Muse Spark vs Muse Glimmer : ce qui survit réellement quand un modèle de pointe est distillé en 30 milliards de paramètres

La relation entre Muse Spark et Muse Glimmer n’est pas celle que l’expression « vs » laisse entendre. Muse Glimmer n’est pas un concurrent de Muse Spark — c’est un élève de ce dernier. Meta a entraîné le modèle à poids ouverts de 30 milliards de paramètres par distillation des logits à partir de Muse Spark, la gamme frontière nativement multimodale que Meta Superintelligence Labs a présentée le 8 avril 2026 et qui est désormais distribuée sous le nom de Muse Spark 1.3, sortie le 2 septembre 2026, son niveau de raisonnement maximal ayant été ouvert aux développeurs deux jours plus tard. Muse Glimmer a suivi le 10 août 2026 sous Apache 2.0. Cette page n’est donc pas une affiche de combat entre deux rivaux issus de laboratoires différents. C’est une mesure de la part d’un modèle frontière qui survit à une réduction d’un facteur seize et à un changement de licence — et Meta, fait inhabituel, a publié des chiffres des deux côtés de cette réduction. Savoir si cette comparaison est équitable est la première chose sur laquelle il vaut la peine d’être honnête, et la réponse est : en partie.

L’un est un fichier, l’autre est un point de terminaison.

Commencez par la partie qui n’a rien à voir avec les benchmarks, car c’est elle qui détermine la plupart des déploiements réels avant même qu’un seul score n’entre en jeu.

Muse Glimmer est un téléchargement. Meta publie les poids sous Apache 2.0, les livre déjà quantifiés en 4 bits — ce qui fait passer l'empreinte de plus de 55 Go en pleine précision à moins de 20 Go — et affirme que le modèle est assez petit pour tourner sur un seul GPU grand public ou un Mac. Il fonctionne avec le réseau débranché. Meta l'a testé sur une Nvidia RTX 5090 et sur les puces Apple M4 Max et M5 Max. Il accepte des entrées texte et image, renvoie du texte, dispose d'une fenêtre de contexte de 131 072 jetons que Meta affirme pouvoir étendre à 262 144, et a une date de coupure des connaissances de janvier 2026.

Muse Spark est l'exact opposé sur tous les points. Meta ne publie ni poids, ni licence, ni téléchargement pour aucune de ses versions ; il n'est accessible que via l'API Model de Meta, sur meta.ai et dans l'application Meta AI. Il dispose d'une fenêtre de contexte de 1 048 576 jetons — huit fois celle de Glimmer, avant l'extension de Glimmer. Il accepte en entrée du texte, des images, de la vidéo, de l'audio et des PDF, et renvoie du texte. Sa tarification est par jeton : 1,25 $ par million de jetons en entrée, 0,15 $ par million de jetons en entrée mise en cache, 4,25 $ par million de jetons en sortie, avec un palier Contributor à 0,10 $ / 0,002 $ / 0,20 $ qui troque un prix plus bas contre l'autorisation d'entraîner sur vos invites et vos complétions. Glimmer n'a aucune facture fournisseur par jeton du tout lorsque vous l'exécutez vous-même, car il n'y a aucun fournisseur dans la boucle.

• Taille — Muse Spark : non divulguée, Meta ne publie aucun nombre de paramètres pour aucune version ; Muse Glimmer : 30B, livré en 4 bits sous 20 Go

• Poids — Muse Spark : propriétaires, hébergés uniquement ; Muse Glimmer : Apache 2.0, téléchargeables et exécutables hors ligne

• Fenêtre de contexte — 1 048 576 jetons contre 131 072, extensible jusqu’à 262 144

• Entrées — texte, image, vidéo, audio, PDF vs texte et image

• Sortie — texte vs texte

• Prix — 1,25 $ / 0,15 $ en cache / 4,25 $ par million de jetons, contre aucun frais de fournisseur en auto-hébergement

• Date limite de connaissance — non publiée pour Muse Spark 1.3 ; janvier 2026 pour Muse Glimmer

Le seul benchmark que Meta a publié pour les deux

C’est le genre de chiffre le plus rare à trouver dans une relation de distillation : la même évaluation, réalisée par le même laboratoire, rapportée pour l’enseignant et l’étudiant.

Les pages de modèles de Meta indiquent GDPval-AA à 1 754 pour Muse Spark 1.3 exécuté dans sa configuration de raisonnement maximale, et 953 pour Muse Glimmer 30B en raisonnement élevé. C'est donc l'élève qui conserve 54 % du score de l'enseignant sur cette famille de tâches — un point de données réel et publié, et non une inférence. Deux réserves s'imposent immédiatement, car toutes deux sont vraies et aucune n'est mineure. Premièrement, la ligne Muse Spark est étiquetée v2 et la ligne Muse Glimmer n'est pas versionnée du tout ; donc si Meta a déplacé le benchmark entre les deux mesures, le ratio est fragile, même si la direction ne l'est pas. Deuxièmement, les deux chiffres sont déclarés par le fournisseur. Nous n'avons reproduit ni l'un ni l'autre, et aucun harnais indépendant n'a publié de comparaison directe sur cette paire que nous ayons pu trouver.

Ce qui rend l’écart de 801 points lisible plutôt qu’alarmant, c’est l’image tierce qui se trouve en dessous. Sur l’Intelligence Index d’Artificial Analysis, Muse Spark 1.3 à son maximum obtient 48 et Muse Glimmer en mode high obtient 17. Ce sont des échelles d’indice différentes issues de cycles de mesure différents, et les deux ne sont pas classés par rapport au même ensemble — Artificial Analysis répartit les modèles à poids ouverts par classe de taille, de sorte que Glimmer est comparé à ses pairs à poids ouverts tandis que Muse Spark est comparé à l’ensemble du domaine. Interprétez-les comme une forme, pas comme un ratio. La forme dit la même chose que le propre tableau de Meta : le modèle distillé relève véritablement d’un autre palier de capacités, et non d’une voie moins coûteuse vers les mêmes réponses.

Ce que le petit modèle conserve

La partie intéressante de la distillation, c’est ce qui survit à la compression, et dans les propres lignes publiées par Meta, Muse Glimmer n’est pas systématiquement battu. Il affiche 76,0 sur SWE-Bench Verified, 65,9 sur OSWorld-Verified, 77,0 sur IFBench, 94,7 sur AIME 2026 et 83,5 sur GPQA Diamond. Ce sont de solides chiffres pour un modèle 30B, et c’est la raison pour laquelle le choix de l’architecture compte : Meta décrit Glimmer comme affiné sur des données agentiques à long contexte et renforcé spécifiquement pour l’utilisation d’outils, avec une mémoire autogérée sur des sessions de plusieurs heures et une récupération après l’échec d’un appel d’outil plutôt qu’un arrêt. C’est un modèle ciblé qui porte le nom d’un modèle généraliste.

L'élément de contexte le plus utile sur la page est le choix de comparaison de Meta lui-même. Son tableau de benchmarks pour Muse Glimmer ne le place pas à côté de Muse Spark. Il le place à côté de Gemma 4 31B en mode réflexion et de Qwen3.6 27B en mode réflexion — même catégorie de taille, même postulat de poids ouverts. Sur ce tableau, Glimmer l'emporte sur la plupart des lignes, mais pas toutes : il obtient MCP Atlas à 75,5 contre 62,5 pour le modèle Qwen, TerminalBench 2.1 à 51,7 contre 60,7, et GDPval-AA à 953 contre 1 141. Ainsi, même au sein de sa propre catégorie de poids, le modèle Meta distillé n'est pas le choix automatique, ce qui est une présentation plus honnête que ne le suggère le titre de la page.

Deux autres lignes méritent d’être isolées, car elles sont mesurables et faciles à mal évaluer lors de la planification. Artificial Analysis indique que le coût par tâche accomplie de l’Intelligence Index pour Muse Glimmer est de 0,05 $ et que sa vitesse de sortie est de 122,4 jetons par seconde — contre 1,60 $ et 121,9 jetons par seconde pour Muse Spark 1.3 au maximum. Sur cette paire de chiffres, le petit modèle est environ 32 fois moins cher par tâche accomplie, pour un débit pratiquement identique. C’est la distillation qui porte ses fruits, et c’est invisible si l’on ne compare que les scores de l’indice.

L’endroit où la comparaison échoue

Ça casse sur les entrées, et ça casse plus gravement que ne le laisse penser le tableau des scores.

Muse Spark 1.3 prend en charge la vidéo, l’audio et les PDF. Muse Glimmer prend en charge le texte et les images. Si votre pipeline alimente directement le modèle avec un enregistrement d’écran, un enregistrement d’appel ou un document numérisé, ces deux modèles ne sont pas interchangeables, quel que soit le prix — l’un d’eux ne peut physiquement pas accepter la charge utile. La documentation de Meta elle-même renforce ce point d’un angle inattendu : elle avertit que la compréhension audio dans Muse Spark 1.3 n’est pas entièrement prise en charge et que la qualité des requêtes contenant de l’audio peut être dégradée, recommandant Muse Spark 1.2 pour les charges de travail audio. Ainsi, même au sein de la gamme hébergée, la version la plus récente n’est pas la bonne réponse pour chaque type d’entrée, et l’option compatible avec l’audio est le checkpoint plus ancien.

La deuxième rupture, c'est le contexte. Un million de jetons contre 131 072 n'est pas une différence marketing ; c'est la différence entre un modèle capable de contenir un grand dépôt ou un long dossier en un seul appel et un modèle qui a besoin d'une couche de récupération et d'une étape de synthèse construites autour de lui. Si votre travail est du raisonnement sur une base de code à long horizon, le plafond de contexte de Glimmer est la contrainte que vous rencontrerez en premier, bien avant ses scores de benchmark.

Le troisième est la frontière des données, et elle joue en sens inverse. Une requête qui ne quitte jamais votre matériel ne peut pas être journalisée par un fournisseur, ne peut pas être facturée au token et ne peut pas être affectée par un changement de tarif. Pour une charge de travail avec des exigences de résidence ou un budget par token qui ne résiste pas au volume, cette seule propriété l’emporte sur 30 points d’indice.

Où chacun d’eux vit réellement

La distribution de Muse Glimmer est la plus large, car les poids ouverts le sont. Meta répertorie le téléchargement sur Hugging Face et renvoie vers des runtimes locaux — llama.cpp, MLX, Ollama, LM Studio, Unsloth — aux côtés de la liste hébergée de l’éditeur lui-même et de plusieurs plateformes d’inférence tierces. Nous ne nommerons pas ces plateformes ici ; ce qui importe pour le lecteur est simplement que les poids sont portables, et que tout ce qui peut charger un modèle 30B en 4 bits peut le servir.

La gamme Muse Spark est étroite par construction. Trois versions, un fournisseur, une API, aucun poids. Cette concentration est le véritable risque de bâtir sur elle, et c’est un risque qui ne s’applique pas du tout à Glimmer.

Les deux sur une seule touche, lorsque c’est possible

Notre propre catalogue est plus restreint que ce que décrivent l'une ou l'autre de ces annonces. Nous routons Muse Spark 1.1 et Muse Spark 1.2 — les deux checkpoints affichés à 1,25 $ en entrée et 4,25 $ en sortie par million de tokens, tous deux au prix catalogue de Meta, notre marge de 0 % étant répercutée sans modification — et nous n'hébergeons ni Muse Spark 1.3, ni l'une ou l'autre des variantes Contributor, ni Muse Spark Open. Muse Glimmer ne figure pas non plus à notre catalogue, et le conseil honnête pour celui-là est d'une autre nature : ses poids sont ouverts, aussi l'endroit naturel pour l'exécuter est-il votre propre matériel ou un runtime qui le charge.

Là où le routage mérite sa place ici, c'est dans la migration que vous envisagez probablement. Si vous cherchez à savoir si un modèle distillé de 30B peut reprendre une partie d'une charge de travail de pointe, ce qu'il vous faut, c'est les deux dans un même point de terminaison, afin qu'une tranche de trafic puisse être déplacée et mesurée sans un second contrat — Muse Spark 1.1 et 1.2 sur une seule clé, avec basculement automatique pour qu'un appel à long contexte qui échoue se replie sur l'autre point de contrôle plutôt que sur une erreur, et un DSL de routage pour répartir le trafic par configuration plutôt que par code. Quand l'offre hébergée de Meta évoluera à nouveau, la modification se fera à un seul endroit.

Lequel choisir

Si votre travail est constitué de texte et d’images, s’exécute sur votre propre machine ou sur un GPU loué, et doit être insensible à la tarification au token, Muse Glimmer est la réponse, et il n’y a pas photo — vous échangez environ la moitié du score GDPval-AA contre un modèle qui ne coûte rien par appel et qui ne peut se voir imposer de limite de débit par qui que ce soit.

Si votre travail implique de la vidéo, de l’audio, des PDF ou un contexte véritablement long, Muse Glimmer n’est pas une version moins chère de Muse Spark. C’est un outil différent, et la distillation n’a pas transféré ces capacités. Tournez-vous vers l’offre hébergée, prévoyez 1,25 $ et 4,25 $ par million de tokens, et vérifiez quel checkpoint traite réellement votre charge utile — pour l’audio, la documentation de Meta elle-même indique la version plus ancienne.

Le bilan honnête d'une comparaison de distillation, c'est que l'élève est remarquablement bon à ce pour quoi il a été entraîné et tout simplement absent de ce pour quoi il ne l'a pas été. Muse Glimmer est l'argument le plus fort en faveur des poids ouverts que Meta ait publié depuis Llama 4, et les chiffres ci-dessus sont ceux de Meta. Ce qu'ils ne montrent pas — et aucun tableau de fournisseur ne peut le faire —, c'est comment le duo se comporte sur votre charge de travail. C'est une expérience, pas une consultation.

Les benchmarks vieillissent et les prix évoluent ; le registre des défaillances, lui, ne change pas : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.