
Muse Glimmer: cosa chiarisce davvero il rapporto tecnico di Meta sull'agente locale da 30B
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 186 tok/s
- openaiNUOVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1M di token · 76 tok/s
- openaiNUOVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1M di token · 151 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 246 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 207 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 94 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1M di token · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 104 tok/s
Meta ha pubblicato il rapporto tecnico per Muse Glimmer il 19 ottobre 2026, settanta giorni dopo il rilascio del modello stesso, avvenuto il 10 agosto. È proprio questo intervallo a rendere il documento più importante di una normale descrizione: è il documento più dettagliato di Meta sul modello finora — mostra l'aritmetica dietro la proposta hardware per i consumatori e indica quali righe di benchmark sono state eseguite direttamente da Meta e quali invece prese in prestito da altri. Muse Glimmer è un modello denso da 30 miliardi di parametri, Apache 2.0, con input di testo e immagini, distillato dal modello insegnante di frontiera Muse Spark di Meta, ed è confrontato in tutto il rapporto con Gemma4-31B e Qwen3.6-27B. Il rapporto quantifica inoltre per la prima volta in modo adeguato il costo di quella distillazione: 55,7 GB di pesi BF16 compressi a 19,65 GB affinché il modello linguistico entri in una scheda da 32 GB, con il costo in termini di qualità misurato anziché asserito. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.
Due delle rivelazioni del paper sono meno lusinghiere di quanto lo fosse il blog di lancio. La prima è che la tabella di benchmark è un misto, non una panoramica solo Meta: quattro righe provengono da Artificial Analysis, due cifre dei rivali sono autodichiarazioni degli stessi rivali, e il resto sono esecuzioni interne di Meta rispetto a configurazioni che Meta ammette ancora non essere state ottimizzate per i concorrenti. La seconda è che la verifica che questo pezzo diceva inizialmente avrebbe richiesto settimane è già avvenuta. Artificial Analysis ha valutato Muse Glimmer, e sul suo indice attuale il modello si colloca a 17 — dietro Qwen3.6-27B a 21, davanti a Gemma4-31B a 15. Nel frattempo la promessa fatta da Meta insieme al lancio, pesi aperti per il molto più grande Muse Spark, è stata mantenuta il 15 ottobre come Muse Spark Open: 816B parametri totali con 42B attivi, sotto una licenza che non è Apache 2.0.
Quello che il rapporto dice che il modello sia in realtà
L'architettura è ora pubblica fin nei dettagli delle forme dei tensori e spiega gran parte del comportamento su cui si è discusso. Muse Glimmer conta complessivamente circa 29,6B di parametri: circa 25,16B in 52 blocchi transformer, 1,34B di embedding dei token non condiviso, 1,34B di proiezione di output non condivisa e un encoder percettivo separato da 1,8B — un ViT-G/14 con 50 layer a larghezza 1536, con patch da 14 pixel su una griglia di riferimento da 448 pixel. La dimensione nascosta è 6.656. L'attenzione è grouped-query, con 32 teste di query contro 2 teste key-value a un rapporto di 16:1, con una finestra scorrevole di 2.048 token in uno schema ripetuto di tre layer locali e uno globale, e RoPE applicato solo ai layer locali. Il vocabolario è di 202.048 token sul tokenizer BPE di Llama 4, e il contesto è oltre 128K. La data limite delle conoscenze è il 4 gennaio 2026.
Due numeri nel paper meritano più attenzione di quanta ne abbiano ricevuta il giorno del lancio. Il primo è il conteggio delle lingue: l'abstract dice "oltre un centinaio di lingue", il corpo dice circa 140, e l'appendice riporta un punteggio Omnilingual-GAIA2 di 60,4 contro il 37,5 di Gemma4-31B e il 45,0 di Qwen3.6-27B. Si tratta di un divario ampio e, come tutto il resto nella tabella, è una run di Meta stessa. Il secondo è la ricetta di training. Il pre-training è distillazione da logit di Muse Spark usando i top 256 logit del teacher, con divergenza KL per il primo 95% della run e un passaggio a cross-entropy sui target ground-truth per l'ultimo 5% per correggere il bias di troncamento introdotto dalla distillazione top-k. Il mid-training estende il contesto da 32K a 128K e inietta dati di traiettorie agentiche; il post-training è supervised fine-tuning, poi distillazione on-policy, poi reinforcement learning multi-obiettivo. Meta afferma chiaramente che la distillazione on-policy ha superato una ricetta di solo reinforcement learning a questa scala — un dato utile per chiunque stia addestrando un proprio piccolo modello agentico.
Il brief di prodotto non è cambiato. Meta ha creato Glimmer per "workflow di agenti locali sempre attivi": un agente che chiama strumenti, segue piani in più passaggi, si riprende quando una chiamata fallisce invece di fermarsi e può aumentare o ridurre lo sforzo di ragionamento. I lavori previsti sono quelli meno affascinanti: programmazione locale, chiamata di funzioni, gestione delle pianificazioni, organizzazione dei file, valutazione LLM-as-a-judge. Funziona con framework di orchestrazione come OpenClaw, che il paper cita per nome come la ragione per cui esiste affatto una domanda di tool-caller compatti e affidabili.
Da dove l'affermazione «ci sta sulla tua GPU» prende i suoi numeri
Questa è la sezione che il rapporto tecnico ha lo scopo di chiarire definitivamente, e regge meglio di quanto abbia fatto il marketing. In BF16 i pesi occupano 55,7 GB. Meta punta a deployment con 24 GB o 32 GB di memoria, riservando spazio per una cache KV non quantizzata, l'encoder di percezione e il drafter DFlash, e mira quindi a pesi del modello linguistico inferiori a 20 GB. Ha valutato sette schemi di quantizzazione post-addestramento — GPTQ, AWQ, NVFP4 uniforme, MXFP8 uniforme, Q4_K_M di llama.cpp, una variante di calibrazione chiamata Greedy-KL e un EvoPress adattato — rispetto alla log-verosimiglianza negativa su dati held-out e poi rispetto a 15 benchmark downstream.
Il risultato sono due profili di deployment denominati, anziché un'unica vaga affermazione "4-bit". Il profilo da 32GB è EvoPress con 19,65GB di pesi e, sui 15 benchmark, arriva in media al 75,6% contro il 75,7% di BF16 — un decimo di punto. Il profilo da 24GB è Q4_K_M con un'impronta più ridotta, con una media del 74,8%, nove decimi di punto in meno. La lunghezza media delle risposte passa da 11.070 token con BF16 a 11.417 con EvoPress e 10.774 con Q4_K_M, quindi il timore comune che una quantizzazione aggressiva gonfi la lunghezza della catena di pensiero non si manifesta qui. Queste sono le misurazioni di Meta sul mix di valutazione di Meta; sono i numeri più concreti sul rapporto qualità-memoria che chiunque abbia pubblicato per questo modello, e restano comunque numeri del fornitore.
La velocità è l’unico punto in cui il paper è più scarno del post del blog. Il report afferma che i pesi a 4 bit più la decodifica speculativa producono “velocità pratiche su una singola RTX 5090” e descrive il drafter nel dettaglio — cinque livelli, dimensione del blocco 16, 32 teste query e 8 teste key-value, addestrato offline su rollout on-policy con l’obiettivo D-PACE — ma non pubblica alcuna tabella di throughput. I numeri in circolazione, circa 3,1x di accelerazione della decodifica su una RTX 5090 (da 74,9 a 233 token/sec in llama.cpp), 1,8x su una M5 Max e 1,5x su una M4 Max, provengono dal materiale di lancio e dalla model card di Meta, non dal report. Considerali dichiarazioni del fornitore finché qualcuno non li riproduce sulla propria macchina, il che, per un modello locale, è un esperimento davvero semplice da eseguire.
Perché questa release è importante al di là della scheda tecnica
Dopo Llama 4, nella primavera del 2025, Meta era caduta nel silenzio sui pesi aperti, ritirandosi su una linea di frontiera proprietaria sotto Meta Superintelligence Labs. Muse Glimmer è stato il ritorno pubblico a quella strategia, ed è arrivato con un saggio di Zuckerberg di 14 pagine, «The Future is for Everyone», che sostiene che il controllo concentrato sia il vero rischio dell'IA, più un fondo da 1 miliardo di dollari con lo stesso nome. Il documento non ripete la politica; fa qualcosa di più utile, cioè mostra che il ritorno ai pesi aperti non è stato un gesto isolato.
Il 15 ottobre Meta ha rilasciato i pesi di Muse Spark Open — 816 miliardi di parametri totali, 42 miliardi attivi, una finestra di contesto da 1 milione di token e, secondo Meta, in grado di funzionare su due Apple M5 Ultra Mac Studio con MLX. È il fratello open-weight del teacher e risponde alla domanda che questo articolo aveva lasciato in sospeso. La risposta ha un asterisco: Muse Spark Open è distribuito con la Muse Model License, con termini commerciali limitati, non con Apache 2.0. Glimmer resta il più permissivo dei due e, con 30B, l'unico della coppia che entra nella memoria di una singola GPU consumer. La posizione di Meta è che Spark Open sia il modello di classe desktop per chi ha uno stack di Mac Studio; Glimmer è quello per una scheda da 24 GB.
Tutti i dati di Spark Open citati sopra sono di Meta, e in particolare l'affermazione "gira su due Mac Studio" non è stata riprodotta in modo indipendente. Ciò che non è in discussione è la struttura della gamma: un modello agente 30B permissivo, un flagship 816B con restrizioni e un livello API di frontiera al di sopra di entrambi. Si tratta di una strategia open-weight coerente, non di un singolo rilascio, ed è l'elemento da mettere in conto in qualsiasi decisione su come costruire sul modello più piccolo di Meta.

L'affermazione "affumicato", riga per riga
Il tabellone dei punteggi sopra è stato generato il giorno del rilascio e, da allora, una riga è stata superata: la sua colonna Artificial Analysis riporta ancora «nessuna voce» per Muse Glimmer. La scheda di valutazione di Meta stessa confronta Muse Glimmer con forza di ragionamento elevata rispetto a Gemma4-31B e Qwen3.6-27B su tre dozzine di righe. Lo schema del giorno del lancio si conferma: le vittorie maggiori sono il ragionamento agentico generale, la ricerca e il lavoro multilingue.
• MCP-Atlas (uso agentico degli strumenti) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. Resta comunque la riga di punta e il divario più ampio dell'insieme.
• DeepSearch QA — 74,6 contro 61,7 e 71,1; GAIA2 — 43,3 contro 36,4 e 40,0; WildClawBench — 47,6 contro 37,6 e 43,2.
GDPval-AA v2 — 953 Elo contro gli 811 di Gemma e i 1.141 di Qwen. Vale la pena soffermarsi: nel lavoro intellettuale economicamente prezioso, Qwen vince con un ampio margine.
• SWE-Bench Pro — 51,2 contro 36,9 e 50,2; ARC-AGI — 66,9 con ragionamento elevato, 67,9 nel nuovo livello xhigh aggiunto dal report; LiveCodeBench Pro (2025 Q2) — 64,1 a high, 66,8 a xhigh.
• τ³-Banking — 23,5 contro 15,1 e 16,7; PinchBench (uso di strumenti) — 90,5.
Le righe in cui perde sono altrettanto informative. Qwen3.6-27B si distingue nell'uso pratico del computer e nel lavoro da terminale: OSWorld-Verified 75,6 contro 65,9 di Glimmer, TerminalBench 2.1 60,7 contro 51,7, SWE-Bench Verified 77,2 contro 76,0, e supera di poco SkillsBench con 46,6 contro 44,3. Gemma4-31B registra il miglior record su privacy e sicurezza — un tasso di violazione CIMemories del 12,1% contro il 26,4% di Glimmer e il 53,4% di Qwen, e il tasso di successo degli attacchi più basso su Siren AgentDojo, al 25,6% contro il 28,4% di Glimmer e il 40,3% di Qwen. Gemma supera di poco anche i test di ragionamento specifici, GPQA Diamond a 85,7 contro 83,5 e Humanity's Last Exam a 23,6 contro 22,0.
L’appendice sulla metodologia è la parte che cambia il modo in cui dovresti leggere tutto quanto sopra e corregge ciò che questo articolo diceva al lancio. Non ogni riga è di Meta. Per i modelli concorrenti Meta riporta "il risultato più favorevole tra i punteggi autodichiarati o le nostre riproduzioni interne", e quattro benchmark — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 e SciCode — provengono da Artificial Analysis anziché essere eseguiti internamente. Il dato SWE-Bench Verified per Qwen3.6-27B è un’autodichiarazione di Qwen. Il dato SWE-Bench Pro per Qwen è un’esecuzione interna di Meta, perché il numero pubblicato da Qwen proveniva da una versione perfezionata del benchmark e Meta ha valutato il set di attività originale. Per il resto, Meta riproduce essa stessa i modelli concorrenti e afferma che i suoi strumenti per agenti e i prompt di sistema "potrebbero non essere specificamente ottimizzati per modelli proprietari di terze parti".
Questa è una divulgazione più prudente di quella offerta dal blog di lancio, e taglia in entrambe le direzioni. Non è una vittoria netta del fornitore, il che rafforza la credibilità della tabella. Ma "il più favorevole tra l'autodichiarazione e la nostra riproduzione" è una regola che può solo aiutare il rivale sulle righe in cui il numero fornito dal rivale stesso è più alto, e l'avvertenza di Meta sulla configurazione non ottimizzata vale ancora per ogni riga che ha generato autonomamente. Il dettaglio a livello di riga ora è verificabile, ed è ciò che serve; la direzione del bias non è pienamente desumibile dal paper.
Cosa dice il tabellone segnapunti indipendente
Artificial Analysis ha ora valutato il modello, il che elimina l’avvertenza "nessun risultato indipendente ancora" che questo articolo riportava fino ad agosto. Nell’indice attuale di AA, Muse Glimmer con elevata intensità di ragionamento ha un Intelligence Index di 17, classificandosi 14º su 141 modelli nel suo set di confronto. Qwen3.6-27B si colloca a 21 e Gemma4-31B a 15. AA misura inoltre 137 token di output al secondo con un tempo al primo token di 0,91 s — veloce per la categoria, al 16º posto su 64 — e un costo di circa 0,06 $ per attività dell’Intelligence Index.
I livelli richiedono un'avvertenza che la classifica non richiede. Il resoconto di AA della settimana di lancio collocava gli stessi tre modelli a 35, 38 e 30 sul suo indice; le pagine attuali dei modelli li collocano a 17, 21 e 15. I numeri assoluti sono cambiati, l'ordine no. Qualunque sia la causa del ridimensionamento, il dato stabile in entrambe le letture è la classifica: Qwen davanti a Glimmer nell'aggregato, Glimmer davanti a Gemma e Glimmer davanti nelle righe specifiche per agenti. Ciò supporta un'affermazione più ristretta rispetto a "è in testa ai modelli aperti di dimensioni comparabili" — su un indice di intelligenza generale, un modello da 27B di aprile vince ancora — e l'affermazione più ristretta è quella accurata.
La valutazione di AA nella settimana del rilascio ha aggiunto un dato meritevole di essere tenuto presente: un tasso di allucinazione dell'82% per Muse Glimmer contro il 49% di Qwen3.6-27B, con un indice AA-Omniscience di −33. Per un agente che viene eseguito senza supervisione sulla tua macchina e che richiama strumenti, è questo il numero che dovrebbe determinare quanta autonomia concedergli, più di quanto faccia MCP-Atlas. AA ora contrassegna anche Qwen3.6-27B come deprecato in favore di Qwen3.8-27B, quindi il rivale con cui Glimmer viene confrontato nella maggior parte di questa tabella non è più il modello attuale del suo fornitore: un dettaglio che il confronto di Meta non poteva prevedere ad agosto e che il rapporto, pubblicato a ottobre, non affronta.
La cattura qui sotto è la pagina di confronto così com'era prima che Glimmer venisse valutato, ed è per questo che mostra il gruppo in cui Glimmer stava entrando anziché Glimmer al suo interno. Leggila come riferimento pre-verifica, non come classifica attuale.

Quanto costa davvero farlo funzionare
Muse Glimmer in sé è gratuito — Apache 2.0, nessun costo per token, nessun pagamento a Meta, e il report conferma che il rilascio include i pesi a piena precisione, le varianti a 4 bit e la testa di speculazione DFlash. Il costo è l'hardware che sta sotto. BF16 richiede 55,7 GB, ovvero due schede oppure nessuna di quelle consumer. Il profilo EvoPress da 32 GB è quello da preferire se dovete comprare: costa un decimo di punto di accuratezza media rispetto a BF16 e sta su una singola scheda da 32 GB o su un Mac di fascia alta con memoria unificata. Il profilo Q4_K_M da 24 GB costa nove decimi di punto e sta su una scheda di classe RTX 5090, un compromesso ragionevole per un agente che gira in modo continuativo.
Se preferite affittare anziché acquistare, la tariffa hosted monitorata è ora inferiore a quella citata da questa pagina ad agosto. Artificial Analysis registra $0,30 per milione di token di input e $1,20 per milione di output per Muse Glimmer, rispetto ai $0,35 e $1,50 delle prime inserzioni al momento del rilascio, con uno sconto cache dell'87% e una tariffa combinata vicina a $0,21. Si tratta di tariffe di marketplace indicate dai provider, non di un prezzo Meta — Meta non pubblica un proprio endpoint Glimmer hosted, e la sua documentazione per sviluppatori è impostata su come indirizzare i tuoi strumenti verso un server locale di Muse Glimmer. Se questo movimento sia un taglio da parte dello stesso provider o l'ingresso di un provider più economico nell'insieme monitorato non è qualcosa che l'indice mostri; in ogni caso la direzione per un rilascio open-weight è prevedibile.
Il confronto che vale la pena fare con attenzione è ancora tra locale e hosted, e non è così netto come lascia intendere il marketing. Una scheda da 32GB è un costo fisso che si ammortizza su ogni token che genererai; una tariffa hosted è un costo marginale che scala con il volume e sparisce se sparisce il fornitore. A $0.30 e $1.20, la via hosted è abbastanza economica che la maggior parte dei team dovrebbe iniziare da lì prima di comprare hardware, e la via locale vince solo quando i token non possono uscire dalla macchina o il volume è abbastanza alto che una GPU costa meno di una bolletta.
Una nota su di noi, dato che incide su come impostereste il prezzo di tutto questo. Muse Glimmer non è nel catalogo di OrcaRouter — instradiamo API ospitate, e il modello non è ancora approdato come route ospitata, quindi il markup dello 0% e il meccanismo "una chiave per tutto" oggi non si applicano. Ciò che si applica è la disciplina: per oltre 200 modelli che instradiamo, il prezzo mostrato è il prezzo di listino del fornitore trasferito con markup dello 0%, quindi una riduzione di prezzo del fornitore è attiva qui lo stesso giorno anziché dopo un ricalcolo del margine. Questo è lo standard a cui dovrebbe attenersi questo confronto, in qualunque modo gestiate Glimmer.
Come lo useresti realmente questa settimana
Poiché viene distribuito con pesi aperti, l'accesso si riduce a un download. Il repository di base è meta-models/Muse-Glimmer-30B su Hugging Face, con le varianti a 4 bit e una build GGUF pubblicate accanto. Il supporto runtime dal primo giorno ha riguardato llama.cpp, MLX ed ExecuTorch; Ollama, LM Studio, vLLM e SGLang sono arrivati nel giro di pochi giorni, con attività di ottimizzazione hardware elencate per AMD, Arm, Dell, Intel e Nvidia. Il percorso pratico per la maggior parte delle persone è invariato: scaricare il GGUF, caricarlo in llama.cpp o in un runner locale, puntarvi uno scaffold per agenti e iniziare con il profilo Q4_K_M da 24 GB, a meno che non abbiate 32 GB da dedicare a quello EvoPress.
Se stai decidendo se costruirci sopra, la lettura onesta è che Glimmer è un buon agente locale con un livello minimo di qualità documentato, un problema di allucinazioni misurato e una tabella di benchmark del fornitore ora in parte verificabile. Il teacher è una questione diversa: Muse Spark 1.2 è instradabile tramite OrcaRouter a 1,25 $ per milione di token in input e 4,25 $ per milione in output, così un team può eseguire il modello piccolo on-device per il lavoro economico, privato e sempre attivo e instradare i casi difficili a quello grande con la stessa chiave. Questa suddivisione — student locale per il ciclo di routine, teacher ospitato per l'escalation — è l'architettura che i due rilasci supportano effettivamente, ed è testabile questa settimana al prezzo di una GPU che potresti già possedere più un budget di token. Il failover automatico è ciò che rende sicuro mettere la metà ospitata su un percorso di produzione mentre un modello sta ancora costruendo un track record indipendente, ed è esattamente lo stato in cui si trova Glimmer.
Lo screenshot qui sotto è la model card così come si leggeva il giorno del rilascio. La sua riga "not deployed by any inference provider" si riferisce all'inferenza first-party di Hugging Face stessa, che è una cosa separata dall'hosting di terze parti iniziato il 9 agosto, ed è un utile promemoria di quanto rapidamente quella riga sia invecchiata.

Cosa guardare
Le tre cose che avrebbero dovuto chiudere questa vicenda si sono in gran parte risolte. Il rilascio degli open weights di Spark è avvenuto il 15 ottobre. È stata effettuata una misurazione indipendente, che ha indicato Qwen in vantaggio sul dato aggregato, Glimmer in vantaggio sulle capacità agentiche, Gemma dietro a entrambi. L'hosting si è diffuso e il prezzo monitorato ora è di $0,30 e $1,20 anziché $0,35 e $1,50.
Ciò che resta è più circoscritto e più interessante. Primo, se qualcuno al di fuori di Meta riproduce il trade-off di quantizzazione — i divari di 0,1 punti e 0,9 punti sono la parte più solida del report e la più facile da verificare su una scheda da 24 GB. Secondo, se il vantaggio agentico sopravvive a un harness che non è stato costruito attorno al modello; MCP-Atlas a 75,5 è il numero da battere e quello più esposto alle differenze di scaffold. Terzo, se la prossima piccola release di Meta eredita la licenza Apache 2.0 o la restrittiva Muse Model License sotto cui è stata distribuita Spark Open — quella singola scelta decide se la linea Glimmer resta utilizzabile come base per i prodotti di altri.
Il tweet di lancio era corretto riguardo alla notizia e generoso riguardo al verdetto. Ciò che il rapporto tecnico aggiunge è la parte che mancava ad agosto: ora si può vedere cosa è stato misurato, su quale hardware, da chi e a quale costo in termini di qualità. Questa è una base migliore per una decisione rispetto sia alla tabella di benchmark sia al tweet, ed è il motivo per cui vale ancora la pena pianificare intorno a questo modello, e non soltanto leggerne.
Domande che meritano davvero una risposta
Muse Glimmer è davvero open source?
È a pesi aperti con licenza Apache 2.0: chiunque può scaricarlo, modificarlo, metterlo a punto e distribuirlo commercialmente senza pagare Meta. Il rapporto conferma anche cosa copre effettivamente la licenza: sono rilasciati tutti i pesi a piena precisione, due varianti a 4 bit e la testa drafter DFlash. Ciò che non viene rilasciato sono i dati di addestramento e i pesi del teacher Muse Spark, ed è per questo che "pesi aperti" è la formula prudente, anziché completamente open source nel senso OSI. In pratica l'accordo è lo stesso che ha reso Llama la famiglia aperta più distribuita nell'IA.
Muse Glimmer batte davvero Gemma4-31B e Qwen3.6-27B?
Nella tabella di Meta stessa, vince la maggior parte delle righe relative ad attività agentiche e ricerca, e l'appendice metodologica ora mostra quali di quelle righe fossero esecuzioni di Meta e quali provenissero da Artificial Analysis o da quanto riportato direttamente dai concorrenti. La lettura indipendente è più ristretta: nell'Intelligence Index di AA, Qwen3.6-27B ottiene 21 e Muse Glimmer 17, con Gemma4-31B a 15. Quindi l'affermazione accurata è che Glimmer guida la propria fascia dimensionale nell'uso degli strumenti, nella pianificazione multi-step e nelle attività agentiche multilingui, ma non la guida nell'intelligenza generale aggregata né nei compiti di uso del computer.
Posso eseguirlo su un laptop?
Solo se "laptop" significa uno con una GPU discreta da 24 GB o 32 GB, oppure un Mac di fascia alta con altrettanta memoria unificata. Il report stima i pesi BF16 a 55,7 GB e punta a due profili compressi: 19,65 GB di pesi per una macchina da 32 GB e una build Q4_K_M più piccola per 24 GB, entrambi lasciano margine per la KV cache, l'encoder di percezione e il drafter. Su grafica integrata o su una macchina da 16 GB si guarderebbe a una quantizzazione più pesante e a un output lento, piuttosto che all'agente sempre attivo intorno a cui è progettata la release.
Dove lo trovo ed è disponibile tramite API?
I pesi sono su Hugging Face all'indirizzo meta-models/Muse-Glimmer-30B, e lo esegui in locale tramite llama.cpp, MLX, ExecuTorch, Ollama o LM Studio. L'accesso hosted è disponibile tramite piattaforme di terze parti a circa $0,30 per milione di token di input e $1,20 per milione di token di output, secondo i prezzi dei provider monitorati da Artificial Analysis. Meta non pubblica alcun endpoint Glimmer hosted proprio e il modello non è su OrcaRouter: se arriverà come route hosted, la stessa chiave che raggiunge gli oltre 200 modelli che instradiamo raggiungerà anche questo, ma oggi non è così.
Confrontati in questo articolo1
Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno
