Muse Glimmer נגד DeepSeek V4 Pro: שני הקצוות של משקלים פתוחים

אי שם באותיות הקטנות של מהדורת DeepSeek V4 Pro יש מספר שאמור להטריד כל מי שחושב ש"משקלים פתוחים זולים" ו"מצוינות בקידוד אייג'נטיק" הם אותו הדבר. ב-DeepSWE, בנצ'מרק נטול זיהום שנבנה כדי לעמוד בפני משחקי נתוני האימון הפוקדים הערכות הנדסת תוכנה, DeepSeek V4 Pro — דגל Mixture-of-Experts עם 1.6 טריליון פרמטרים, ששוחרר ב-24 באפריל 2026 תחת רישיון MIT — השיג 8 אחוזים. GPT-5.5 קיבל 70 באותו מבחן; Claude Opus 4.7 קיבל 54. זו נקודת הנתונים העצמאית ההרסנית ביותר המצורפת לסיפור המודל הזול המצליח ביותר בתעשייה, והיא משמעותית להתמודדות הזו משום ש-Muse Glimmer, מודל הסוכן הפתוח במשקלים של Meta בהיקף 30B, ששוחרר ב-10 באוגוסט 2026 תחת רישיון Apache 2.0, הוא מודל פתוח במשקלים שכל תקציר העיצוב שלו הוא העבודה האייג'נטית ארוכת-הטווח ש-DeepSWE מודדת — והציונים היחידים שלו עד כה הופעלו על ידי החברה שיצרה אותו.

אז זו השוואה בין שני מודלים בקצוות מנוגדים של ספקטרום המשקלים הפתוחים, לא רק בגודל. האחד הוא MoE של מרכז נתונים ששוכרים בפרוטות. השני הוא הורדה למחשב שולחני שלא עולה כלום מלבד ה-GPU. לאחד יש רקורד עצמאי שכולל תוצאה סוכנית קטסטרופלית. לשני אין שום רקורד עצמאי. המאמר הזה מבהיר את התמונה לגבי שניהם ונותן לפער בין "דווח על ידי הספק" לבין "הוכח באופן עצמאי" לדבר בעד עצמו.

המספר שצריך להדאיג אותך

כדאי להבין מהו DeepSWE לפני שמסתכלים על המספרים המרכזיים, משום שזהו מבחן שאינו מתגמל את מה שאפשר לשנן. הוא תוכנן כדי למנוע זיהום (contamination) — הנוהג של הערכה על נתונים שהמודל כבר ראה באימון — והוא מריץ משימות הנדסת תוכנה ארוכות מהעולם האמיתי, הדורשות ביצוע רב-שלבי מתמשך, לא שליפת תבניות. 8 האחוזים של DeepSeek V4 Pro שם אינם דעה; הם תוצאה מדודה של הערכה עצמאית, וזו תמונה שונה לחלוטין מזו שהטבלה של הספק עצמו מציירת, שבה אותו מודל רושם 80.6 ב-SWE-bench Verified, 93.5 ב-LiveCodeBench ודירוג Codeforces של 3,206 שמנצח את 3,168 של GPT-5. הפער בין שתי התמונות הוא כל הסיפור — מדוע "משקלים פתוחים, טוקנים זולים" ו"טוב בקידוד אייג'נטי" חייבים להיבדק בנפרד.

ל־Muse Glimmer אין ציון DeepSWE. אין לו ציון עצמאי מכל סוג שהוא — הוא שוחרר הבוקר, וכל טבלת הבנצ'מרק שלו היא של מטא עצמה, שמטא הריצה מול תצורות מתחרות שהיא הודתה שלא כווננה. התווית הכנה לכל נתון של Glimmer בכתבה הזו היא 'דיווח יצרן'. אבל העיצוב של המודל מכוון בדיוק למצב הכשל ש־DeepSWE חושף: התאוששות אוטונומית מכשלים, תוכניות רב־שלביות, שימוש בכלים לטווח ארוך. השאלה הפתוחה של ההתמודדות הזו היא אם העיצוב הזה ישרוד מגע עם מבחן עצמאי, ואף אחד לא יכול לענות עליה עדיין.

שני קצוות של משקלים פתוחים

נתחיל במשמעות של "פתוח" לגבי כל אחד מהם, כי לא מדובר באותו הדבר. DeepSeek V4 Pro הוא מודל MoE עם סך כולל של 1.6 טריליון פרמטרים, כ-49 מיליארד פעילים לכל טוקן, חלון הקשר של מיליון טוקנים, עד 384 אלף טוקני פלט, וקלט טקסטואלי בלבד — ללא ראייה. המשקולות שלו ברישיון MIT חופשיות לשימוש, אבל אירוח עצמי הוא פרויקט ברמת מרכז נתונים: נקודת הבידוק (checkpoint) בפורמט BF16 היא בסדר גודל של טרה-בייטים, כך שבפועל DeepSeek V4 Pro הוא משהו ששוכרים, דרך ה-API של DeepSeek או של צד שלישי. Muse Glimmer הוא מודל צפוף (dense) עם 30 מיליארד פרמטרים, מולטי-מודאלי — טקסט פלוס תמונה דרך מקודד תפיסה — תחת Apache 2.0, כשנקודת הבידוק שלו בארבעה ביטים יחד עם ה-drafter DFlash נכנסת בכ-19.5 גיגה-בייט. האחד הוא מודל עם משקולות פתוחות שאתה פורס; השני הוא מודל עם משקולות פתוחות שאתה מוריד ומריץ על כרטיס בודד של 24GB או 32GB, או על מק מסדרת M מתקדם. שניהם משקולות פתוחות באמת. אין ביניהם כמעט שום דבר משותף בכל הנוגע לאופן השימוש בהם.

האישיות המפוצלת של הענק

החוזקה של DeepSeek V4 Pro היא {{1}}הבנצ'מרק המבודד{{/1}}. {{2}}מתמטיקה וידע: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5.{{/2}} {{3}}קידוד בסביבות מבוקרות: SWE-bench Verified 80.6, LiveCodeBench 93.5.{{/3}} {{4}}יכולת 'המחט בערמת השחת' בהקשר ארוך חזקה גם היא{{/4}} — {{5}}83.5 ב-MRCR במיליון טוקנים{{/5}}, {{6}}לפני Gemini 3.1 Pro במבחן הזה{{/6}}. {{7}}אבל בשורות שמודדות ביצועים סוכניים מתמשכים, התמונה נסדקת.{{/7}} {{8}}Terminal-Bench 2.0 עומד על 67.9{{/8}}, {{9}}שימוש בכלים ב-Toolathlon 51.8{{/9}}, ו-{{10}}דירוגים של אגרגטורים עצמאיים מציבים את הגרסה הסטנדרטית באמצע הטבלה בקטגוריות הסוכניות והקידוד, גם כשציוני ההיגיון נשארים קרובים לצמרת{{/10}}. {{11}}תוצאת ה-DeepSWE של 8 אחוזים היא הסדק במלוא קיצוניותו.{{/11}}

הטבלה שדווחה על ידי הספק של Muse Glimmer מצביעה לכיוון השני: השורות החזקות ביותר שלה הן השורות הסוכנותיות. MCP-Atlas 75.5, DeepSearch QA 74.6, GAIA2 43.3, SWE-bench Verified 76.0, SWE-bench Pro 51.2, Terminal-Bench 2.1 51.7. מול המספרים המאומתים של DeepSeek לקוד — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer מפסידה כמעט בכל שורה שחשובה בטבלת אמות מידה. המודלים טובים בסוגים שונים של דברים, והסוג ש-Glimmer טוענת שהיא טובה בו הוא בדיוק הסוג שהרקורד העצמאי של DeepSeek אומר שהגישה של הענק הזול מפספסת.

מה כל אחד עולה, בכנות

המחיר המפורסם של DeepSeek V4 Pro הוא 1.74 דולר למיליון טוקני קלט ו-3.48 דולר למיליון טוקני פלט, כשקלט שפוגע במטמון (cache) עולה כ-0.145 דולר. ההנחה הקבועה של DeepSeek — שהוצגה תחילה כמבצע ולאחר מכן נשמרה — מעמידה את התעריף האפקטיבי על כ-0.44 דולר לקלט ו-0.87 דולר לפלט, נמוך מספיק כדי שהמחיר לטוקן כמעט יחדול להיות הגורם המכריע, ונמוך מספיק כדי להסביר מדוע היא הבחירה המועדפת מבחינת תקציב עבור חלק גדול מהתעשייה. התמחור הזה פעיל דרך ה-API של הספק עצמו ובמספר פלטפורמות צד שלישי, וב-OrcaRouter הוא מועבר ב-0% תוספת — מחיר המחירון של הספק, בלי מרווח נוסף — כך שהפחתת מחיר של DeepSeek נראית בעמוד המודל באותו היום שבו היא מתרחשת, וזו הדרך הכנה להשוות אותה מול כל דבר אחר בקטלוג.

Muse Glimmer עולה אפס לכל טוקן, והעלות האמיתית היא החומרה: GPU של 24GB או 32GB עם RTX 5090 כנקודת ייחוס, או Mac מסדרת M במפרט מקסימלי. אם יש לך אחד כזה, העלות השולית של סוכן מקומי פעיל תמיד היא חשמל. אם לא, ה-GPU הוא סעיף העלות – ולצוותים רבים הרכישה החד-פעמית הזו זולה יותר אפילו מהתעריף המוזל של DeepSeek לאורך חייו של סוכן פעיל תמיד, בעוד שלאחרים מודל התשלום לפי טוקן עדיף כי הם רוצים את הקונטקסט של 1M ואת הפלט של 384K שמודל מקומי בגודל 19.5GB לא יכול להחזיק. השוואת המחירים נפתרת רק ברגע שמחליטים באיזו מעטפת פריסה אתה באמת חי.

הפוליטיקה שמתחת

כדאי להזכיר את ההקשר, {{1}}כי הוא מעצב עד כמה כדאי לסמוך על הטבלה של כל ספק.{{/1}} {{2}}המאמר של צוקרברג שליווה את שחרור Muse Glimmer, "העתיד שייך לכולם," הזכיר במפורש את DeepSeek, יחד עם Qwen ו-Moonshot, כמעבדות המודלים הפתוחים הסיניות שהפרסומים האמריקאים בעלי המשקלים הפתוחים צריכים להתחרות בהן, וקרא להקלה ברגולציה האמריקאית על AI בקוד פתוח.{{/2}} {{3}}Meta ממתגת את Glimmer כתשובה המקומית לגל המשקלים הפתוחים הזולים.{{/3}} {{4}}המסגור הזה אמיתי, וזו בדיוק סוג הסיטואציה שבה אמות מידה שמנהל הספק ראויות למירב הספקנות — שני הצדדים מוכרים סיפור לאומי יחד עם מודל.{{/4}} {{5}}משקל הנגד הוא המדידה העצמאית שכבר קיימת עבור DeepSeek (כולל ה-8 אחוזים), והמדידה העצמאית שעדיין לא קיימת עבור Glimmer.{{/5}}

מי צריך להריץ מה

שני המודלים אינם תחליפים, וההחלטה היא בעיקר שאלה של מתאר פריסה המחופש לאמת מידה. אם עומס העבודה שלך רעב לטוקנים ורעב להקשר — קלט מסיבי, פלטים ארוכים, מתמטיקה וידע בקנה מידה גדול — DeepSeek V4 Pro במחיר המוזל שלו הוא אחת העסקאות הכדאיות ביותר בקטלוג, ותוצאת ה-8 אחוזים שלו ב-DeepSWE חשובה פחות עבור עומסי עבודה שאינם קידוד סוכני ארוך-טווח. אם עומס העבודה שלך הוא סוכן מקומי פעיל תמידית — בתדירות גבוהה, פרטי, אינטראקטיבי, עם קריאות לכלים — Muse Glimmer הוא צורת התשובה, עם הסתייגות שהטענות הסוכניות שלו עדיין מבוססות כולו על דיווח עצמי וזקוקות למבחן בלתי תלוי. אם עומס העבודה שלך הוא גם וגם — וכך הם רוב מחסניות הסוכנים האמיתיות — אז שני המודלים הם שתי שכבות של מערכת אחת: ה-30B המקומי לנתיב המהיר, הפרטי ובתדירות גבוהה, וה-MoE השכור למשא הכבד של הקשר הארוך.

מה שיכריע את ההשוואה הזו, בסדר גס של מהירות: תוצאה עצמאית של Glimmer במבחן נקי מזיהום עם אופק ארוך כמו DeepSWE, שהיא המספר השימושי ביותר שחסר להתמודדות הזו; שכפול עצמאי שני של נתון ה-8% של DeepSeek כדי לאשר שלא מדובר בתקלה חד-פעמית של הגדרת הניסוי; והספק הראשון שמקים נקודת קצה של Glimmer, שזה הרגע שבו הפיצול בין מקומי לשכור מפסיק להיות היפותטי והופך למשהו שאפשר לחבר עם מפתח אחד. עד אז, הסיכום הכנה קצר. DeepSeek V4 Pro הוא הענק בעל המשקלים הפתוחים, עם סיפור מוכח של טוקנים זולים ועם חולשה ספציפית ומדודה. Muse Glimmer הוא המצטרף החדש לעולם המשקלים הפתוחים, וכל המצגת שלו מכוונת בדיוק לאותה חולשה — והראיה היחידה שלו עד כה היא המילה שלו עצמו.