30B con licencia Apache-2.0 que cabe en una GPU de consumo y está respaldado por un impulso estratégico completo es un lanzamiento alrededor del cual planificar, sean cuales sean sus puntuaciones independientes.

Preguntas que realmente valen la pena responder

¿Es Muse Glimmer realmente de código abierto?

Es de pesos abiertos bajo la licencia permisiva Apache 2.0: cualquiera puede descargarlo, modificarlo, ajustarlo finamente e implementarlo comercialmente sin pagar a Meta. La expresión cuidadosa es "pesos abiertos" en lugar de código completamente abierto en el sentido de la OSI, porque los datos de entrenamiento, los pesos del profesor Muse Spark y algunas herramientas no están incluidos. En la práctica — puedes ejecutarlo, distribuirlo y vender un producto basado en él — es el mismo acuerdo que convirtió a Llama en la familia abierta más implementada en la IA.

¿Realmente Muse Glimmer supera a Gemma4-31B y Qwen3.6-27B?

En la propia tabla de Meta, sí, en la mayoría de los benchmarks de agentes y de búsqueda, con la salvedad de que Meta realizó la comparación ella misma y no ajustó las configuraciones de los rivales. El panorama honesto es más específico: Meta gana en las filas de razonamiento agéntico, Qwen3.6-27B gana en uso práctico de computadora y trabajo en terminal, además de la mayoría de las pruebas multimodales, y Gemma4-31B presenta el mejor historial de seguridad. A fecha de lanzamiento no existe ninguna entrada en un índice independiente para Muse Glimmer, así que trate la afirmación de 19 de 24 como reportada por el proveedor hasta que alguien más lo ejecute.

¿Puedo ejecutarlo en una computadora portátil?

Solo si "laptop" significa una con GPU discreta de 24 GB o 32 GB, o una Mac de gama alta con chip M-series y suficiente memoria unificada — un Muse Glimmer de 4 bits necesita aproximadamente 17–20 GB más margen para la caché KV, el codificador de percepción y el modelo borrador DFlash. Eso es una compra real para la mayoría de las personas, y es el costo oculto dentro de un modelo "gratis". En gráficos integrados o una máquina de 16 GB, te encontrarías con una cuantización fuerte y una salida lenta, en lugar del agente siempre activo en torno al cual se diseñó el lanzamiento.

¿Dónde lo consigo? — ¿está en una API?

Los pesos están en Hugging Face en meta-models/Muse-Glimmer-30B (con una variante GGUF), y puedes ejecutarlo localmente mediante llama.cpp, MLX, ExecuTorch o los runners locales que ya lo están integrando. El acceso a la API alojada también está disponible, desde el 9 de agosto, a través de plataformas de terceros a un precio publicado de $0.35 por millón de tokens de entrada y $1.50 por millón de tokens de salida, así que ya no necesitas tener una GPU de 24GB para usarlo. Meta en sí aún no aloja una API pública para Glimmer, y tampoco está en OrcaRouter todavía. Cuando llegue a nuestro catálogo, la misma clave que llega al resto del catálogo llegará a él; hasta entonces, los dos caminos honestos son la inferencia local o una plataforma alojada de terceros.