Qwen3.8-27B vs Meta Muse Glimmer: La carrera de agentes locales, un lado ya está aquí

Me​ta Muse Glimmer se lanzó el 10 de agosto de 2026 — Apache 2.0, aproximadamente 30 mil millones de parámetros, apuntando directamente a cargas de trabajo locales de agentes — y el modelo que casi con certeza será su competidor más cercano aún no ha salido. Alibaba anunció Qwe​n3.8-27B el 3 de agosto como el miembro autohospedable de la generación Qwe​n3.8, prometió sus pesos abiertos para la semana del 10 de agosto, y al momento de escribir esto el repositorio oficial no ha aparecido. Eso hace que esta comparación sea deliberadamente desequilibrada: un lado es real y descargable hoy, el otro sigue sin verificar. Que es exactamente por lo que vale la pena escribir ahora — Me​ta construyó la propia tabla de referencia de Glimmer contra el predecesor del 27B, así que la pelea ya está planteada antes de que el 27B exista.

El enfrentamiento de un vistazo

Both models are chasing the same buyer: someone who wants near-flagship agentic and coding ability on hardware they own, not on an API. The dimensions line up like this, with the Qwe​n side marked unverified wherever the repository has not yet confirmed it:

• Estado — Meta Muse Glimmer ya disponible vs Qwen3.8-27B anunciado, pesos pendientes.

• Tamaño — Glimmer tiene ~29.6B en total (27.9B decodificador de texto + 1.9B codificador de visión) frente a los ~27B del 27B, arquitectura sin confirmar.

• Licencia: Apache 2.0, que cubre pesos, cuantizaciones, borrador y codificador, frente a no anunciada, con la cláusula de Tongyi Qianwen de 100M-MAU como una posibilidad real.

• Contexto — Glimmer admite una ventana de 128K tokens frente al contexto del 27B, sin confirmar.

• Modalidad — Glimmer recibe entrada de texto e imágenes a través de un codificador de percepción, a diferencia del 27B, probablemente primero texto, sin confirmar.

• Huella local — Glimmer se ejecuta en ~17 GB con su configuración de 4 bits K-Quant-17GB, frente a los ~17 GB proyectados en Q4_K_M para el modelo de 27B.

• Tecnología de velocidad — Glimmer incorpora decodificación especulativa DFlash (Me​ta informa de 74.9 a 233.4 tokens/s en una RTX 5090, un salto de 3.1×) frente a la 27B, aún no hay tales afirmaciones.

Por qué Me​ta apuntó aquí

Muse Glimmer es una versión destilada y cuantizada del modelo insignia cerrado de Me​ta, Muse Spark 1.2, lanzada por Me​ta Superintelligence Labs y ajustada específicamente para agentes siempre activos en el dispositivo: llamada de herramientas, razonamiento de múltiples pasos, recuperación de errores y reintento, comprensión intercalada de texto e imágenes, y más de 100 idiomas. Las propias cifras de Me​ta colocan a Glimmer por delante de la familia Ge​mma 4 y de Qwen3.6-27B en varias pruebas agentivas — MCP Atlas 75.5, DeepSearch QA 74.6, SWE-Bench Pro 51.2 — y justo por detrás en algunas otras. Todo ello es reportado por el proveedor y no ha sido replicado de forma independiente, y vale la pena decirlo claramente: en los benchmarks agentivos que Me​ta eligió, Glimmer lidera sobre la generación anterior de Qwe​n, y en los que no eligió, Qwe​n sigue liderando.

Dos cosas hacen que Glimmer sea notable más allá de las puntuaciones. Primero, la licencia: Apache 2.0, sin cláusula de MAU, sin umbral de discusión comercial — lo más permisivo que Me​ta ha publicado en mucho tiempo, y el ensayo adjunto de Zuckerberg hizo explícita la apuesta estratégica. Segundo, el conjunto de herramientas desde el primer día: llama.cpp, Hugging Face Transformers, Ollama, LM Studio y SGLang implementaron soporte en el lanzamiento o cerca de él, que es exactamente lo que un modelo local necesita para ser utilizable en lugar de solo descargable.

Me​ta ya eligió al oponente

El dato más útil del lanzamiento de Glimmer para esta comparación es contra quién evaluó Me​ta: Qwe​n3.6-27B, el predecesor directo de Qwe​n3.8-27B. En la propia tabla de Me​ta, Glimmer supera por poco al Qwe​n 27B en SWE-Bench Pro (51.2 vs 50.2) y queda por detrás en SWE-Bench Verified (76.0 vs 77.2), mientras que Qwe​n lidera en OSWorld-Verified, Terminal-Bench 2.1 y la mayoría de los benchmarks multimodales. En otras palabras, las dos familias están intercambiando golpes en la escala local de 27–30B, y la generación 3.8 del lado de Qwe​n es la secuela exactamente del modelo que Me​ta usó como punto de referencia. Ese es el verdadero titular de este enfrentamiento: el 27B no es un competidor hipotético de Glimmer, sino la siguiente versión del actual titular, y Me​ta ya nos ha dicho lo cerca que está la línea base.

¿Qué sigue sin verificar en el lado de Qwe​n?

Hasta que el repositorio esté disponible, la columna de Qwen3.8-27B es en su mayoría signos de interrogación: si es denso o MoE, su ventana de contexto, si es multimodal y, de manera crítica, su licencia. La cuestión de la licencia es la que podría decidir esta comparación por sí sola: un modelo con licencia de Tongyi Qianwen es una decisión de adquisición diferente a una con Apache 2.0, especialmente para productos comerciales por encima del umbral de MAU. Aún no existe ninguna puntuación de referencia para el 27B, y las cifras reportadas por el proveedor para la generación 3.8 en general pertenecen al Max, no al 27B.

¿Cuál elegir?

Si necesitas un modelo de agente local funcional hoy, la decisión se escribe sola: Me​ta Muse Glimmer existe, corre en una tarjeta de 24 GB, tiene soporte de ejecución desde el primer día y es Apache 2.0. Qwen3.8-27B es una promesa. Si ya estás estandarizado en el ecosistema Qwe​n, o tu requisito es un benchmark específico que se espera que la generación 3.8 mejore, el 27B vale la pena esperarlo — pero la espera tiene un costo de oportunidad real, y la licencia podría cambiar tu respuesta cuando salga.

Los equipos que no quieren ni la espera ni el bloqueo tienen un camino intermedio. OrcaRouter enruta más de 200 modelos a través de una sola API al precio de lista del proveedor, sin margen adicional y con conmutación por error automática: Qwen3.8 Max está disponible hoy a $2.00/$6.00 por millón de tokens, y la línea cerrada Muse Spark de Meta se puede alcanzar con la misma clave. Cuando el 27B se lance y genere confianza en benchmarks independientes, la conmutación por error es la forma de probarlo contra una carga de trabajo de producción sin arriesgar todo el camino a un modelo no probado: dirige una parte del tráfico hacia él, mantén el resto en el modelo actual y deja que el uso real decida.

Ni un lado ni el otro ha sido auditado de forma independiente todavía: los números de Glimmer son los de Me​ta, y el 27B no tiene números en absoluto. La puntuación honesta después de la primera semana: Glimmer es el modelo que realmente puedes ejecutar; el 27B es aquel con el que lo compararás en un mes, y el archivo de licencia, no la tabla de benchmarks, es lo que más probablemente hará cambiar la decisión de un equipo.