
Muse Glimmer: מה שהדוח הטכני של Meta באמת מכריע בנוגע לסוכן המקומי 30B
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 186 tok/s
- openaiחדשOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 לכל 1M טוקנים · 76 tok/s
- openaiחדשOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 לכל 1M טוקנים · 151 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 246 tok/s
- AlibabaחדשQwen: Qwen4 Max2026-11-16$1.50 / $4.50 לכל 1M טוקנים · 207 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 94 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 לכל 1M טוקנים · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 104 tok/s
Meta פרסמה את הדו"ח הטכני עבור Muse Glimmer ב-19 באוקטובר 2026, שבעים יום לאחר שהמודל עצמו יצא ב-10 באוגוסט. הפער הזה הוא הסיבה שהמאמר חשוב יותר מכתיבה שגרתית: זהו המסמך המפורט ביותר של Meta על המודל עד כה — הוא מציג את החשבון שמאחורי ההבטחה לחומרה לצרכנים, ומציין אילו שורות בנצ'מרק Meta הרצה בעצמה ואילו שאלה מאחרים. Muse Glimmer הוא מודל צפוף עם 30 מיליארד פרמטרים, ברישיון Apache 2.0, קלט טקסט ותמונה, מזוקק מהמודל-מורה Muse Spark, מודל הדגל של Meta, והוא נבחן לאורך הדו"ח מול Gemma4-31B ו-Qwen3.6-27B. הדו"ח גם מתמחר את הזיקוק הזה כראוי לראשונה: 55.7GB של משקולות BF16 דחוסות ל-19.65GB כדי שמודל השפה ייכנס לכרטיס של 32GB, כאשר עלות האיכות נמדדת ולא נטענת. כשלי ה-AI ותקריות הסוכנים המתועדים שמאחורי מהדורות כמו זו נאספים בארכיון תקריועות ה-AI של OrcaRouter, שבו כל ערך כולל את המקורות שלו, חומרה, דרגת ביטחון ודגל מחלוקת.
שניים מהגילויים במאמר פחות מחמיאים ממה שהיה בבלוג ההשקה. הראשון הוא שטבלת הבנצ'מרקים היא תערובת, ולא סקירה של Meta בלבד: ארבע שורות מגיעות מ-Artificial Analysis, שני נתוני מתחרים הם דיווחים עצמיים של אותם מתחרים, והשאר הם ריצות פנימיות של Meta מול תצורות ש-Meta עדיין מודה שלא כווננו עבור המתחרים. השני הוא שהאימות שהכתבה הזו אמרה במקור שייקח שבועות כבר קרה. Artificial Analysis דירגה את Muse Glimmer, ובאינדקס הנוכחי שלה המודל נמצא במקום 17 — אחרי Qwen3.6-27B במקום 21, ולפני Gemma4-31B במקום 15. בינתיים, ההבטחה ש-Meta נתנה לצד ההשקה — משקלים פתוחים ל-Muse Spark הגדול בהרבה — קוימה ב-15 באוקטובר כ-Muse Spark Open: 816B פרמטרים בסך הכול עם 42B פעילים, תחת רישיון שאינו Apache 2.0.
מה שהדוח אומר שהמודל הוא בפועל
הארכיטקטורה כעת פומבית עד לרמת צורות הטנסור, והיא מסבירה את רוב ההתנהגות שאנשים התווכחו עליה. Muse Glimmer מסתכמת בכ-29.6B פרמטרים: בערך 25.16B ב-52 בלוקי טרנספורמר, 1.34B של הטבעת טוקנים לא-מקושרת, 1.34B של הקרנת פלט לא-מקושרת, ומקודד תפיסה נפרד של 1.8B — ViT-G/14 עם 50 שכבות ברוחב 1536, מחולק לטלאים בגודל 14 פיקסלים על גבי רשת ייחוס של 448 פיקסלים. הממד המוסתר הוא 6,656. הקשב הוא grouped-query, עם 32 ראשי שאילתה מול 2 ראשי מפתח-ערך ביחס 16:1, עם חלון הזזה של 2,048 טוקנים בתבנית חוזרת של שלושה מקומיים ואז אחד גלובלי, ו-RoPE מיושם רק בשכבות המקומיות. אוצר המילים הוא 202,048 טוקנים על טוקנייזר Llama 4 BPE, וההקשר הוא 128K ומעלה. נקודת החיתוך של הידע היא 4 בינואר 2026.
שני מספרים במאמר ראויים ליותר תשומת לב מזו שקיבלו ביום ההשקה. הראשון הוא מספר השפות: התקציר אומר "יותר ממאה שפות", הגוף אומר בקירוב 140, והנספח מדווח על ציון Omnilingual-GAIA2 של 60.4 לעומת 37.5 של Gemma4-31B ו-45.0 של Qwen3.6-27B. זהו פער גדול, וכמו כל דבר אחר בטבלה, זה הרצה של Meta עצמה. השני הוא מתכון האימון. קדם-אימון הוא זיקוק לוגיטים מ-Muse Spark תוך שימוש ב-256 הלוגיטים העליונים של המורה, עם דיברגנס KL במהלך 95% הראשונים של ההרצה ומעבר לאנטרופיה צולבת על יעדי אמת-קרקע ב-5% האחרונים כדי לתקן את הטיית הקיטוע שמציג זיקוק top-k. אימון ביניים מאריך את ההקשר מ-32K ל-128K ומזריק נתוני מסלולים סוכניים; לאחר האימון מתבצע כיוונון עדין מפוקח, אחר כך זיקוק on-policy, ואז למידת חיזוק רב-מטרתית. Meta מציינת בבירור שזיקוק on-policy ניצח מתכון של למידת חיזוק בלבד בגודל הזה — נקודת נתונים שימושית לכל מי שמאמן מודל סוכן קטן משל עצמו.
תקציר המוצר לא השתנה. Meta בנתה את Glimmer עבור "זרימות עבודה של סוכנים מקומיים בפעילות תמידית" — סוכן שקורא לכלים, עוקב אחר תוכניות רב-שלביות, מתאושש כאשר קריאה נכשלת במקום לעצור, ויכול להגביר או להנמיך את מאמץ החשיבה. המשימות המיועדות הן הלא-זוהרות: קידוד מקומי, קריאה לפונקציות, ניהול לוחות זמנים, ארגון קבצים והערכה בשיטת LLM-as-a-judge. הוא פועל תחת מסגרות תזמור כגון OpenClaw, שאותה המאמר מציין בשמה כסיבה לכך שהביקוש לקוראי כלים קומפקטיים ואמינים קיים מלכתחילה.
מאיפה הטענה ש„נכנס ל-GPU שלך” מקבלת את המספרים שלה
זהו החלק שהדוח הטכני נועד להכריע בו, והוא מחזיק מעמד טוב יותר מאשר החומר השיווקי. ב-BF16 המשקלים תופסים 55.7GB. Meta מכוונת לפריסות עם 24GB או 32GB זיכרון, תוך שמירת מקום למטמון KV לא מכומת, למקודד התפיסה ול-DFlash drafter, ולכן שואפת למשקלי מודל שפה מתחת ל-20GB. היא העריכה שבע סכמות כימות לאחר אימון — GPTQ, AWQ, NVFP4 אחיד, MXFP8 אחיד, Q4_K_M של llama.cpp, וריאנט כיול בשם Greedy-KL, ו-EvoPress מותאם — מול לוג-סבירות שלילי על נתונים שנשמרו בצד ולאחר מכן מול 15 מבחני בנצ'מרק במורד הזרם.
התוצאה היא שני פרופילי פריסה בעלי שמות, ולא טענת "4-bit" מעורפלת אחת. פרופיל ה-32GB הוא EvoPress עם 19.65GB של משקלות, וב-15 מבחני הביצועים הוא מגיע בממוצע ל-75.6% לעומת 75.7% של BF16 — עשירית נקודה. פרופיל ה-24GB הוא Q4_K_M בטביעת רגל קטנה יותר, עם ממוצע של 74.8%, תשע עשיריות נקודה פחות. אורך התגובה הממוצע עובר מ-11,070 טוקנים ב-BF16 ל-11,417 ב-EvoPress ול-10,774 ב-Q4_K_M, כך שהחשש הנפוץ שקוונטיזציה אגרסיבית מנפחת את אורך שרשרת המחשבה אינו מופיע כאן. אלו המדידות של Meta על תמהיל ההערכה של Meta; אלו המספרים הקונקרטיים ביותר של איכות מול זיכרון שמישהו פרסם עבור המודל הזה, והם עדיין מספרים של הספק.
המהירות היא המקום היחיד שבו המאמר דק יותר מהפוסט בבלוג. הדוח מציין שמשקלים של 4 סיביות בתוספת פענוח ספקולטיבי מפיקים "מהירויות מעשיות על RTX 5090 בודד" ומתאר את הדרפטר בפירוט — חמש שכבות, גודל בלוק 16, 32 ראשי query ו-8 ראשי key-value, שאומן באופן לא מקוון על rollouts של on-policy עם מטרת D-PACE — אך אינו מפרסם טבלת תפוקה. המספרים שנמצאים בתפוצה, בערך האצת פענוח של פי 3.1 על RTX 5090 (מ-74.9 ל-233 טוקנים/שנייה ב-llama.cpp), פי 1.8 על M5 Max ופי 1.5 על M4 Max, מגיעים מחומרי ההשקה וכרטיס המודל של Meta, ולא מהדוח. התייחסו אליהם כאל נתונים מטעם הספק עד שמישהו ישחזר אותם במכונה שלו, וזה עבור מודל מקומי ניסוי שבאמת קל להריץ.
למה השחרור הזה חשוב מעבר לגיליון המפרט
מאז Llama 4 באביב 2025, Meta שתקה בנוגע למשקלים פתוחים, ונסוגה לקו חזית קנייני תחת Meta Superintelligence Labs. Muse Glimmer היה החזרה הפומבית לאסטרטגיה הזו, והוא הגיע עם מאמר בן 14 עמודים של צוקרברג, "העתיד הוא לכולם", הטוען ששליטה מרוכזת היא הסיכון האמיתי של בינה מלאכותית, וכן קרן בסך מיליארד דולר באותו שם. המאמר אינו חוזר על הפוליטיקה; הוא עושה משהו שימושי יותר: להראות שהחזרה למשקלים פתוחים לא הייתה מחווה חד-פעמית.
ב-15 באוקטובר Meta שחררה את המשקלים של Muse Spark Open — 816B פרמטרים בסך הכול, 42B פעילים, חלון הקשר של 1M טוקנים, ולפי Meta, מסוגל לרוץ על שני Apple M5 Ultra Mac Studios עם MLX. זהו האח בעל המשקלים הפתוחים של המורה, והוא עונה על השאלה שהמאמר הזה השאיר במקור בלתי פתורה. התשובה מגיעה עם כוכבית: Muse Spark Open מופצת תחת רישיון Muse Model License עם תנאים מסחריים מוגבלים, לא Apache 2.0. Glimmer נשאר המתירני יותר מבין השניים, וב-30B, היחיד מבין השניים שנכנס לזיכרון של כרטיס GPU צרכני בודד. המיצוב של Meta עצמה הוא ש-Spark Open הוא המודל ברמת שולחן העבודה לאנשים עם מערך Mac Studio; Glimmer הוא זה שמתאים לכרטיס של 24GB.
כל הנתונים של Spark Open שלמעלה הם של Meta, והטענה ש"פועל על שני Mac Studios" בפרט לא שוחזרה באופן עצמאי. מה שאינו שנוי במחלוקת הוא הרכב ההיצע: מודל סוכן מתירני של 30B, דגם דגל מוגבל של 816B, ושכבת API בחזית מעל שניהם. זוהי אסטרטגיית משקלים פתוחים קוהרנטית ולא שחרור בודד, וזה הדבר שיש לתמחר בכל החלטה על בנייה על המודל הקטן יותר של Meta.

הטענה "מעושן", שורה אחר שורה
לוח התוצאות שלמעלה נוצר ביום ההשקה, ומאז שורה אחת בו נעקפה: העמודה Artificial Analysis שלה עדיין מציינת "אין רשומה" עבור Muse Glimmer. כרטיס הניקוד של Meta עצמו משווה את Muse Glimmer בעוצמת חשיבה גבוהה מול Gemma4-31B ו-Qwen3.6-27B על פני שלושים ושש שורות. הדפוס מיום ההשקה מחזיק מעמד: הניצחונות הגדולים ביותר הם בהסקה סוכנית כללית, בחיפוש ובעבודה רב-לשונית.
• MCP-Atlas (שימוש בכלים אגנטיים) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. עדיין שורת הכותרת והפער הגדול ביותר בקבוצה.
• DeepSearch QA — 74.6 לעומת 61.7 ו־71.1; GAIA2 — 43.3 לעומת 36.4 ו־40.0; WildClawBench — 47.6 לעומת 37.6 ו־43.2.
• GDPval-AA v2 — 953 Elo לעומת 811 של Gemma ו-1,141 של Qwen. כדאי לעצור על כך: בעבודת ידע בעלת ערך כלכלי, Qwen מנצחת בפער ניכר.
• SWE-Bench Pro — 51.2 לעומת 36.9 ו-50.2; ARC-AGI — 66.9 ב-high reasoning, 67.9 ברמת ה-xhigh החדשה שהדוח מוסיף; LiveCodeBench Pro (2025 Q2) — 64.1 ב-high, 66.8 ב-xhigh.
• τ³-Banking — 23.5 לעומת 15.1 ו-16.7; PinchBench (שימוש בכלים) — 90.5.
השורות שבהן הוא מפסיד מספקות מידע לא פחות. Qwen3.6-27B שולט בשימוש מעשי במחשב ובעבודת טרמינל: OSWorld-Verified 75.6 לעומת 65.9 של Glimmer, TerminalBench 2.1 עם 60.7 לעומת 51.7, SWE-Bench Verified 77.2 לעומת 76.0, והוא עוקף במעט את SkillsBench עם 46.6 לעומת 44.3. Gemma4-31B מציג את רקורד הפרטיות והבטיחות הטוב יותר — שיעור הפרות CIMemories של 12.1% לעומת 26.4% של Glimmer ו-53.4% של Qwen, ושיעור הצלחת התקיפה הנמוך ביותר ב-Siren AgentDojo עם 25.6% לעומת 28.4% של Glimmer ו-40.3% של Qwen. Gemma גם עוקף במעט את מבחני החשיבה הצרים, GPQA Diamond עם 85.7 לעומת 83.5 ו-Humanity's Last Exam עם 23.6 לעומת 22.0.
נספח המתודולוגיה הוא החלק שמשנה את האופן שבו יש לקרוא את כל האמור לעיל, והוא מתקן את מה שהכתבה הזו אמרה בעת הפרסום. לא כל שורה היא של Meta עצמה. עבור מודלים מתחרים Meta מדווחת על "התוצאה הטובה ביותר מבין ציונים שהמודלים מדווחים עליהם בעצמם או השחזורים הפנימיים שלנו", וארבעה מבחני בנצ'מרק — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 ו-SciCode — מקורם ב-Artificial Analysis ולא הורצו בבית. נתון ה-SWE-Bench Verified עבור Qwen3.6-27B הוא דיווח עצמי של Qwen. נתון ה-SWE-Bench Pro עבור Qwen הוא הרצה פנימית של Meta, מפני שהמספר שפרסמה Qwen הגיע מגרסה מעודנת של הבנצ'מרק ו-Meta העריכה את סט המשימות המקורי. לגבי יתר המקרים, Meta משחזרת בעצמה את המתחרים ואומרת שכלי הסוכנים והנחיות המערכת שלה "ייתכן שאינם מותאמים במיוחד למודלים קנייניים של צדדים שלישיים".
זהו גילוי זהיר יותר מזה שהציע בלוג ההשקה, והוא פועל לשני הכיוונים. זה אינו ניצחון נקי של הספק, מה שמחזק את אמינות הטבלה. אבל "הנוח ביותר מבין הדיווח העצמי והשחזור שלנו" הוא כלל שיכול רק להועיל ליריב בשורות שבהן המספר של היריב עצמו גבוה יותר, וההסתייגות של Meta בנוגע לתצורה לא מכווננת עדיין חלה על כל שורה שהיא עצמה יצרה. הפירוט ברמת השורה כעת ניתן לביקורת, וזה מה שרוצים; כיוון ההטיה אינו ניתן לידיעה מלאה מהמאמר.
מה אומר לוח התוצאות העצמאי
Artificial Analysis נתנה כעת ציון למודל, מה שמסלק את ההסתייגות שלפיה "אין עדיין תוצאה עצמאית", שלוותה את הטקסט הזה לאורך אוגוסט. במדד הנוכחי של AA, Muse Glimmer בעוצמת חשיבה גבוהה מחזיקה במדד אינטליגנציה של 17, ומדורגת במקום ה-14 מתוך 141 מודלים בקבוצת ההשוואה שלה. Qwen3.6-27B נמצא ב-21 ו-Gemma4-31B ב-15. AA גם מודדת 137 אסימוני פלט לשנייה עם זמן של 0.91 שניות עד לאסימון הראשון — מהיר לקטגוריה, במקום ה-16 מתוך 64 — ועלות של כ-0.06 דולר למשימת Intelligence Index.
הרמות זקוקות להסתייגות שהדירוג אינו זקוק לה. הכתיבה של AA בשבוע ההשקה הציבה את אותם שלושה מודלים ב-35, 38 ו-30 באינדקס שלה; עמודי המודלים הנוכחיים מציבים אותם ב-17, 21 ו-15. המספרים המוחלטים זזו, הסדר לא. יהיה אשר יהיה הגורם לכיול מחדש, העובדה היציבה בשתי הקריאות היא הדירוג: Qwen לפני Glimmer במדד המצרפי, Glimmer לפני Gemma, ו-Glimmer לפני בשורות הספציפיות לסוכנים. זה תומך בטענה צרה יותר מ"מוביל על פני מודלים פתוחים בגודל דומה" — באינדקס של אינטליגנציה כללית, מודל 27B מאפריל עדיין מנצח — והטענה הצרה יותר היא המדויקת.
ההערכה של AA בשבוע ההשקה הוסיפה ממצא ששווה לשאת הלאה: שיעור הזיות של 82% עבור Muse Glimmer לעומת 49% עבור Qwen3.6-27B, עם מדד AA-Omniscience של −33. עבור סוכן שרץ ללא השגחה על המכונה שלך וקורא לכלים, זה המספר שצריך לעצב כמה אוטונומיה לתת לו, יותר מאשר MCP-Atlas. AA גם מסמנת כעת את Qwen3.6-27B כמיושן לטובת Qwen3.8-27B, כך שהיריב שאליו Glimmer מושווית ברוב הטבלה הזו אינו עוד המודל הנוכחי של הספק שלו — פרט שההשוואה של Meta לא הייתה יכולה לצפות באוגוסט ושאליו הדוח, שפורסם באוקטובר, אינו מתייחס.
הצילום שלהלן הוא עמוד ההשוואה כפי שהיה לפני מתן הציון לגלימר, ולכן הוא מציג את רשימת המשתתפים שאליה גלימר היה אמור להיכנס, ולא את גלימר בתוכה. יש לקרוא אותו כקו בסיס לפני אימות, ולא כדירוג הנוכחי.

כמה זה באמת עולה להפעיל
Muse Glimmer עצמו חינמי — Apache 2.0, ללא תשלום לפי טוקן, ללא תשלום ל-Meta, והדוח מאשר שההפצה כוללת משקלים בדיוק מלא, גרסאות 4-bit וראש הספקולציה DFlash. העלות היא החומרה שמתחתיה. BF16 דורש 55.7GB, שזה שני כרטיסים או אף אחד מהכרטיסים הצרכניים. פרופיל 32GB EvoPress הוא זה שתרצו אם אתם קונים: הוא עולה עשירית נקודה של דיוק ממוצע לעומת BF16 ומתאים לכרטיס 32GB בודד או ל-Mac מתקדם עם זיכרון מאוחד. פרופיל 24GB Q4_K_M עולה תשע עשיריות נקודה ומתאים לכרטיס ברמת RTX 5090, וזה פשרה סבירה עבור סוכן שפועל באופן רציף.
אם תעדיפו לשכור מאשר לקנות, התעריף המאוחסן במעקב נמוך כעת מזה שצוטט בעמוד זה באוגוסט. Artificial Analysis מתעד 0.30 דולר למיליון טוקני קלט ו-1.20 דולר למיליון טוקני פלט עבור Muse Glimmer, לעומת 0.35 ו-1.50 שנכללו ברשומות הראשונות בעת ההשקה, עם הנחת מטמון של 87% ותעריף משולב קרוב ל-0.21 דולר. אלו תעריפי שוק שמפרסמים הספקים ולא מחיר של Meta — Meta אינה מפרסמת נקודת קצה מאוחסנת משלה ל-Glimmer, והתיעוד למפתחים שלה כתוב סביב הפניית הכלים שלכם לשרת Muse Glimmer מקומי. אם התנועה הזו היא הורדה מצד אותו ספק או הצטרפות ספק זול יותר לקבוצה הנמעקבת, זה לא משהו שהמדד מראה; כך או כך, הכיוון עבור מהדורה במשקולות פתוחות צפוי.
ההשוואה ששווה לעשות בקפידה היא עדיין מקומית מול מתארחת, והיא לא צמודה כפי שהשיווק מרמז. כרטיס של 32GB הוא עלות קבועה שמתפרסת על כל טוקן שאי פעם תייצרו; תעריף מתארח הוא עלות שולית שגדלה עם הנפח ונעלמת אם הספק נעלם. בתעריפים של $0.30 ו-$1.20 המסלול המתארח זול מספיק שרוב הצוותים צריכים להתחיל שם לפני רכישת חומרה, והמסלול המקומי מנצח רק כשהטוקנים לא יכולים לצאת מהמכונה או כשהנפח גבוה מספיק כדי ש-GPU יהיה זול יותר מחשבון.
הערה אחת עלינו, מכיוון שהיא נוגעת לאופן שבו הייתם מתמחרים כל אחד מזה. Muse Glimmer אינו בקטלוג של OrcaRouter — אנו מנתבים ממשקי API מתארחים, והמודל לא הגיע כמסלול מתארח, ולכן תוספת המחיר של 0% והסדר של מפתח אחד לכל דבר אינם חלים עליו היום. מה שכן חל הוא המשמעת: עבור יותר מ-200 המודלים שאנו מנתבים, המחיר המוצג הוא מחיר המחירון של הספק שמועבר הלאה בתוספת של 0%, כך שהורדת מחיר של ספק תקפה כאן באותו יום ולא לאחר חישוב מחדש של מרווח. זהו הסטנדרט שלפיו יש לשפוט את ההשוואה הזו, לא משנה איך תפעילו את Glimmer.
איך בעצם היית משתמש בזה השבוע
מכיוון שהוא מגיע עם משקלים פתוחים, הגישה היא הורדה. מאגר הבסיס הוא meta-models/Muse-Glimmer-30B ב-Hugging Face, כאשר גרסאות ה-4-bit ובניית GGUF פורסמו לצידו. תמיכת סביבת ריצה מיום הראשון הייתה llama.cpp, MLX ו-ExecuTorch; Ollama, LM Studio, vLLM ו-SGLang הגיעו בתוך ימים, כאשר עבודות אופטימיזציה לחומרה צוינו עבור AMD, Arm, Dell, Intel ו-Nvidia. המסלול המעשי עבור רוב האנשים לא השתנה: להוריד את ה-GGUF, לטעון אותו ב-llama.cpp או במריץ מקומי, לכוון שלד סוכן אליו, ולהתחיל בפרופיל 24GB Q4_K_M אלא אם יש לכם 32GB פנויים עבור גרסת ה-EvoPress.
אם אתם שוקלים האם לבנות עליו, הניסוח הכנה הוא ש-Glimmer הוא סוכן מקומי טוב עם רצפת איכות מתועדת, בעיית הזיות מדודה, וטבלת בנצ'מרקים של הספק שניתנת כעת לביקורת חלקית. המורה הוא עניין אחר: ניתן לנתב את Muse Spark 1.2 דרך OrcaRouterבמחיר 1.25 דולר למיליון טוקני קלט ו-4.25 דולר למיליון טוקני פלט, כך שצוות יכול להריץ את המודל הקטן על המכשיר עבור העבודה הזולה, הפרטית והתמידית, ולנתב את המקרים הקשים למודל הגדול דרך אותו מפתח. הפיצול הזה — תלמיד מקומי ללולאה השגרתית, מורה מתארח להסלמה — הוא הארכיטקטורה ששתי המהדורות אכן תומכות בה, וניתן לבדוק אותו השבוע במחיר של GPU שאולי כבר בבעלותכם בתוספת תקציב טוקנים. מעבר כשל אוטומטי הוא מה שהופך את החלק המתארח לבטוח להצבה בנתיב ייצור בזמן שמודל עדיין בונה רקורד ביצועים עצמאי, וזה בדיוק המצב שבו נמצא Glimmer.
צילום המסך שלמטה הוא כרטיס המודל כפי שהוא הופיע ביום השחרור. השורה שלו "לא נפרס על ידי אף ספק הסקה" מתייחסת להסקה של Hugging Face עצמה מצד ראשון, שזה דבר נפרד מהאחסון מצד שלישי שהחל ב-9 באוגוסט, וזו תזכורת שימושית לכמה מהר השורה הזו התיישנה.

מה לראות
שלושת הדברים שהיו אמורים להכריע את הסיפור הזה נפתרו ברובם. שחרור המשקלים הפתוחים של Spark התרחש ב-15 באוקטובר. מדידה עצמאית בוצעה, והיא הראתה ש-Qwen מוביל במדד המצטבר, Glimmer מוביל בתחום האייג'נטיקה, ו-Gemma מאחורי שניהם. האחסון התרחב, והמחיר הנמדד הוא כעת $0.30 ו-$1.20 במקום $0.35 ו-$1.50.
מה שנשאר הוא צר יותר ומעניין יותר. ראשית, האם מישהו מחוץ ל-Meta משחזר את פשרת הכימות — פערי 0.1 הנקודות ו-0.9 הנקודות הם החלק החזק ביותר בדוח והקל ביותר לבדיקה על כרטיס 24GB. שנית, האם היתרון הסוכני שורד רתמה שלא נבנתה סביב המודל; MCP-Atlas ב-75.5 הוא המספר שצריך להכות והמספר החשוף ביותר להבדלי שלד. שלישית, האם המהדורה הקטנה הבאה של Meta יורשת את רישיון Apache 2.0 או את רישיון Muse Model License המוגבל שתחתיו שוחרר Spark Open — הבחירה הבודדת הזו קובעת אם קו Glimmer נשאר שמיש כבסיס למוצרים של אחרים.
ציוץ ההשקה צדק לגבי החדשות והיה נדיב לגבי ההכרעה. מה שמוסיף הדוח הטכני הוא החלק שהיה חסר באוגוסט: כעת אפשר לראות מה נמדד, על איזו חומרה, בידי מי, ובאיזה מחיר באיכות. זהו בסיס טוב יותר להחלטה מאשר טבלת הבנצ'מארקים או הציוץ, וזו הסיבה שעדיין כדאי לתכנן סביב המודל הזה ולא רק לקרוא עליו.
שאלות שבאמת שווה לענות עליהן
האם Muse Glimmer הוא באמת קוד פתוח?
מדובר במשקלים פתוחים תחת Apache 2.0 — כל אחד יכול להוריד, לשנות, לכוונן ולפרוס אותו באופן מסחרי בלי לשלם ל-Meta. הדוח גם מאשר מה הרישיון מכסה בפועל: משקלים ברמת דיוק מלאה, שני וריאנטים של 4-bit וראש ה-drafter של DFlash — כולם שוחררו. מה שלא שוחרר הוא נתוני האימון והמשקלים של המורה Muse Spark, ולכן "משקלים פתוחים" הוא הניסוח הזהיר ולא קוד פתוח במלואו במובן של OSI. מבחינה מעשית, העסקה היא אותה עסקה שהפכה את Llama למשפחת המודלים הפתוחה הנפרסת ביותר ב-AI.
האם Muse Glimmer באמת מנצח את Gemma4-31B ואת Qwen3.6-27B?
בטבלה של Meta עצמה הוא מנצח ברוב שורות הסוכנים והחיפוש, ונספח המתודולוגיה מראה כעת אילו מהשורות הללו היו ריצות של Meta ואילו הגיעו מ-Artificial Analysis או מדיווחים של המתחרים עצמם. הקריאה הבלתי תלויה מצומצמת יותר: במדד האינטליגנציה של AA, Qwen3.6-27B מקבל 21 ו-Muse Glimmer מקבל 17, כאשר Gemma4-31B מקבל 15. לכן ההצהרה המדויקת היא ש-Glimmer מוביל בקטגוריית הגודל שלו בשימוש בכלים, בתכנון רב-שלבי ובעבודה סוכנית רב-לשונית, ואינו מוביל בה באינטליגנציה כללית מצטברת או במשימות שימוש במחשב.
האם אפשר להריץ את זה על מחשב נייד?
רק אם "מחשב נייד" מתכוון לכזה עם כרטיס גרפי נפרד עם 24GB או 32GB, או Mac ברמה גבוהה עם אותה כמות זיכרון מאוחד. הדוח מציב את משקלי BF16 על 55.7GB ומכוון לשני פרופילים דחוסים: 19.65GB של משקלים עבור מכונה עם 32GB וגרסת Q4_K_M קטנה יותר עבור 24GB, כששניהם משאירים מרווח ל-KV cache, למקודד התפיסה ולמודל הטיוטה. בגרפיקה משולבת או במכונה עם 16GB תראה קוונטיזציה כבדה יותר ופלט איטי, ולא את הסוכן תמיד-הפעיל שהמהדורה תוכננה סביבו.
איפה אני משיג את זה, והאם יש לזה API?
המשקולות נמצאות ב-Hugging Face בכתובת meta-models/Muse-Glimmer-30B, ואתם מריצים אותו מקומית דרך llama.cpp, MLX, ExecuTorch, Ollama או LM Studio. גישה מתארחת קיימת דרך פלטפורמות צד שלישי בכ-0.30 דולר למיליון טוקני קלט ו-1.20 דולר למיליון פלט, לפי תמחור הספקים במעקב של Artificial Analysis. Meta אינה מפרסמת נקודת קצה מתארחת משלה ל-Glimmer, והמודל אינו ב-OrcaRouter — אם הוא יגיע כמסלול מתארח, אותו מפתח שמגיע ליותר מ-200 המודלים שאנו כן מנתבים יגיע אליו, אבל זה לא נכון היום.
השוואות במאמר הזה1
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
