Muse Spark vs Muse Glimmer: cosa sopravvive davvero quando un modello di frontiera viene distillato in 30 miliardi di parametri

Il rapporto tra Muse Spark e Muse Glimmer non è quello che la frase "vs" implica. Muse Glimmer non è un concorrente di Muse Spark — è un suo allievo. Meta ha addestrato il modello open-weight da 30 miliardi di parametri tramite distillazione logit da Muse Spark, la linea di frontiera nativamente multimodale che Meta Superintelligence Labs ha introdotto l'8 aprile 2026 e che ora distribuisce come Muse Spark 1.3, rilasciato il 2 settembre 2026 con il suo livello massimo di ragionamento aperto agli sviluppatori due giorni dopo. Muse Glimmer è arrivato il 10 agosto 2026 con licenza Apache 2.0. Quindi questa pagina non è un cartellone di un incontro tra due rivali di laboratori diversi. È una misura di quanto di un modello di frontiera sopravviva a una riduzione di sedici volte e a un cambio di licenza — e Meta, insolitamente, ha pubblicato numeri su entrambi i lati di quella riduzione. Se questo confronto sia equo è la prima cosa su cui vale la pena essere onesti, e la risposta è: in parte.

Uno è un file, l'altro è un endpoint

Inizia dalla parte che non ha nulla a che fare con i benchmark, perché decide la maggior parte dei deployment reali prima che un singolo punteggio conti.

Muse Glimmer è un download. Meta pubblica i pesi con licenza Apache 2.0, li distribuisce già quantizzati a 4 bit — il che riduce l'ingombro da oltre 55 GB a piena precisione a meno di 20 GB — e dichiara che il modello è abbastanza piccolo da girare su una singola GPU consumer o su un Mac. Funziona con la rete scollegata. Meta l'ha testato su Nvidia RTX 5090 e su silicio Apple M4 Max e M5 Max. Accetta input testuali e immagini, restituisce testo, ha una finestra di contesto di 131.072 token che secondo Meta può essere estesa a 262.144, e ha una data limite delle conoscenze di gennaio 2026.

Muse Spark è l'opposto in ogni aspetto. Meta non pubblica pesi, licenza né download per nessuna versione; è raggiungibile solo tramite il Model API di Meta, su meta.ai e nell'app Meta AI. Gestisce una finestra di contesto di 1.048.576 token — otto volte quella di Glimmer, prima dell'estensione di Glimmer. Accetta input di testo, immagini, video, audio e PDF e restituisce testo. Il prezzo è per token: $1,25 per milione di token in input, $0,15 per milione di token in input in cache, $4,25 per milione di token in output, con un livello Contributor a $0,10 / $0,002 / $0,20 che offre un prezzo più basso in cambio del permesso di addestrare i tuoi prompt e le tue completions. Glimmer non ha alcuna fattura per token da parte di un fornitore quando lo esegui tu stesso, perché non c'è alcun fornitore nel processo.

• Dimensione — Muse Spark: non divulgata, Meta non pubblica il numero di parametri per nessuna versione; Muse Glimmer: 30B, distribuito a 4-bit sotto i 20 GB

• Pesi — Muse Spark: proprietario, solo hosted; Muse Glimmer: Apache 2.0, scaricabile ed eseguibile offline

• Finestra di contesto — 1,048,576 token vs 131,072, estendibile a 262,144

• Input — testo, immagine, video, audio, PDF vs testo e immagine

• Output — testo vs testo

• Prezzo — $1,25 / $0,15 in cache / $4,25 per milione di token contro nessun addebito del fornitore in caso di self-hosting

• Data limite delle conoscenze — non pubblicata per Muse Spark 1.3; gennaio 2026 per Muse Glimmer

L'unico benchmark che Meta ha pubblicato per entrambi

Questo è il tipo di numero più raro da trovare in una relazione di distillazione: la stessa valutazione, eseguita dallo stesso laboratorio, riportata per il teacher e per lo student.

Le pagine dei modelli di Meta riportano GDPval-AA a 1.754 per Muse Spark 1.3 nella sua configurazione di ragionamento massima, e 953 per Muse Glimmer 30B con ragionamento alto. Si tratta dello studente che mantiene il 54% del punteggio dell'insegnante su quella famiglia di attività — un dato reale e pubblicato, non un'inferenza. Su di esso vanno immediatamente poste due avvertenze, perché entrambe sono vere e nessuna delle due è di poco conto. Primo, la riga di Muse Spark è etichettata v2 e la riga di Muse Glimmer non è versionata affatto, quindi se Meta ha spostato il benchmark tra le due misurazioni il rapporto è debole anche se la direzione non lo è. Secondo, entrambe le cifre sono dichiarate dal fornitore. Non abbiamo riprodotto nessuna delle due, e nessun harness indipendente ha pubblicato un confronto diretto su questa coppia che siamo riusciti a trovare.

Ciò che rende leggibile, anziché allarmante, il divario di 801 punti è il quadro di terze parti che vi sta sotto. Sull'Intelligence Index di Artificial Analysis, Muse Spark 1.3 al massimo ottiene 48 e Muse Glimmer al livello alto ottiene 17. Si tratta di scale di indice diverse, provenienti da diverse tornate di misurazione, e i due non sono classificati rispetto allo stesso insieme — Artificial Analysis suddivide i modelli a pesi aperti per classe dimensionale, quindi Glimmer viene misurato rispetto a pari a pesi aperti, mentre Muse Spark viene misurato rispetto all'intero campo. Leggili come forma, non come rapporto. La forma dice la stessa cosa che dice la tabella di Meta: il modello distillato è un livello di capacità genuinamente diverso, non una via più economica per ottenere le stesse risposte.

Ciò che il piccolo modello conserva

La parte interessante della distillazione è ciò che sopravvive alla compressione, e sulle righe pubblicate da Meta stessa Muse Glimmer non viene battuto in modo uniforme. Ottiene 76.0 su SWE-Bench Verified, 65.9 su OSWorld-Verified, 77.0 su IFBench, 94.7 su AIME 2026 e 83.5 su GPQA Diamond. Sono numeri solidi per un modello da 30B e sono il motivo per cui la scelta dell'architettura conta: Meta descrive Glimmer come messo a punto su dati agentici a contesto lungo e rafforzato specificamente per l'uso degli strumenti, con memoria autogestita attraverso sessioni di ore e recupero da una chiamata a uno strumento fallita anziché un arresto. È un modello specializzato che indossa il nome di un modello generale.

Il contesto più utile sulla pagina è la scelta di confronto fatta da Meta stessa. La sua tabella di benchmark per Muse Glimmer non lo mette accanto a Muse Spark. Lo mette accanto a Gemma 4 31B in modalità thinking e a Qwen3.6 27B in modalità thinking — stessa classe dimensionale, stessa premessa open-weight. In quella tabella Glimmer vince la maggior parte delle righe, ma non tutte: si aggiudica MCP Atlas con 75,5 contro 62,5 del modello Qwen, TerminalBench 2.1 con 51,7 contro 60,7, e GDPval-AA con 953 contro 1.141. Quindi, anche all'interno della sua stessa classe di peso, il modello Meta distillato non è la scelta automatica, il che è un inquadramento più onesto di quanto suggerisca il titolo della pagina.

Vale la pena estrarre altre due righe perché sono misurabili e facili da sbagliare in fase di pianificazione. Artificial Analysis registra il costo di Muse Glimmer per attività completata dell'Intelligence Index a 0,05 $ e la sua velocità di output a 122,4 token al secondo — contro 1,60 $ e 121,9 token al secondo per Muse Spark 1.3 al massimo. Su questa coppia di valori, il modello piccolo costa circa 32 volte meno per attività completata a fronte di un throughput praticamente identico. È la distillazione che dà i suoi frutti, ed è invisibile se si confrontano solo i punteggi dell'indice.

Il punto in cui il confronto si rompe

Si rompe sugli input, e si rompe più gravemente di quanto il tabellone suggerisca.

Muse Spark 1.3 gestisce video, audio e PDF. Muse Glimmer gestisce testo e immagini. Se la tua pipeline invia una registrazione dello schermo, la registrazione di una chiamata o un documento scansionato direttamente al modello, le due non sono alternative a nessun prezzo — una delle due non può fisicamente accettare il payload. La documentazione di Meta stessa rafforza il concetto da una direzione inaspettata: avverte che la comprensione audio in Muse Spark 1.3 non è pienamente supportata e che la qualità sulle richieste che trasportano audio potrebbe essere degradata, raccomandando Muse Spark 1.2 per i carichi di lavoro audio. Quindi, persino all'interno della linea hosted, la versione più recente non è la risposta giusta per ogni tipo di input, e l'opzione con capacità audio è il checkpoint più vecchio.

La seconda frattura è il contesto. Un milione di token contro 131.072 non è una differenza di marketing; è la differenza tra un modello che può contenere un grande repository o un lungo fascicolo in una singola chiamata e uno che ha bisogno di un livello di recupero e di una fase di sintesi costruiti attorno a esso. Se il tuo lavoro consiste nel ragionamento su codebase a lungo termine, il limite massimo di contesto di Glimmer è il vincolo contro cui ti scontrerai per primo, molto prima dei suoi punteggi di benchmark.

Il terzo è il confine dei dati, e taglia nella direzione opposta. Una richiesta che non lascia mai il tuo hardware non può essere registrata da un fornitore, non può essere tariffata per token e non può essere influenzata da una variazione delle tariffe. Per un carico di lavoro con requisiti di residenza o un budget per token che non sopravvive al volume, quella singola proprietà vale più di 30 punti indice.

Dove si trova in realtà ciascuno

La distribuzione di Muse Glimmer è quella ampia, perché i pesi aperti lo sono. Meta elenca il download su Hugging Face e indica i runtime locali — llama.cpp, MLX, Ollama, LM Studio, Unsloth — insieme all'elenco ospitato dal fornitore stesso e a diverse piattaforme di inferenza di terze parti. Non nomineremo qui quelle piattaforme; il punto per un lettore è semplicemente che i pesi sono portabili, e qualsiasi cosa in grado di caricare un modello 30B a 4 bit può servirlo.

La linea Muse Spark è ristretta per costruzione. Tre versioni, un fornitore, un'API, nessun peso. Questa concentrazione è il vero rischio di costruirci sopra, ed è un rischio che non si applica affatto a Glimmer.

Entrambi su un unico tasto, dove possibile

Il nostro catalogo è più limitato di entrambe queste storie. Instradiamo Muse Spark 1.1 e Muse Spark 1.2 — i due checkpoint elencati a $1,25 in ingresso e $4,25 in uscita per milione di token, entrambi al prezzo di listino di Meta con il nostro ricarico dello 0% trasferito invariato — e non ospitiamo Muse Spark 1.3, nessuna delle due varianti Contributor, né Muse Spark Open. Anche Muse Glimmer non è nel nostro catalogo, e il consiglio onesto per quello è di natura diversa: ha pesi aperti, quindi il posto naturale per eseguirlo è il tuo hardware o un runtime che lo carica.

Dove il routing si guadagna davvero il suo posto, qui, è nella migrazione che probabilmente stai considerando. Se stai verificando se un modello distillato da 30B può assumersi una parte di un carico di lavoro frontier, quello che ti serve è avere entrambi in un unico endpoint, così una fetta di traffico può essere spostata e misurata senza un secondo contratto — Muse Spark 1.1 e 1.2 su una sola chiave, con failover automatico così che una chiamata fallita a contesto lungo degradi sull'altro checkpoint invece che su un errore, e un DSL di routing per suddividere il traffico tramite configurazione anziché tramite codice. Quando la linea ospitata di Meta si sposta di nuovo, la modifica arriva in un unico posto.

Quale scegliere?

Se il tuo lavoro è fatto di testo e immagini, gira sulla tua macchina o su una GPU a noleggio e deve essere immune al prezzo per token, Muse Glimmer è la risposta e non c'è paragone — stai barattando circa metà del punteggio GDPval-AA per un modello che non costa nulla a ogni chiamata e che nessuno può limitare nella frequenza d'uso.

Se il tuo lavoro riguarda video, audio, PDF o un contesto davvero lungo, Muse Glimmer non è una versione più economica di Muse Spark. È uno strumento diverso, e la distillazione non ha trasferito quelle capacità. Rivolgiti alla linea hosted, prevedi $1,25 e $4,25 per milione di token, e verifica quale checkpoint gestisca effettivamente il tuo payload — per l'audio, la documentazione di Meta stessa indica la versione precedente.

L'onesta sintesi di un confronto di distillazione è che lo studente è straordinariamente bravo in ciò per cui è stato addestrato e semplicemente assente da ciò per cui non lo è stato. Muse Glimmer è l'argomento più forte a favore dei pesi aperti che Meta abbia pubblicato da Llama 4 in poi, e i numeri sopra sono di Meta. Ciò che non mostrano — e nessuna tabella di fornitore può farlo — è come la coppia si comporta sul tuo carico di lavoro. Questo è un esperimento, non una consultazione.

I benchmark invecchiano e i prezzi si muovono; il registro dei fallimenti no: gli incidenti documentati di IA e i fallimenti degli agenti dietro i modelli di questa classe sono raccolti presso l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di controversia.