
Muse Glimmer: qué aclara realmente el informe técnico de Meta sobre el agente local de 30B
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 186 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 76 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 151 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 246 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 207 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 94 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 104 tok/s
Meta publicó el informe técnico de Muse Glimmer el 19 de octubre de 2026, setenta días después de que el propio modelo se lanzara el 10 de agosto. Esa brecha es la razón por la que el artículo importa más que una reseña rutinaria: es el documento de Meta más detallado sobre el modelo hasta la fecha —muestra la aritmética que respalda la propuesta para hardware de consumo y señala qué filas de benchmarks ejecutó Meta por sí misma y cuáles tomó prestadas de terceros. Muse Glimmer es un modelo denso de 30.000 millones de parámetros, Apache 2.0, con entrada de texto e imagen, destilado del docente frontera de Meta, Muse Spark, y se compara a lo largo del informe con Gemma4-31B y Qwen3.6-27B. El informe también detalla por primera vez el costo real de esa destilación: 55,7 GB de pesos BF16 comprimidos a 19,65 GB para que el modelo de lenguaje quepa en una tarjeta de 32 GB, con el coste de calidad medido en lugar de afirmado. Los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, nivel de gravedad, grado de confianza y marca de disputa.
Dos de las revelaciones del documento son menos halagadoras de lo que fue el blog de lanzamiento. La primera es que la tabla de benchmark es una mezcla, no un barrido exclusivo de Meta: cuatro filas provienen de Artificial Analysis, dos cifras de rivales son los autoinformes de esos propios rivales, y el resto son ejecuciones internas de Meta contra configuraciones que Meta todavía admite que no estaban ajustadas para los competidores. La segunda es que la verificación que este artículo decía originalmente que llevaría semanas ya ha ocurrido. Artificial Analysis ha puntuado a Muse Glimmer y, en su índice actual, el modelo se sitúa en 17 —por detrás de Qwen3.6-27B, con 21, y por delante de Gemma4-31B, con 15—. Mientras tanto, la promesa que Meta hizo junto con el lanzamiento, pesos abiertos para el mucho más grande Muse Spark, se cumplió el 15 de octubre como Muse Spark Open: 816B de parámetros totales con 42B activos, bajo una licencia que no es Apache 2.0.
Lo que el informe dice que el modelo es en realidad
La arquitectura ya es pública hasta el detalle de las formas de los tensores, y explica la mayor parte del comportamiento sobre el que la gente ha estado discutiendo. Muse Glimmer suma unos 29,6B de parámetros: aproximadamente 25,16B en 52 bloques transformer, 1,34B de embedding de tokens no atado, 1,34B de proyección de salida no atada y un codificador de percepción separado de 1,8B — un ViT-G/14 con 50 capas y ancho 1536, con parches de 14 píxeles sobre una cuadrícula de referencia de 448 píxeles. La dimensión oculta es 6.656. La atención es de consultas agrupadas, 32 cabezas de consulta frente a 2 cabezas de clave-valor en una proporción de 16:1, con una ventana deslizante de 2.048 tokens en un patrón repetido de tres locales y luego una global, y RoPE aplicado solo a las capas locales. El vocabulario es de 202.048 tokens con el tokenizador BPE de Llama 4, y el contexto es de 128K+. El corte de conocimiento es el 4 de enero de 2026.
Dos cifras del artículo merecen más atención de la que recibieron el día del lanzamiento. La primera es el recuento de idiomas: el resumen dice «más de cien idiomas», el cuerpo dice aproximadamente 140 y el apéndice informa una puntuación de 60,4 en Omnilingual-GAIA2 frente al 37,5 de Gemma4-31B y el 45,0 de Qwen3.6-27B. Es una diferencia grande y, como todo lo demás en la tabla, es una ejecución propia de Meta. La segunda es la receta de entrenamiento. El preentrenamiento es destilación de logits de Muse Spark usando los 256 logits principales del profesor, con divergencia KL durante el primer 95 % de la ejecución y un cambio a entropía cruzada sobre objetivos reales durante el último 5 % para corregir el sesgo de truncamiento que introduce la destilación top-k. El entrenamiento intermedio amplía el contexto de 32K a 128K e inyecta datos de trayectorias de agentes; el entrenamiento posterior es ajuste fino supervisado, luego destilación on-policy y después aprendizaje por refuerzo multiobjetivo. Meta afirma claramente que la destilación on-policy superó a una receta basada únicamente en aprendizaje por refuerzo a este tamaño —un dato útil para cualquiera que entrene su propio modelo de agentes pequeño.
El resumen del producto no ha cambiado. Meta creó Glimmer para «flujos de trabajo de agentes locales siempre activos»: un agente que llama a herramientas, sigue planes de varios pasos, se recupera cuando una llamada falla en lugar de detenerse, y puede subir o bajar el esfuerzo de razonamiento. Los trabajos previstos son los menos glamorosos: programación local, llamada a funciones, gestión de agendas, organización de archivos y evaluación con LLM como juez. Se ejecuta bajo marcos de orquestación como OpenClaw, que el artículo cita por su nombre como la razón por la que existe demanda de invocadores de herramientas compactos y fiables.
De dónde saca sus cifras la afirmación “cabe en tu GPU”
Esta es la sección que el informe técnico tiene como objetivo zanjar, y resiste mejor de lo que lo hizo el marketing. En BF16, los pesos ocupan 55.7GB. Meta apunta a despliegues con 24GB o 32GB de memoria, reservando espacio para una caché KV sin cuantizar, el codificador de percepción y el DFlash drafter, y por lo tanto apunta a pesos del modelo de lenguaje por debajo de 20GB. Evaluó siete esquemas de cuantización posterior al entrenamiento —GPTQ, AWQ, NVFP4 uniforme, MXFP8 uniforme, el Q4_K_M de llama.cpp, una variante de calibración llamada Greedy-KL y un EvoPress adaptado— frente a la log-verosimilitud negativa en datos retenidos y, después, frente a 15 benchmarks posteriores.
El resultado son dos perfiles de despliegue con nombre propio en lugar de una vaga afirmación de «4 bits». El perfil de 32 GB es EvoPress, con 19,65 GB de pesos, y en los 15 benchmarks obtiene una media del 75,6 % frente al 75,7 % de BF16: una décima de punto. El perfil de 24 GB es Q4_K_M, con una huella menor, y promedia el 74,8 %, nueve décimas de punto por debajo. La longitud media de las respuestas pasa de 11.070 tokens con BF16 a 11.417 con EvoPress y 10.774 con Q4_K_M, así que la preocupación habitual de que la cuantización agresiva infla la longitud de la cadena de pensamiento no aparece aquí. Son mediciones de Meta sobre la mezcla de evaluación de Meta; son las cifras más concretas de calidad frente a memoria que alguien haya publicado para este modelo, y siguen siendo cifras del proveedor.
La velocidad es el único aspecto en el que el artículo es más flojo que la entrada del blog. El informe afirma que los pesos de 4 bits junto con la decodificación especulativa producen «velocidades prácticas en una sola RTX 5090» y describe el borrador en detalle —cinco capas, tamaño de bloque de 16, 32 cabezas de consulta y 8 de clave-valor, entrenado fuera de línea con rollouts on-policy y el objetivo D-PACE—, pero no publica ninguna tabla de throughput. Las cifras que circulan, aproximadamente 3,1× de aceleración en decodificación en una RTX 5090 (de 74,9 a 233 tokens/s en llama.cpp), 1,8× en una M5 Max y 1,5× en una M4 Max, provienen del material de lanzamiento y la ficha del modelo de Meta, no del informe. Trátalas como declaradas por el proveedor hasta que alguien las reproduzca en su propia máquina, lo cual, para un modelo local, es un experimento realmente fácil de ejecutar.
Por qué este lanzamiento es importante más allá de la ficha técnica
Desde Llama 4, en la primavera de 2025, Meta había guardado silencio sobre los pesos abiertos, retirándose a una línea de frontera propietaria bajo Meta Superintelligence Labs. Muse Glimmer fue el regreso público a esa estrategia, y llegó acompañado de un ensayo de Zuckerberg de 14 páginas, «The Future is for Everyone», en el que sostiene que el control concentrado es el verdadero riesgo de la IA, además de un fondo de 1000 millones de dólares con el mismo nombre. El documento no repite la política; hace algo más útil: mostrar que el regreso a los pesos abiertos no fue un gesto aislado.
El 15 de octubre, Meta publicó los pesos de Muse Spark Open: 816B de parámetros totales, 42B activos, un contexto de 1M tokens y, según Meta, capacidad para ejecutarse en dos Apple M5 Ultra Mac Studios con MLX. Es el hermano de pesos abiertos del modelo profesor y responde a la pregunta que este artículo dejó pendiente en un principio. La respuesta viene con un asterisco: Muse Spark Open se distribuye bajo la Licencia de Modelo Muse con términos comerciales limitados, no bajo Apache 2.0. Glimmer sigue siendo el más permisivo de los dos y, con 30B, el único del par que cabe en la memoria de una sola GPU de consumo. El posicionamiento de Meta es que Spark Open es el modelo de clase escritorio para quienes tienen una configuración de Mac Studio; Glimmer es el indicado para una tarjeta de 24 GB.
Todas las cifras de Spark Open anteriores son de Meta, y la afirmación concreta de que «funciona en dos Mac Studios» no ha sido reproducida de forma independiente. Lo que no está en disputa es la forma de la gama: un modelo de agente permisivo de 30B, un buque insignia restringido de 816B y un nivel de API de frontera por encima de ambos. Se trata de una estrategia coherente de pesos abiertos en lugar de un único lanzamiento, y es lo que hay que tener en cuenta en cualquier decisión sobre construir sobre el modelo más pequeño de Meta.

La afirmación "smoked", fila por fila
El marcador de arriba se generó el día del lanzamiento y, desde entonces, una de sus líneas ha quedado superada: su columna de Artificial Analysis sigue indicando «sin entrada» para Muse Glimmer. La propia tarjeta de resultados de Meta compara Muse Glimmer con una alta intensidad de razonamiento frente a Gemma4-31B y Qwen3.6-27B a lo largo de tres docenas de filas. El patrón del día del lanzamiento se mantiene: las mayores victorias son el razonamiento agéntico general, la búsqueda y el trabajo multilingüe.
• MCP-Atlas (uso de herramientas agéntico) — Muse Glimmer 75,5; Gemma4-31B 54,2; Qwen3.6-27B 62,5. Sigue siendo la fila destacada y la mayor diferencia del conjunto.
• DeepSearch QA — 74,6 frente a 61,7 y 71,1; GAIA2 — 43,3 frente a 36,4 y 40,0; WildClawBench — 47,6 frente a 37,6 y 43,2.
{{1}}GDPval-AA v2{{/1}} — 953 Elo frente a los 811 de {{2}}Gemma{{/2}} y los 1,141 de {{3}}Qwen{{/3}}. Vale la pena detenerse en esto: en el trabajo de conocimiento económicamente valioso, {{3}}Qwen{{/3}} gana por un amplio margen.
• SWE-Bench Pro — 51,2 frente a 36,9 y 50,2; ARC-AGI — 66,9 con razonamiento alto, 67,9 en el nuevo nivel xhigh que añade el informe; LiveCodeBench Pro (2025 Q2) — 64,1 en alto, 66,8 en xhigh.
• τ³-Banking — 23,5 frente a 15,1 y 16,7; PinchBench (uso de herramientas) — 90,5.
Las filas en las que pierde son igual de informativas. Qwen3.6-27B domina el uso práctico de ordenadores y el trabajo en terminal: OSWorld-Verified 75,6 frente a 65,9 de Glimmer, TerminalBench 2.1 60,7 frente a 51,7, SWE-Bench Verified 77,2 frente a 76,0, y supera por poco SkillsBench con 46,6 frente a 44,3. Gemma4-31B presenta el mejor historial de privacidad y seguridad: una tasa de infracción de CIMemories del 12,1% frente al 26,4% de Glimmer y el 53,4% de Qwen, y la tasa de éxito de ataque más baja en Siren AgentDojo, del 25,6% frente al 28,4% de Glimmer y el 40,3% de Qwen. Gemma también supera por poco las pruebas de razonamiento específicas, GPQA Diamond con 85,7 frente a 83,5 y Humanity's Last Exam con 23,6 frente a 22,0.
El apéndice de metodología es la parte que cambia cómo deberías leer todo lo anterior, y corrige lo que este artículo decía en el momento de su lanzamiento. No todas las filas son de Meta. Para los modelos rivales, Meta informa "el resultado más favorable entre las puntuaciones autoinformadas o nuestras reproducciones internas", y cuatro benchmarks —τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 y SciCode— provienen de Artificial Analysis en lugar de ejecutarse internamente. El dato de SWE-Bench Verified para Qwen3.6-27B es un autoinforme de Qwen. El dato de SWE-Bench Pro para Qwen es una ejecución interna de Meta, porque la cifra publicada por Qwen provenía de una versión refinada del benchmark y Meta evaluó el conjunto de tareas original. Para el resto, Meta reproduce ella misma a los rivales y afirma que sus herramientas de agente y sus prompts de sistema "pueden no estar específicamente ajustados para modelos propietarios de terceros".
Esa es una divulgación más cuidadosa que la que ofreció el blog de lanzamiento, y tiene un doble filo. No se trata de un barrido limpio del proveedor, lo que refuerza la credibilidad de la tabla. Pero "el más favorable entre el autoinforme y nuestra reproducción" es una regla que solo puede favorecer al rival en las filas donde el propio número del rival es más alto, y la salvedad de Meta sobre la configuración no ajustada sigue aplicando a cada fila que generó por sí misma. El detalle a nivel de fila ahora es auditable, que es lo que se busca; la dirección del sesgo no puede conocerse del todo a partir del artículo.
Lo que dice el marcador independiente
Artificial Analysis ya ha puntuado el modelo, lo que retira la salvedad de «aún no hay resultados independientes» que este artículo mantuvo durante agosto. En el índice actual de AA, Muse Glimmer con fuerza de razonamiento alta tiene un Intelligence Index de 17 y ocupa el puesto 14 de 141 modelos en su conjunto de comparación. Qwen3.6-27B se sitúa en 21 y Gemma4-31B en 15. AA también mide 137 tokens de salida por segundo con un tiempo hasta el primer token de 0,91 s —rápido para la clase, ocupando el puesto 16 de 64— y un coste de aproximadamente 0,06 USD por tarea de Intelligence Index.
Los niveles necesitan una salvedad que la clasificación no requiere. El análisis de AA de la semana de lanzamiento situó a los mismos tres modelos en 35, 38 y 30 en su índice; las páginas actuales de los modelos los sitúan en 17, 21 y 15. Los números absolutos cambiaron, el orden no. Cualquiera que sea la causa del reescalado, el hecho estable en ambas lecturas es la clasificación: Qwen por delante de Glimmer en el agregado, Glimmer por delante de Gemma, y Glimmer por delante en las filas específicas para agentes. Eso respalda una afirmación más acotada que «lidera modelos abiertos de tamaño comparable» —en un índice de inteligencia general, un modelo de 27B de abril sigue ganando— y la afirmación más acotada es la correcta.
La evaluación de AA en la semana de lanzamiento añadió un hallazgo que vale la pena retener: una tasa de alucinación del 82 % para Muse Glimmer frente al 49 % de Qwen3.6-27B, con un índice AA-Omniscience de −33. Para un agente que se ejecuta sin supervisión en tu máquina y llama a herramientas, esa es la cifra que debería determinar cuánta autonomía le das, más que MCP-Atlas. Además, AA ahora marca Qwen3.6-27B como obsoleto en favor de Qwen3.8-27B, por lo que el rival contra el que se compara a Glimmer en la mayor parte de esta tabla ya no es el modelo actual de su proveedor: un detalle que la comparación de Meta no podría haber anticipado en agosto y que el informe, publicado en octubre, no aborda.
La captura a continuación es la página de comparación tal como estaba antes de que se puntuara a Glimmer, por lo que muestra el campo al que Glimmer estaba entrando en lugar de a Glimmer dentro de él. Léala como la línea base previa a la verificación, no como la clasificación actual.

Lo que realmente cuesta ejecutarlo
Muse Glimmer en sí es gratis: Apache 2.0, sin tarifa por token, sin pagos a Meta, y el informe confirma que la versión incluye pesos de precisión completa, las variantes de 4 bits y el cabezal de especulación DFlash. El coste es el hardware que hay debajo. BF16 necesita 55,7 GB, lo que son dos tarjetas o ninguna de las de consumo. El perfil EvoPress de 32 GB es el que conviene si vas a comprar: cuesta una décima de punto de precisión media frente a BF16 y cabe en una sola tarjeta de 32 GB o en un Mac de gama alta con memoria unificada. El perfil Q4_K_M de 24 GB cuesta nueve décimas de punto y cabe en una tarjeta de la clase RTX 5090, lo cual es una concesión razonable para un agente que se ejecuta de forma continua.
Si prefieres alquilar en lugar de comprar, la tarifa alojada registrada ahora es inferior a la que citaba esta página en agosto. Artificial Analysis registra 0,30 USD por millón de tokens de entrada y 1,20 USD por millón de salida para Muse Glimmer, frente a los 0,35 y 1,50 USD que mostraban los primeros listados en el lanzamiento, con un descuento de caché del 87 % y una tarifa combinada cercana a 0,21 USD. Son tarifas de mercado publicadas por el proveedor, no un precio de Meta: Meta no publica ningún endpoint Glimmer alojado propio, y su documentación para desarrolladores está redactada en torno a apuntar tus herramientas a un servidor local de Muse Glimmer. Que ese movimiento sea una reducción por parte del mismo proveedor o un proveedor más barato que se suma al conjunto monitoreado no es algo que muestre el índice; en cualquier caso, la dirección para un lanzamiento de pesos abiertos es predecible.
La comparación que merece la pena hacer con cuidado sigue siendo local frente a alojado, y no es tan reñida como insinúa el marketing. Una tarjeta de 32 GB es un coste fijo que se amortiza con cada token que generes; una tarifa de alojamiento es un coste marginal que escala con el volumen y desaparece si el proveedor desaparece. A 0,30 y 1,20 dólares, la vía alojada es lo bastante barata como para que la mayoría de los equipos empiecen por ahí antes de comprar hardware, y la vía local solo gana cuando los tokens no pueden salir de la máquina o el volumen es lo bastante alto como para que una GPU sea más barata que una factura.
Una nota sobre nosotros, ya que influye en cómo fijarías el precio de cualquiera de estas opciones. Muse Glimmer no está en el catálogo de OrcaRouter —enrutamos API alojadas, y el modelo no se ha lanzado como ruta alojada, así que el recargo del 0 % y el sistema de una sola clave para todo no se le aplican hoy. Lo que sí se aplica es la disciplina: para los más de 200 modelos que sí enrutamos, el precio mostrado es el precio de lista del proveedor trasladado con un recargo del 0 %, de modo que una bajada de precio del proveedor se aplica aquí el mismo día, en lugar de después de recalcular el margen. Ese es el estándar con el que debería medirse esta comparación, sea cual sea la forma en que uses Glimmer.
Cómo lo usarías realmente esta semana
Como se distribuye como pesos abiertos, el acceso es una descarga. El repositorio base es meta-models/Muse-Glimmer-30B en Hugging Face, con las variantes de 4 bits y una compilación GGUF publicadas junto a él. El soporte de ejecución desde el primer día fue para llama.cpp, MLX y ExecuTorch; Ollama, LM Studio, vLLM y SGLang llegaron en pocos días, con trabajos de optimización de hardware indicados para AMD, Arm, Dell, Intel y Nvidia. La ruta práctica para la mayoría sigue sin cambios: descargar el GGUF, cargarlo en llama.cpp o en un ejecutor local, apuntar un andamiaje de agente hacia él y empezar con el perfil Q4_K_M de 24 GB, a menos que tengas 32 GB disponibles para el de EvoPress.
Si estás decidiendo si construir sobre él, el planteamiento honesto es que Glimmer es un buen agente local con un nivel mínimo de calidad documentado, un problema de alucinaciones medido y una tabla de benchmarks del proveedor que ahora es en parte auditable. El modelo profesor es una propuesta distinta: Muse Spark 1.2 se puede enrutar a través de OrcaRouter a 1,25 $ por millón de tokens de entrada y 4,25 $ por millón de salida, así que un equipo puede ejecutar el modelo pequeño en el dispositivo para el trabajo barato, privado y siempre activo, y enrutar los casos difíciles al grande con la misma clave. Esa separación —estudiante local para el bucle rutinario, profesor alojado para la escalada— es la arquitectura que realmente respaldan los dos lanzamientos, y es comprobable esta semana por el precio de una GPU que quizá ya tengas más un presupuesto de tokens. La conmutación automática por error es lo que hace que la mitad alojada sea segura para ponerla en una ruta de producción mientras un modelo aún está construyendo un historial independiente, que es exactamente el estado en el que se encuentra Glimmer.
La captura de pantalla de abajo es la tarjeta del modelo tal como se leía el día del lanzamiento. Su línea «no desplegado por ningún proveedor de inferencia» se refiere a la inferencia propia de Hugging Face, que es algo distinto del alojamiento de terceros que comenzó el 9 de agosto, y es un recordatorio útil de lo rápido que envejeció esa línea.

Qué ver
Las tres cosas que iban a zanjar esta historia se han resuelto en gran medida. El lanzamiento de pesos abiertos de Spark tuvo lugar el 15 de octubre. Se realizó una medición independiente, que situó a Qwen por delante en el agregado, a Glimmer por delante en lo agéntico y a Gemma por detrás de ambas. La disponibilidad de alojamiento se amplió, y el precio registrado ahora es de $0,30 y $1,20 en lugar de $0,35 y $1,50.
Lo que queda es más acotado y más interesante. Primero, si alguien fuera de Meta reproduce el trade-off de cuantización: las diferencias de 0,1 puntos y 0,9 puntos son la parte más sólida del informe y la más fácil de comprobar en una tarjeta de 24 GB. Segundo, si la ventaja agéntica sobrevive a un arnés que no se construyó en torno al modelo; MCP-Atlas con 75,5 es la cifra a batir y la más expuesta a las diferencias de andamiaje. Tercero, si el próximo lanzamiento pequeño de Meta hereda la licencia Apache 2.0 o la restringida Muse Model License con la que se distribuyó Spark Open; esa única elección decide si la línea Glimmer sigue siendo utilizable como base para los productos de otras personas.
El tuit de lanzamiento acertó con la noticia y fue generoso con el veredicto. Lo que añade el informe técnico es la parte que faltaba en agosto: ahora se puede ver qué se midió, en qué hardware, por quién y a qué coste en calidad. Es una base mejor para tomar una decisión que la tabla de benchmark o el tuit, y es la razón por la que este modelo sigue mereciendo la pena para planificar en torno a él, y no solo para leer sobre él.
Preguntas que realmente valen la pena responder
¿Es Muse Glimmer realmente de código abierto?
Tiene pesos abiertos bajo Apache 2.0 — cualquiera puede descargarlo, modificarlo, ajustarlo y desplegarlo comercialmente sin pagar a Meta. El informe también confirma qué cubre realmente la licencia: se publican los pesos de precisión completa, dos variantes de 4 bits y la cabeza drafter de DFlash. Lo que no se publica son los datos de entrenamiento y los pesos del profesor Muse Spark, y por eso "pesos abiertos" es la expresión cuidadosa en lugar de totalmente de código abierto en el sentido de la OSI. A efectos prácticos, el acuerdo es el mismo que convirtió a Llama en la familia abierta más desplegada de la IA.
¿Realmente Muse Glimmer supera a Gemma4-31B y Qwen3.6-27B?
En la propia tabla de Meta, gana la mayoría de las filas de tareas agénticas y de búsqueda, y el apéndice de metodología ahora muestra cuáles de esas filas fueron ejecuciones de Meta y cuáles provinieron de Artificial Analysis o de los informes de los propios rivales. La lectura independiente es más limitada: en el Intelligence Index de AA, Qwen3.6-27B obtiene 21 y Muse Glimmer 17, con Gemma4-31B en 15. Por lo tanto, la afirmación precisa es que Glimmer lidera su clase de tamaño en uso de herramientas, planificación de varios pasos y trabajo agéntico multilingüe, y no lidera en inteligencia general agregada ni en tareas de uso de computadora.
¿Puedo ejecutarlo en una computadora portátil?
Solo si «portátil» significa uno con una GPU dedicada de 24 GB o 32 GB, o un Mac de gama alta con esa cantidad de memoria unificada. El informe sitúa los pesos BF16 en 55,7 GB y apunta a dos perfiles comprimidos: 19,65 GB de pesos para una máquina de 32 GB y una compilación Q4_K_M más pequeña para 24 GB, ambos dejando margen para la caché KV, el codificador de percepción y el modelo de borrador. En gráficos integrados o en una máquina de 16 GB te encontrarías con una cuantización más intensa y una salida lenta en lugar del agente siempre activo en torno al cual está diseñada esta versión.
¿Dónde lo consigo y está disponible mediante una API?
Los pesos están en Hugging Face, en meta-models/Muse-Glimmer-30B, y puedes ejecutarlo localmente mediante llama.cpp, MLX, ExecuTorch, Ollama o LM Studio. El acceso alojado existe a través de plataformas de terceros a aproximadamente $0.30 por millón de tokens de entrada y $1.20 por millón de tokens de salida, según los precios de proveedores que monitoriza Artificial Analysis. Meta no publica ningún endpoint alojado propio de Glimmer, y el modelo no está en OrcaRouter; si termina apareciendo como una ruta alojada, la misma clave que llega a los más de 200 modelos que sí enrutamos llegará a él, pero eso no es cierto hoy.
Comparados en este artículo1
Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario
