Muse Glimmer: il modello agente open-weight da 30B di Meta afferma di superare Gemma4-31B e Qwen3.6-27B

Un post su X la mattina del 10 agosto 2026 lo ha detto più chiaramente di qualsiasi comunicato stampa: "Holy meta is back." Il comunicato a cui quel post stava reagendo — Muse Glimmer, il primo modello open-weight di Meta dopo Llama 4 — è uscito lo stesso giorno, e l'annuncio di Meta è quasi altrettanto aggressivo del tweet. La tabella dei benchmark del modello da 30 miliardi di parametri sostiene che batte il Gemma4-31B di Go​ogle in 19 delle 24 righe e il Qwen3.6-27B di Alibaba in 14 delle 24, con in testa il benchmark agentico MCP-Atlas, dove Meta riporta 75.5 contro 54.2 e 62.5 rispettivamente.

Prima che "surclassato" diventi un dato di fatto nella tua testa, nota chi ha prodotto quei numeri. Ogni punteggio nella tabella di Meta è stato ottenuto da Meta, contro modelli rivali le cui configurazioni Meta stesso ha riconosciuto di non aver ottimizzato. Muse Glimmer non ha ancora una voce su Artificial Analysis, la classifica indipendente che tiene traccia proprio di questa classe di dimensioni — dove Qwen3.6-27B detiene attualmente un Intelligence Index di 46 e Gemma4-31B si attesta a 39. Questa è quindi una doppia storia: un rilascio open-weight davvero importante da parte di Meta, e un'affermazione sui benchmark che richiederà settimane per essere verificata. Questo articolo le tiene separate.

Che cos'è realmente Muse Glimmer

Muse Glimmer è un modello denso multimodale da 30B — input di testo e immagini tramite un encoder percettivo dedicato — addestrato su più di 100 lingue e rilasciato sotto la permissiva licenza Apache 2.0. I suoi pesi sono su Hugging Face all'indirizzo meta-models/Muse-Glimmer-30B. È una versione distillata del più grande modello proprietario di punta di Meta, Muse Spark 1.2, e la ricetta di addestramento lo dimostra: distillazione dei logit dal modello insegnante nel pre-addestramento, addestramento intermedio su dati a contesto lungo e ricchi di agenti, quindi fine-tuning supervisionato combinato con distillazione on-policy e apprendimento per rinforzo.

Il product brief è specifico quanto la tecnologia. Meta ha costruito Glimmer per i "workflow di agenti locali sempre attivi" — un agente che vive sulla tua macchina e può chiamare strumenti, seguire piani multi-step, riprendersi quando una chiamata a uno strumento fallisce invece di fermarsi, e regolare lo sforzo di ragionamento verso l'alto o il basso. I compiti previsti sono quelli poco affascinanti: coding locale, chiamata di funzioni, gestione dell'agenda, organizzazione dei file, valutazione LLM-as-a-judge. È compatibile con framework di orchestrazione di agenti come OpenClaw, che è il modo in cui molte persone lo eseguiranno davvero.

La parte hardware è l'altra metà della proposta. A piena precisione, un modello da 30B richiede oltre 55GB di memoria; la quantizzazione a ~4 bit di Meta la riduce a circa 17–20GB, che sta su una scheda consumer da 24GB o 32GB (una RTX 5090 è il riferimento) e sui Mac di fascia alta con memoria unificata. Un drafter a decodifica speculativa — un piccolo modello compagno che Meta chiama DFlash — accelera la generazione: Meta riporta circa 3,1x su una RTX 5090 (da 74,9 a 233 token/sec in llama.cpp), 1,8x su un M5 Max e 1,5x su un M4 Max, dove la memoria unificata è già meno vincolata dalla larghezza di banda.

Perché questa release è importante al di là della scheda tecnica

Il tweet ha inquadrato bene la situazione. Dopo Llama 4, nella primavera del 2025, Meta era rimasta in silenzio sui pesi aperti, ritirandosi su una linea di frontiera proprietaria sotto Meta Superintelligence Labs e il Chief AI Officer Alexandr Wang. Muse Glimmer è il ritorno pubblico alla strategia dei pesi aperti che ha reso Llama la famiglia più scaricata nell'IA — ed è arrivato avvolto nel più forte segnale di intenti finora: Zuckerberg ha pubblicato un saggio di 14 pagine, "Il futuro è per tutti", in occasione del lancio, sostenendo che il vero rischio dell'IA è il controllo concentrato e che i pesi aperti sono il modo in cui l'America resta competitiva con i laboratori cinesi di modelli aperti. Ha chiesto una regolamentazione statunitense più permissiva per l'IA open-source, e Meta ha annunciato un "Fondo per il futuro di tutti" da 1 miliardo di dollari. Meta ha anche dichiarato che intende rilasciare i pesi del ben più grande Muse Spark 1.2 "nelle prossime settimane".

Questo contesto cambia il modo in cui dovresti leggere la tabella dei benchmark. Non è una curiosità da laboratorio di ricerca pubblicata in sordina; è una dichiarazione strategica con un modello allegato. Glimmer è la posizione di "agente locale a basso costo" nella gamma di Meta, che indebolisce deliberatamente l'argomento secondo cui un lavoro agentico serio richiede un'API cloud. Che lo mantenga davvero è esattamente ciò di cui tratta la questione della verifica.

L'affermazione "affumicato", riga per riga

La tabella di Meta confronta Muse Glimmer con Gemma4-31B e Qwen3.6-27B su 24 righe di benchmark. Dove sostiene i maggiori successi, lo schema è coerente: ragionamento agentico generale e ricerca.

• MCP-Atlas (uso di strumenti agentici) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. Questa è la riga principale e il divario più ampio del set.

• DeepSearch QA — 74.6 contro 61.7 e 71.1.

• GAIA2 (assistente generale) — 43.3 contro 36.4 e 40.0.

• WildClawBench (suite agentica) — 47.6 contro 37.6 e 43.2.

• SWE-Bench Pro — 51.2 contro 36.9 e 50.2. Nota il terzo numero: 50.2 è la misurazione di Meta su Qwen3.6-27B, mentre il dato pubblicato da Alibaba è 53.5. Stesso modello, due punteggi diversi a seconda di chi l'ha eseguito.

• AIME 2026 — 94.7, IFBench 77.0 e AA-LCR 80.0 contro i 68.3 di Ge​mma.

Quella è una riga solida. Ma la tabella non è una vittoria netta, e le righe in cui Muse Glimmer perde sono altrettanto informative di quelle in cui vince. Qwen3.6-27B tiene il campo nell'uso pratico del computer e nei lavori che richiedono un uso intensivo del terminale: SWE-Bench Verified 77.2 contro il 76.0 di Glimmer, OSWorld-Verified 75.6 contro 65.9 e TerminalBench 2.1 60.7 contro 51.7, più un vantaggio costante nei test multimodali come ScreenSpot Pro, OmniDocBench e MMMU-Pro. Gemma4-31B, dal canto suo, registra il miglior record di sicurezza nelle due metriche riportate da Meta — il tasso di violazione più basso su CI Memories e il tasso di successo degli attacchi più basso su Siren AgentDojo — e prevale di misura nei test di ragionamento ristretti (GPQA Diamond, Humanity's Last Exam).

A una lettura diretta, l'affermazione di Meta è "batte gli altri due nella maggior parte dei benchmark agentici", e sulla sua stessa tabella è più o meno vero. Le avvertenze sono il punto. Meta ha eseguito ogni riga da sé e ha ammesso che le sue configurazioni di test per i modelli rivali non erano tarate come la propria. Non è un'accusa di frode — configurazioni rivali non tarate sono un peccato di routine, persino atteso, in questo settore — ma è esattamente il motivo per cui le tabelle compilate dai fornitori sono soggette a conferma indipendente. La discrepanza di Q​wen SWE-Bench Pro sopra è l'intero problema in miniatura.

Cosa dice il tabellone segnapunti indipendente

Artificial Analysis non elenca ancora Muse Glimmer — il modello ha solo pochi giorni di vita, e l'indice di AA si basa sulle proprie esecuzioni, che richiedono tempo. Ma AA monitora entrambi i rivali, il che ti dà il campo misurato in cui il nuovo arrivato afferma di entrare. Secondo l'indice attuale, Qwen3.6-27B registra un Intelligence Index di 46, descritto da AA come il modello open-weights più intelligente sotto i 150B di parametri; Gemma4-31B si attesta a 39. Questi sono numeri indipendenti, non dichiarazioni dei fornitori.

Il quadro indipendente mostra anche una piega sui costi che i numeri principali nascondono. I dati di efficienza di AA indicano che Qwen3.6-27B genera circa 54.6 token/sec contro i 34.8 di Gemma4-31B, con Ge​mma più rapida nel time-to-first-token — ma Q​wen usa circa 3.7 volte più token di output per eseguire l'intero indice, il che rende la valutazione end-to-end circa 21 volte più costosa. I modelli che consumano molti token sono più costosi nel mondo reale anche quando i loro punteggi nei benchmark sono migliori, e questo è un fattore decisionale che nessuna tabella dei vendor metterà mai in evidenza.

Quindi, lo stato onesto delle cose al momento in cui scrivo è: un risultato forte dichiarato dal fornitore, nessun risultato indipendente per Muse Glimmer, e un campo rivale misurato in modo indipendente e suddiviso per attività. "Ha stracciato Gemma e Qwen" è un'affermazione legittima; non è ancora un esito verificato. I marcatori di verifica da osservare sono una voce nell'indice AA, l'Elo di LMArena e le riproduzioni della community — tutti elementi che di solito arrivano entro settimane da un rilascio come questo.

Quanto costa davvero farlo funzionare

Muse Glimmer è gratuito — licenza Apache 2.0, nessun costo per token, nessun pagamento a Meta. Il costo è l'hardware su cui lo esegui. Un modello da 30B a 4 bit richiede circa 17–20GB di memoria residente più spazio per la cache KV, l'encoder di percezione e il drafter DFlash, motivo per cui la guida di Meta stessa indica una scheda da 24GB o 32GB oppure un Mac di fascia alta. Se possiedi quell'hardware, il costo marginale di eseguire un agente locale sempre attivo è essenzialmente l'elettricità. Se non lo possiedi, una GPU da 24GB o un Mac di serie M con configurazione massima rappresenta una voce di spesa reale — e dal 9 agosto esiste una terza opzione: noleggiarlo. Le prime offerte di API hosted, attive a partire da quella data, prezzano Muse Glimmer a $0,35 per milione di token di input e $1,50 per milione di token di output su una finestra di contesto di 131K. Si tratta di una tariffa di mercato indicata dal fornitore piuttosto che di un prezzo Meta, ma è il numero che puoi effettivamente pagare oggi se preferisci non acquistare hardware.

Questo è il confronto che vale la pena fare con attenzione, perché "pesi aperti, prezzo zero" incontra "API ospitata, prezzo per token" in termini molto diversi. Quando fai i conti, prezza onestamente entrambe le parti. Dal nostro lato, in OrcaRouter, il prezzo che vedi per uno qualsiasi dei 200+ modelli ospitati è il prezzo di listino del fornitore applicato con ricarico 0%, quindi un taglio di prezzo del fornitore è attivo qui lo stesso giorno, non dopo un ricalcolo del margine — il che rende il confronto locale-vs-ospitato un confronto diretto. Muse Glimmer stesso non è ancora uno di quei 200+ modelli, quindi quel pass-through oggi non si applica. Ma la disciplina è il punto: il modo di prezzare un modello open-weight non ancora collaudato è il tuo stesso traffico, non una tabella del fornitore, e il DSL di routing esiste per eseguire esattamente quel confronto una volta che un modello è dietro un'API che puoi chiamare.

Come lo useresti realmente questa settimana

Poiché viene distribuito con pesi aperti, "accesso" non è una registrazione: è un download. Il repository di base è meta-models/Muse-Glimmer-30B su Hugging Face, con una variante GGUF già pubblicata e varianti quantizzate in arrivo da terze parti. Il supporto runtime dal primo giorno comprendeva llama.cpp, MLX ed ExecuTorch, con integrazioni per Ollama, LM Studio, vLLM e SGLang arrivate nei giorni successivi al rilascio, e lavori di ottimizzazione hardware elencati per AMD, Arm, Dell, Intel e Nvidia. Il percorso pratico per la maggior parte delle persone è: scaricare il GGUF, caricarlo in llama.cpp o in un runner locale, e puntarci uno scaffold per agenti. Meta non ospita alcuna API pubblica per Glimmer stesso, e il percorso locale è quello attorno a cui il modello è stato costruito — ma il percorso ospitato non è più ipotetico: piattaforme di terze parti hanno iniziato a servirlo il 9 agosto, quindi "scarica ed esegui" e "chiama un'API" sono entrambe opzioni attive ora.

Una nota onesta su di noi nello specifico: Muse Glimmer non è ancora disponibile tramite OrcaRouter. Instradiamo API ospitate e, con questo aggiornamento, il modello non è ancora arrivato nel nostro catalogo — l'offerta con margine zero e tutto con un'unica chiave vale per i 200+ modelli che instradiamo effettivamente, e questo non è ancora uno di essi. Quando lo sarà, la stessa chiave che raggiunge il resto del catalogo raggiungerà anche questo, senza alcun nuovo contratto, e il failover automatico è il meccanismo che rende sicuro indirizzare traffico reale verso un modello nuovissimo, segnalato dal fornitore, prima che abbia uno storico indipendente. È lo stesso motivo per cui esiste la DSL di routing: un modello non ancora provato dovrebbe guadagnarsi un percorso in produzione sulla base dei tuoi dati, non del proprio comunicato stampa.

Lo screenshot qui sotto è la scheda Hugging Face così come appariva il giorno del rilascio — la sua riga "non distribuito da alcun provider di inferenza" si riferisce all'inferenza di prima parte di Hugging Face, che è una cosa separata dagli elenchi di API hosted di terze parti pubblicati il 9 agosto.

Cosa guardare

Tre cose chiuderanno questa vicenda, grosso modo in ordine di velocità. Primo, il promesso rilascio open-weights di Muse Spark 1.2: se il modello insegnante verrà pubblicato nelle "prossime settimane", Glimmer smetterà di essere un caso isolato e diventerà il primo tassello di una lineup completamente open-weights, che è la vera lettura strategica del "Meta è tornata". Secondo, la misurazione indipendente: una voce nell'indice di Artificial Analysis, il posizionamento su LMArena e le riproduzioni della comunità ti diranno se l'affermazione "19 su 24" sopravvive al contatto con qualcuno che non è Meta. Terzo, l'ondata dell'hosting: quella è già iniziata. I provider hanno cominciato a servire Glimmer il 9 agosto, quindi la questione locale-versus-hosted è ora una scelta concreta che puoi fare con una chiave API; ciò che resta da osservare è quanto si amplierà la diffusione dell'hosting e cosa farà il prezzo per token una volta svanita la novità della settimana di lancio.

Il tweet aveva ragione sulla notizia. Se avesse ragione sul verdetto — è una questione che richiederà settimane, e la posizione onesta in questo momento è che nessuno al di fuori di Meta ha fatto abbastanza test per saperlo. Ciò che è già certo è che un modello agente Apache-2.0 da 30B che gira su una GPU consumer ed è supportato da una spinta strategica completa è una release attorno a cui pianificare, qualunque siano i suoi punteggi indipendenti alla fine.

Domande che meritano davvero una risposta

Muse Glimmer è davvero open source?

È un modello open weights sotto la permissiva licenza Apache 2.0 — chiunque può scaricarlo, modificarlo, metterlo a punto e distribuirlo commercialmente senza pagare Meta. La formulazione accurata è "open weights" piuttosto che completamente open source nel senso dell'OSI, perché i dati di addestramento, i pesi del teacher Muse Spark e alcuni strumenti non sono inclusi. In pratica — puoi eseguirlo, distribuirlo e vendere un prodotto basato su di esso — è lo stesso accordo che ha reso Llama la famiglia open più diffusa nell'IA.

Muse Glimmer batte davvero Gemma4-31B e Qwen3.6-27B?

Nella tabella di Meta stessa, sì, sulla maggior parte dei benchmark agentici e di ricerca, con l'avvertenza che Meta ha condotto il confronto da sola e non ha ottimizzato le configurazioni dei rivali. Il quadro onesto è più specifico: Meta vince le righe di ragionamento agentico, Qwen3.6-27B vince per l'uso pratico del computer e il lavoro da terminale, oltre alla maggior parte dei test multimodali, e Gemma4-31B vanta il miglior record di sicurezza. Alla data di rilascio non esiste alcuna voce di indice indipendente per Muse Glimmer, quindi tratta l'affermazione 19 su 24 come riportata dal fornitore finché qualcun altro non la verifica.

Posso eseguirlo su un laptop?

Solo se per "laptop" si intende uno con una GPU discreta da 24GB o 32GB, oppure un Mac di fascia alta con chip M-series e memoria unificata sufficiente — un Muse Glimmer a 4 bit richiede circa 17–20GB più margine per la cache KV, l'encoder percettivo e il drafter DFlash. Questo rappresenta un acquisto significativo per la maggior parte delle persone, ed è il costo nascosto dentro un modello "gratuito". Con grafica integrata o una macchina da 16GB, ci si troverebbe di fronte a una quantizzazione pesante e a un output lento, piuttosto che all'agente sempre attivo attorno a cui è costruito il rilascio.

Dove lo trovo — è su un'API?

I pesi sono su Hugging Face all'indirizzo meta-models/Muse-Glimmer-30B (con una variante GGUF), e puoi eseguirlo localmente tramite llama.cpp, MLX, ExecuTorch o i runner locali che lo stanno integrando. Anche l'accesso alle API ospitate è attivo, a partire dal 9 agosto, tramite piattaforme di terze parti, al prezzo indicato di $0.35 per milione di token in input e $1.50 per milione di token in output — quindi non serve più possedere una GPU da 24GB per invocarlo. Meta stessa non ospita ancora un'API pubblica per Glimmer, e non è ancora su OrcaRouter. Quando entrerà nel nostro catalogo, per accedervi basterà la stessa chiave usata per il resto del catalogo; fino ad allora, le due strade oneste sono l'inferenza locale o una piattaforma ospitata di terze parti.