
Muse Glimmer: Apa yang Sebenarnya Diselesaikan Laporan Teknis Meta tentang Agen Lokal 30B
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 186 tok/s
- openaiBARUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 juta token · 76 tok/s
- openaiBARUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 juta token · 151 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 246 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 207 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 94 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 juta token · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 104 tok/s
Meta menerbitkan laporan teknis untuk Muse Glimmer pada 19 Oktober 2026, tujuh puluh hari setelah model itu sendiri dirilis pada 10 Agustus. Kesenjangan itulah sebabnya makalah ini lebih penting daripada tulisan biasa: ini adalah dokumen Meta paling rinci tentang model tersebut sejauh ini — dokumen ini menunjukkan perhitungan di balik tawaran perangkat keras konsumen, dan menyatakan baris benchmark mana yang dijalankan Meta sendiri dan mana yang dipinjam dari pihak lain. Muse Glimmer adalah model dense 30 miliar parameter, Apache 2.0, masukan teks dan gambar, didistilasi dari model guru Muse Spark frontier milik Meta, dan di-benchmark di sepanjang laporan terhadap Gemma4-31B dan Qwen3.6-27B. Laporan ini juga untuk pertama kalinya menghitung biaya distilasi itu secara semestinya: bobot BF16 55.7GB dikompresi menjadi 19.65GB agar model bahasa muat di kartu 32GB, dengan biaya kualitas diukur, bukan sekadar diklaim. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter yang setiap entrinya mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.
Dua pengungkapan dalam makalah itu kurang menyanjung dibandingkan blog peluncurannya. Pertama, tabel benchmark tersebut merupakan campuran, bukan sekadar hasil pengujian Meta sendiri: empat baris berasal dari Artificial Analysis, dua angka pesaing merupakan laporan mandiri para pesaing itu sendiri, dan sisanya adalah pengujian internal Meta terhadap konfigurasi yang bahkan masih diakui Meta tidak disetel untuk para pesaing. Kedua, verifikasi yang awalnya disebut artikel ini akan memakan waktu berminggu-minggu ternyata sudah terjadi. Artificial Analysis telah memberi skor Muse Glimmer, dan pada indeksnya saat ini model tersebut berada di peringkat 17 — di belakang Qwen3.6-27B pada 21, di depan Gemma4-31B pada 15. Sementara itu, janji yang dibuat Meta bersamaan dengan peluncuran, yakni bobot terbuka untuk Muse Spark yang jauh lebih besar, dipenuhi pada 15 Oktober sebagai Muse Spark Open: total 816B parameter dengan 42B aktif, di bawah lisensi yang bukan Apache 2.0.
Apa yang laporan katakan tentang model itu sebenarnya
Arsitekturnya kini terbuka hingga ke detail bentuk tensor, dan itu menjelaskan sebagian besar perilaku yang selama ini diperdebatkan orang. Muse Glimmer berjumlah sekitar 29.6B parameter: kira-kira 25.16B di 52 blok transformer, 1.34B embedding token yang tidak diikat, 1.34B proyeksi output yang tidak diikat, dan encoder persepsi terpisah sebesar 1.8B — sebuah ViT-G/14 dengan 50 lapisan pada lebar 1536, dipatch pada 14 piksel terhadap grid referensi 448 piksel. Dimensi tersembunyi adalah 6,656. Atenksi menggunakan grouped-query, 32 head query terhadap 2 head key-value pada rasio 16:1, dengan jendela geser 2,048 token dalam pola berulang tiga lokal lalu satu global, dan RoPE hanya diterapkan pada lapisan lokal. Kosakatanya adalah 202,048 token pada tokenizer BPE Llama 4, dan konteksnya 128K-plus. Batas pengetahuan adalah 4 Januari 2026.
Dua angka dalam makalah ini layak mendapat lebih banyak perhatian daripada yang mereka dapatkan pada hari peluncuran. Yang pertama adalah jumlah bahasa: abstrak menyebut “lebih dari seratus bahasa,” bagian isi menyebut sekitar 140, dan lampiran melaporkan skor Omnilingual-GAIA2 sebesar 60,4 dibandingkan dengan 37,5 milik Gemma4-31B dan 45,0 milik Qwen3.6-27B. Itu adalah selisih yang besar dan, seperti semua hal lain di tabel, itu adalah hasil uji Meta sendiri. Yang kedua adalah resep pelatihan. Pra-pelatihan adalah distilasi logit dari Muse Spark menggunakan 256 logit teratas dari guru, dengan KL divergence untuk 95% pertama proses dan beralih ke cross-entropy pada target ground-truth untuk 5% terakhir guna mengoreksi bias pemotongan yang ditimbulkan oleh distilasi top-k. Pelatihan menengah memperluas konteks dari 32K menjadi 128K dan menyuntikkan data lintasan agentik; pasca-pelatihan adalah fine-tuning terawasi, lalu distilasi on-policy, lalu pembelajaran penguatan multiobjektif. Meta menyatakan dengan jelas bahwa distilasi on-policy mengalahkan resep yang hanya menggunakan pembelajaran penguatan pada ukuran ini — titik data yang berguna bagi siapa pun yang melatih model agen kecil miliknya sendiri.
{{1}}Brief produk tidak berubah.{{/1}} Meta membangun Glimmer untuk "{{2}}alur kerja agen lokal yang selalu aktif{{/2}}" — agen yang memanggil alat, mengikuti rencana multi-langkah, pulih ketika panggilan gagal alih-alih berhenti, dan dapat menaikkan atau menurunkan upaya penalaran. Pekerjaan yang dituju adalah pekerjaan yang tidak glamor: pengodean lokal, pemanggilan fungsi, manajemen jadwal, pengorganisasian file, evaluasi LLM-as-a-judge. Glimmer berjalan dalam kerangka kerja orkestrasi seperti OpenClaw, yang disebutkan namanya oleh makalah sebagai alasan mengapa permintaan akan pemanggil alat yang ringkas dan andal memang ada.
Dari mana klaim "muat di GPU Anda" mendapatkan angka-angkanya
Inilah bagian yang hendak dituntaskan oleh laporan teknis, dan bagian ini lebih kokoh daripada klaim pemasarannya. Pada BF16, bobot menempati 55,7GB. Meta menargetkan penerapan dengan memori 24GB atau 32GB, dengan menyisakan ruang untuk cache KV yang tidak terkuantisasi, encoder persepsi, dan drafter DFlash, sehingga menargetkan bobot model bahasa di bawah 20GB. Bagian ini mengevaluasi tujuh skema kuantisasi pasca-pelatihan — GPTQ, AWQ, NVFP4 seragam, MXFP8 seragam, Q4_K_M dari llama.cpp, varian kalibrasi bernama Greedy-KL, dan EvoPress yang diadaptasi — terhadap negative log-likelihood pada data held-out lalu terhadap 15 benchmark hilir.
Hasilnya adalah dua profil deployment bernama, bukan satu klaim "4-bit" yang samar. Profil 32GB adalah EvoPress pada 19,65GB bobot, dan di sepanjang 15 benchmark nilainya rata-rata 75,6% dibandingkan 75,7% milik BF16 — sepersepuluh poin. Profil 24GB adalah Q4_K_M dengan jejak yang lebih kecil, rata-rata 74,8%, turun sembilan persepuluh poin. Panjang respons rata-rata bergerak dari 11.070 token pada BF16 menjadi 11.417 pada EvoPress dan 10.774 pada Q4_K_M, jadi kekhawatiran umum bahwa kuantisasi agresif membengkakkan panjang chain-of-thought tidak muncul di sini. Itu adalah pengukuran Meta pada campuran evaluasi Meta; itu adalah angka kualitas-versus-memori paling konkret yang pernah dipublikasikan siapa pun untuk model ini, dan itu masih angka vendor.
Kecepatan adalah satu-satunya bagian di mana makalah ini lebih tipis dibandingkan postingan blog. Laporan tersebut menyatakan bahwa bobot 4-bit ditambah decoding spekulatif menghasilkan "kecepatan praktis pada satu RTX 5090" dan menjelaskan drafter secara rinci — lima lapisan, ukuran blok 16, 32 kepala query dan 8 kepala key-value, dilatih secara offline pada rollout on-policy dengan objektif D-PACE — tetapi tidak menerbitkan tabel throughput. Angka-angka yang beredar, sekitar 3,1x percepatan decoding pada RTX 5090 (74,9 menjadi 233 token/detik di llama.cpp), 1,8x pada M5 Max dan 1,5x pada M4 Max, berasal dari materi peluncuran dan kartu model Meta, bukan dari laporan tersebut. Anggap angka-angka itu sebagai pernyataan vendor sampai seseorang mereproduksinya di mesinnya sendiri, yang untuk model lokal merupakan eksperimen yang benar-benar mudah dijalankan.
Mengapa rilis ini berarti lebih dari sekadar lembar spesifikasi
Sejak Llama 4 pada musim semi 2025, Meta sempat bungkam soal bobot terbuka, mundur ke lini frontier proprietary di bawah Meta Superintelligence Labs. Muse Glimmer adalah kembalinya publik ke strategi itu, dan hadir bersama esai Zuckerberg setebal 14 halaman, "The Future is for Everyone," yang berargumen bahwa kontrol terpusat adalah risiko AI sesungguhnya, plus dana $1 miliar dengan nama yang sama. Makalah itu tidak mengulang politiknya; ia melakukan sesuatu yang lebih berguna, yaitu menunjukkan bahwa kembalinya model open-weight bukanlah gestur sekali jalan.
Pada 15 Oktober, Meta merilis bobot Muse Spark Open — 816B parameter total, 42B aktif, konteks 1 juta token, dan menurut Meta, mampu berjalan di dua Apple M5 Ultra Mac Studio dengan MLX. Itu adalah saudara berbobot terbuka dari sang guru, dan ini menjawab pertanyaan yang awalnya menggantung dalam artikel ini. Jawabannya disertai tanda bintang: Muse Spark Open dirilis di bawah Muse Model License dengan ketentuan komersial terbatas, bukan Apache 2.0. Glimmer tetap menjadi yang lebih permisif di antara keduanya dan, pada 30B, satu-satunya dari pasangan ini yang muat di memori satu GPU konsumen. Posisi Meta sendiri adalah bahwa Spark Open merupakan model kelas desktop bagi orang-orang yang memiliki susunan Mac Studio; Glimmer adalah pilihan untuk kartu 24GB.
Semua angka Spark Open di atas adalah milik Meta, dan klaim "berjalan di dua Mac Studios" khususnya belum direproduksi secara independen. Yang tidak diperdebatkan adalah bentuk lineup-nya: model agen 30B yang permisif, model unggulan 816B yang dibatasi, dan tier API frontier di atas keduanya. Itu adalah strategi open-weight yang koheren, bukan satu rilis tunggal, dan itulah hal yang harus diperhitungkan dalam setiap keputusan tentang membangun di atas model Meta yang lebih kecil.

Klaim "smoked", baris demi baris
Papan skor di atas dibuat pada hari peluncuran, dan satu baris di dalamnya sejak itu telah tersusul: kolom Artificial Analysis-nya masih bertuliskan "no entry" untuk Muse Glimmer. Kartu skor Meta sendiri membandingkan Muse Glimmer pada kekuatan penalaran tinggi dengan Gemma4-31B dan Qwen3.6-27B di tiga lusin baris. Pola dari hari peluncuran masih berlaku: kemenangan terbesar adalah penalaran agentik umum, pencarian, dan pekerjaan multibahasa.
• MCP-Atlas (penggunaan alat agentik) — Muse Glimmer 75,5, Gemma4-31B 54,2, Qwen3.6-27B 62,5. Masih menjadi baris utama dan selisih terbesar dalam kumpulan ini.
• DeepSearch QA — 74,6 dibandingkan dengan 61,7 dan 71,1; GAIA2 — 43,3 dibandingkan dengan 36,4 dan 40,0; WildClawBench — 47,6 dibandingkan dengan 37,6 dan 43,2.
• GDPval-AA v2 — 953 Elo versus 811 milik Gemma dan 1.141 milik Qwen. Patut direnungkan: dalam pekerjaan pengetahuan yang bernilai secara ekonomis, Qwen menang dengan selisih besar.
• SWE-Bench Pro — 51,2 berbanding 36,9 dan 50,2; ARC-AGI — 66,9 pada penalaran tingkat high, 67,9 pada tingkat xhigh baru yang ditambahkan laporan; LiveCodeBench Pro (2025 Q2) — 64,1 pada high, 66,8 pada xhigh.
• τ³-Banking — 23,5 dibandingkan dengan 15,1 dan 16,7; PinchBench (penggunaan alat) — 90,5.
Baris-baris tempat ia kalah sama informatifnya. Qwen3.6-27B menguasai penggunaan komputer secara langsung dan pekerjaan terminal: OSWorld-Verified 75,6 berbanding 65,9 milik Glimmer, TerminalBench 2.1 60,7 berbanding 51,7, SWE-Bench Verified 77,2 berbanding 76,0, dan sedikit unggul di SkillsBench dengan 46,6 berbanding 44,3. Gemma4-31B mencatat rekam jejak privasi dan keamanan yang lebih baik — tingkat pelanggaran CIMemories 12,1% berbanding 26,4% milik Glimmer dan 53,4% milik Qwen, serta tingkat keberhasilan serangan terendah pada Siren AgentDojo sebesar 25,6% berbanding 28,4% milik Glimmer dan 40,3% milik Qwen. Gemma juga sedikit unggul dalam uji penalaran sempit, GPQA Diamond 85,7 berbanding 83,5 dan Humanity's Last Exam 23,6 berbanding 22,0.
Lampiran metodologi adalah bagian yang mengubah cara Anda membaca semua hal di atas, dan ia mengoreksi apa yang dikatakan artikel ini saat peluncuran. Tidak setiap baris merupakan hasil Meta sendiri. Untuk model pesaing, Meta melaporkan "hasil paling menguntungkan antara skor yang dilaporkan sendiri atau reproduksi internal kami," dan empat benchmark — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1, dan SciCode — bersumber dari Artificial Analysis, bukan dijalankan secara internal. Angka SWE-Bench Verified untuk Qwen3.6-27B adalah laporan sendiri dari Qwen. Angka SWE-Bench Pro untuk Qwen adalah hasil eksekusi internal Meta, karena angka yang dipublikasikan Qwen berasal dari versi benchmark yang telah disempurnakan dan Meta mengevaluasi kumpulan tugas aslinya. Untuk sisanya, Meta mereproduksi sendiri hasil para pesaing dan menyatakan bahwa alat agen serta prompt sistemnya "mungkin tidak disetel secara khusus untuk model pihak ketiga yang bersifat proprietary."
Itu adalah pengungkapan yang lebih hati-hati daripada yang ditawarkan blog peluncuran, dan itu memiliki dua sisi. Ini bukanlah penyisiran vendor yang bersih, yang memperkuat kredibilitas tabel. Namun, "paling menguntungkan antara laporan sendiri dan reproduksi kami" adalah aturan yang hanya dapat membantu pesaing pada baris di mana angka milik pesaing itu sendiri lebih tinggi, dan peringatan Meta tentang penyiapan yang belum disetel tetap berlaku untuk setiap baris yang dihasilkannya sendiri. Rincian tingkat baris kini dapat diaudit, itulah yang Anda inginkan; arah biasnya tidak sepenuhnya dapat diketahui dari makalah.
Apa yang dikatakan papan skor independen
Artificial Analysis kini telah menilai model tersebut, sehingga menghapus catatan "belum ada hasil independen" yang menyertai tulisan ini sepanjang Agustus. Pada indeks terkini AA, Muse Glimmer dengan kekuatan penalaran tinggi memiliki Intelligence Index 17, berada di peringkat ke-14 dari 141 model dalam kumpulan pembandingnya. Qwen3.6-27B berada di 21 dan Gemma4-31B di 15. AA juga mengukur 137 token keluaran/detik dengan waktu hingga token pertama 0,91 detik — cepat untuk kelasnya, berada di peringkat ke-16 dari 64 — dan biaya sekitar $0,06 per tugas Intelligence Index.
Level angkanya perlu catatan kualifikasi, peringkatnya tidak. Tulisan AA pada minggu rilis menempatkan tiga model yang sama pada 35, 38, dan 30 di indeksnya; halaman model saat ini menempatkan mereka pada 17, 21, dan 15. Angka absolutnya bergeser, urutannya tidak. Apa pun penyebab penskalaan ulangnya, fakta yang stabil dari kedua pembacaan adalah peringkat: Qwen di depan Glimmer pada agregat, Glimmer di depan Gemma, dan Glimmer unggul pada baris-baris khusus agentic. Itu mendukung klaim yang lebih sempit daripada "memimpin model terbuka berukuran sebanding" — pada indeks kecerdasan umum, model 27B dari April masih menang — dan klaim yang lebih sempit itulah yang akurat.
Penilaian AA pada minggu peluncuran menambahkan temuan yang layak dipertimbangkan selanjutnya: tingkat halusinasi sebesar 82% untuk Muse Glimmer dibandingkan 49% untuk Qwen3.6-27B, dengan indeks AA-Omniscience −33. Bagi agen yang berjalan tanpa pengawasan di mesin Anda dan memanggil alat, itulah angka yang seharusnya membentuk seberapa besar otonomi yang Anda berikan kepadanya, lebih daripada yang dilakukan MCP-Atlas. AA juga kini menandai Qwen3.6-27B sebagai usang demi Qwen3.8-27B, sehingga pesaing yang menjadi pembanding Glimmer di sebagian besar tabel ini bukan lagi model terkini dari vendornya — sebuah detail yang tidak mungkin diantisipasi oleh perbandingan Meta pada Agustus dan yang tidak dibahas oleh laporan tersebut, yang terbit pada Oktober.
Tangkapan di bawah ini adalah halaman perbandingan sebagaimana adanya sebelum Glimmer dinilai, itulah sebabnya halaman ini menampilkan kancah yang akan dimasuki Glimmer, bukan Glimmer di dalamnya. Bacalah ini sebagai garis dasar pra-verifikasi, bukan sebagai klasemen terkini.

Berapa biaya sebenarnya untuk menjalankannya
Muse Glimmer sendiri gratis — Apache 2.0, tanpa biaya per token, tanpa pembayaran ke Meta, dan laporan tersebut menegaskan bahwa rilis ini mencakup bobot presisi penuh, varian 4-bit, dan head spekulasi DFlash. Biayanya ada pada perangkat keras di bawahnya. BF16 membutuhkan 55,7GB, yang berarti dua kartu atau tidak ada kartu konsumen yang bisa. Profil EvoPress 32GB adalah yang Anda inginkan jika membeli: profil ini mengorbankan sepersepuluh poin akurasi rata-rata dibandingkan BF16 dan muat di satu kartu 32GB atau Mac kelas atas dengan memori terpadu. Profil Q4_K_M 24GB mengorbankan sembilan persepuluh poin dan muat di kartu kelas RTX 5090, yang merupakan pertukaran wajar untuk agen yang berjalan terus-menerus.
Jika Anda lebih memilih menyewa daripada membeli, tarif hosted yang terlacak kini lebih rendah daripada yang dikutip halaman ini pada Agustus. Artificial Analysis mencatat $0.30 per juta token input dan $1.20 per juta token output untuk Muse Glimmer, dibandingkan dengan $0.35 dan $1.50 yang tercantum pada listing pertama saat rilis, dengan diskon cache 87% dan tarif gabungan mendekati $0.21. Itu adalah tarif marketplace yang dicantumkan penyedia, bukan harga Meta — Meta tidak menerbitkan endpoint Glimmer hosted miliknya sendiri, dan dokumentasi developernya ditulis dengan asumsi mengarahkan perkakas Anda ke server Muse Glimmer lokal. Apakah pergerakan itu merupakan pemotongan harga oleh penyedia yang sama atau penyedia yang lebih murah yang bergabung ke kumpulan yang terlacak tidak ditunjukkan oleh indeks tersebut; bagaimanapun juga, arah untuk rilis open-weight dapat diprediksi.
Perbandingan yang layak dilakukan dengan cermat tetap antara lokal versus hosted, dan selisihnya tidak sedekat yang disiratkan pemasaran. Kartu 32GB adalah biaya tetap yang diamortisasi pada setiap token yang pernah Anda hasilkan; tarif hosted adalah biaya marginal yang meningkat seiring volume dan hilang jika penyedianya lenyap. Pada $0,30 dan $1,20, jalur hosted cukup murah sehingga sebagian besar tim sebaiknya memulai di sana sebelum membeli perangkat keras, dan jalur lokal hanya menang ketika token tidak boleh meninggalkan mesin atau volumenya cukup tinggi sehingga GPU lebih murah daripada tagihan.
Satu catatan tentang kami, karena ini berkaitan dengan cara Anda menetapkan harga untuk semua ini. Muse Glimmer tidak ada dalam katalog OrcaRouter — kami merutekan API yang di-hosting, dan model tersebut belum tersedia sebagai rute ter-hosting, sehingga penandaan 0% dan pengaturan satu kunci untuk semuanya tidak berlaku untuknya saat ini. Yang berlaku adalah disiplinnya: untuk lebih dari 200 model yang kami rutekan, harga yang ditampilkan adalah harga daftar penyedia yang diteruskan dengan penandaan 0%, jadi penurunan harga vendor langsung berlaku di sini pada hari yang sama, bukan setelah penghitungan ulang margin. Itulah standar yang harus dijadikan acuan dalam perbandingan ini, apa pun cara Anda menjalankan Glimmer.
Cara kamu benar-benar menggunakannya minggu ini
Karena dirilis sebagai bobot terbuka, aksesnya adalah unduhan. Repo dasarnya adalah meta-models/Muse-Glimmer-30B di Hugging Face, dengan varian 4-bit dan build GGUF yang dipublikasikan bersamanya. Dukungan runtime hari pertama adalah llama.cpp, MLX, dan ExecuTorch; Ollama, LM Studio, vLLM, dan SGLang menyusul dalam beberapa hari, dengan pekerjaan optimasi perangkat keras yang dicantumkan untuk AMD, Arm, Dell, Intel, dan Nvidia. Jalur praktis bagi kebanyakan orang tidak berubah: tarik GGUF, muat di llama.cpp atau runner lokal, arahkan scaffold agen ke sana, dan mulai dengan profil 24GB Q4_K_M kecuali Anda memiliki 32GB yang bisa dialokasikan untuk profil EvoPress.
Jika Anda sedang mempertimbangkan apakah akan membangun di atasnya, kerangka yang jujur adalah bahwa Glimmer adalah agen lokal yang baik dengan batas bawah kualitas yang terdokumentasi, masalah halusinasi yang terukur, dan tabel tolok ukur vendor yang kini sebagian dapat diaudit. Model guru adalah proposisi yang berbeda: Muse Spark 1.2 dapat dirutekan melalui OrcaRouter dengan harga $1,25 per juta token input dan $4,25 per juta token output, sehingga sebuah tim dapat menjalankan model kecil di perangkat untuk pekerjaan yang murah, privat, dan selalu aktif serta merutekan kasus-kasus sulit ke model besar menggunakan kunci yang sama. Pemisahan itu — model siswa lokal untuk siklus rutin, model guru yang dihosting untuk eskalasi — adalah arsitektur yang sebenarnya didukung oleh kedua rilis ini, dan dapat diuji minggu ini dengan biaya GPU yang mungkin sudah Anda miliki ditambah anggaran token. Failover otomatis adalah yang membuat separuh bagian yang dihosting aman untuk ditempatkan di jalur produksi saat sebuah model masih membangun rekam jejak independen, yang persis merupakan kondisi Glimmer saat ini.
Tangkapan layar di bawah ini adalah kartu model sebagaimana terbaca pada hari rilis. Baris "not deployed by any inference provider" mengacu pada inferensi pihak pertama milik Hugging Face sendiri, yang merupakan hal terpisah dari hosting pihak ketiga yang dimulai pada 9 Agustus, dan ini adalah pengingat yang berguna tentang betapa cepatnya baris itu menjadi usang.

Apa yang harus ditonton
Tiga hal yang semestinya menuntaskan kisah ini sebagian besar sudah terjawab. Rilis bobot terbuka Spark terjadi pada 15 Oktober. Pengukuran independen dilakukan, dan hasilnya menyatakan Qwen unggul secara agregat, Glimmer unggul dalam agentics, Gemma tertinggal dari keduanya. Opsi hosting menyebar, dan harga yang dilacak kini $0.30 dan $1.20, bukan $0.35 dan $1.50.
Yang tersisa lebih sempit dan lebih menarik. Pertama, apakah ada orang di luar Meta yang mereproduksi trade-off kuantisasi — selisih 0,1 poin dan 0,9 poin adalah bagian terkuat dari laporan dan paling mudah diperiksa pada kartu 24GB. Kedua, apakah keunggulan agentik bertahan pada harness yang tidak dibangun di sekitar model tersebut; MCP-Atlas pada 75,5 adalah angka yang harus dikalahkan dan yang paling terpapar perbedaan scaffold. Ketiga, apakah rilis kecil Meta berikutnya mewarisi lisensi Apache 2.0 atau Muse Model License yang dibatasi yang digunakan Spark Open — pilihan tunggal itu menentukan apakah lini Glimmer tetap dapat digunakan sebagai fondasi untuk produk orang lain.
Twit peluncuran itu benar soal beritanya dan murah hati soal penilaiannya. Yang ditambahkan laporan teknis adalah bagian yang hilang pada Agustus: kini Anda dapat melihat apa yang diukur, pada perangkat keras apa, oleh siapa, dan berapa biaya yang dibayar dalam hal kualitas. Itu adalah dasar pengambilan keputusan yang lebih baik daripada tabel benchmark atau twit itu, dan itulah alasan model ini masih layak dipertimbangkan dalam perencanaan, bukan sekadar layak dibaca.
Pertanyaan yang benar-benar layak untuk dijawab
Apakah Muse Glimmer benar-benar open source?
Ini berbobot terbuka di bawah Apache 2.0 — siapa pun dapat mengunduh, memodifikasi, melakukan fine-tuning, dan menerapkannya secara komersial tanpa membayar Meta. Laporan tersebut juga menegaskan apa yang sebenarnya dicakup oleh lisensi: bobot presisi penuh, dua varian 4-bit, dan head drafter DFlash semuanya dirilis. Yang tidak dirilis adalah data pelatihan dan bobot model guru Muse Spark, itulah sebabnya "open weights" menjadi frasa yang hati-hati alih-alih sepenuhnya open source dalam pengertian OSI. Secara praktis, kesepakatan ini sama dengan yang membuat Llama menjadi keluarga terbuka yang paling banyak diterapkan di AI.
Apakah Muse Glimmer benar-benar mengalahkan Gemma4-31B dan Qwen3.6-27B?
Pada tabel Meta sendiri, ia unggul di sebagian besar baris agentik dan pencarian, dan lampiran metodologi kini menunjukkan baris mana yang merupakan hasil uji Meta sendiri dan mana yang berasal dari Artificial Analysis atau laporan para pesaing sendiri. Pembacaan independennya lebih sempit: pada Intelligence Index milik AA, Qwen3.6-27B memperoleh skor 21 dan Muse Glimmer 17, sedangkan Gemma4-31B 15. Jadi pernyataan yang akurat adalah bahwa Glimmer unggul di kelas ukurannya dalam penggunaan alat, perencanaan multistep, dan pekerjaan agentik multibahasa, tetapi tidak unggul dalam kecerdasan umum agregat atau tugas penggunaan komputer.
Bisakah saya menjalankannya di laptop?
Hanya jika "laptop" berarti memiliki GPU diskret 24GB atau 32GB, atau Mac kelas atas dengan memori terpadu sebesar itu. Laporan tersebut menempatkan bobot BF16 pada 55,7GB dan menargetkan dua profil terkompresi: 19,65GB bobot untuk mesin 32GB dan build Q4_K_M yang lebih kecil untuk 24GB, keduanya menyisakan ruang cadangan untuk cache KV, encoder persepsi, dan drafter. Pada grafis terintegrasi atau mesin 16GB, Anda akan melihat kuantisasi yang lebih berat dan output yang lambat, bukan agen yang selalu aktif yang menjadi rancangan rilis ini.
Di mana saya bisa mendapatkannya, dan apakah itu tersedia di API?
Bobotnya ada di Hugging Face pada meta-models/Muse-Glimmer-30B, dan Anda menjalankannya secara lokal melalui llama.cpp, MLX, ExecuTorch, Ollama, atau LM Studio. Akses hosted tersedia melalui platform pihak ketiga dengan biaya sekitar $0,30 per juta token masukan dan $1,20 per juta token keluaran, menurut harga penyedia yang dilacak Artificial Analysis. Meta tidak menerbitkan endpoint Glimmer hosted miliknya sendiri, dan model ini tidak ada di OrcaRouter — jika nanti tersedia sebagai rute hosted, kunci yang sama yang menjangkau lebih dari 200 model yang kami rutekan akan menjangkaunya, tetapi itu tidak berlaku hari ini.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
