Muse Spark 대 Muse Glimmer: 프런티어 모델을 300억 개 매개변수로 증류할 때 실제로 살아남는 것은 무엇인가

의 관계는Muse Spark와 Muse Glimmer "vs"라는 표현이 함축하는 그런 관계가 아니다. Muse Glimmer는 Muse Spark의 경쟁자가 아니다 — Muse Spark의 제자다. Meta는 300억 매개변수 오픈 웨이트 모델을 Muse Spark로부터의 로짓 증류로 훈련시켰다. Muse Spark는 Meta Superintelligence Labs가 2026년 4월 8일에 공개한 네이티브 멀티모달 프런티어 라인이며, 현재 Muse Spark 1.3으로 제공된다. Muse Spark 1.3은 2026년 9월 2일에 출시되었고, 이틀 뒤 최대 추론 수준이 개발자에게 개방되었다. Muse Glimmer는 2026년 8월 10일에 Apache 2.0 라이선스로 뒤이어 출시되었다. 그래서 이 페이지는 서로 다른 연구소 출신의 두 라이벌 간의 대진표가 아니다. 그것은 프런티어 모델의 얼마나 많은 부분이 16배 축소와 라이선스 변경을 견뎌내는지에 대한 측정이다 — 그리고 Meta는 이례적으로 그 축소의 양쪽에 대한 수치를 공개했다. 그 비교가 공정한지 여부는 먼저 솔직히 짚어야 할 문제이며, 답은: 부분적으로 그렇다.

하나는 파일이고, 다른 하나는 엔드포인트입니다.

벤치마크와 아무 상관 없는 부분부터 시작하세요. 단 하나의 점수가 중요해지기도 전에 대부분의 실제 배포를 결정하기 때문입니다.

Muse Glimmer는 다운로드 방식입니다. Meta는 가중치를 Apache 2.0으로 공개하며, 이미 4비트로 양자화된 상태로 제공합니다. 이는 전체 정밀도에서 55GB가 넘던 설치 용량을 20GB 미만으로 줄여 줍니다. 또한 이 모델은 소비자용 GPU 한 대나 Mac에서 실행할 수 있을 만큼 작다고 Meta는 밝힙니다. 네트워크를 연결하지 않은 상태에서도 실행됩니다. Meta는 Nvidia RTX 5090과 Apple M4 Max 및 M5 Max 실리콘에서 이를 테스트했습니다. 텍스트와 이미지 입력을 받아 텍스트를 반환하며, 131,072토큰 컨텍스트 윈도를 갖추고 있고 이는 262,144까지 확장할 수 있다고 Meta는 말합니다. 지식 컷오프는 2026년 1월입니다.

Muse Spark는 모든 지점에서 정반대의 형태를 띤다. Meta는 이 모델의 어떤 버전에 대해서도 가중치도, 라이선스도, 다운로드도 공개하지 않는다. 오직 Meta의 Model API, meta.ai, 그리고 Meta AI 앱을 통해서만 접근할 수 있다. 이 모델은 1,048,576토큰 컨텍스트 윈도우를 실행한다 — Glimmer의 확장 이전 기준으로 Glimmer의 여덟 배다. 텍스트, 이미지, 비디오, 오디오, PDF 입력을 받아들이고 텍스트를 반환한다. 가격은 토큰당 책정된다: 입력 100만 토큰당 $1.25, 캐시된 입력 100만 토큰당 $0.15, 출력 100만 토큰당 $4.25이며, Contributor 티어는 $0.10 / $0.002 / $0.20로, 더 낮은 가격을 대가로 당신의 프롬프트와 완성 결과로 학습할 수 있는 권한을 제공한다. Glimmer는 직접 실행할 때 토큰당 벤더 청구서가 전혀 없다. 왜냐하면 그 과정에 벤더가 없기 때문이다.

• 크기 — Muse Spark: 비공개, Meta는 어떤 버전에 대해서도 파라미터 수를 공개하지 않음; Muse Glimmer: 30B, 20GB 미만에서 4비트로 제공

• 가중치 — Muse Spark: 독점, 호스팅 전용; Muse Glimmer: Apache 2.0, 다운로드 및 오프라인 실행 가능

• 컨텍스트 윈도우 — 1,048,576 토큰 vs 131,072, 최대 262,144까지 확장 가능

• 입력 — 텍스트, 이미지, 비디오, 오디오, PDF vs 텍스트와 이미지

• 출력 — 텍스트 vs 텍스트

• 가격 — 백만 토큰당 $1.25 / 캐시된 경우 $0.15 / $4.25, 자체 호스팅 시 공급업체 비용 없음

• 지식 컷오프 — Muse Spark 1.3은 공개되지 않음; Muse Glimmer는 2026년 1월

Meta가 둘 다를 위해 공개한 단 하나의 벤치마크

이것은 증류 관계에서 찾을 수 있는 가장 희귀한 종류의 수치입니다: 동일한 연구실에서 수행한 동일한 평가가 교사와 학생 모두에 대해 보고된 경우입니다.

메타의 모델 페이지에는 Muse Spark 1.3이 최대 추론 구성으로 실행될 때 GDPval-AA가 1,754, Muse Glimmer 30B가 높은 추론 구성에서 953으로 기재되어 있습니다. 이는 해당 작업 계열에서 학생 모델이 교사 점수의 54%를 유지한다는 뜻입니다 — 추론이 아니라 실제로 공개된 데이터 포인트입니다. 여기에는 즉시 두 가지 주의사항이 따라붙습니다. 둘 다 사실이고 어느 것도 사소하지 않기 때문입니다. 첫째, Muse Spark 행에는 v2라는 레이블이 붙어 있고 Muse Glimmer 행에는 버전이 전혀 표시되어 있지 않습니다. 따라서 메타가 두 측정 사이에 벤치마크를 바꾸었다면 방향성은 흔들리지 않더라도 그 비율은 불확실해집니다. 둘째, 두 수치 모두 공급업체가 보고한 것입니다. 우리는 어느 쪽도 재현하지 못했으며, 우리가 찾을 수 있는 범위에서는 이 쌍에 대한 정면 비교를 공개한 독립 하네스가 없습니다.

801점 격차를 놀라운 일이 아니라 해석 가능한 일로 만드는 것은 그 아래에 깔린 제3자 그림이다. Artificial Analysis의 Intelligence Index에서 최대 설정의 Muse Spark 1.3은 48점을, 높은 설정의 Muse Glimmer는 17점을 기록한다. 이는 서로 다른 측정 라운드에서 나온 서로 다른 지수 척도이며, 둘은 같은 풀을 기준으로 순위가 매겨지지 않는다 — Artificial Analysis는 오픈 웨이트 모델을 크기 등급별로 분류하므로, Glimmer는 오픈 웨이트 동료들과 비교해 측정되는 반면 Muse Spark는 전체 분야를 기준으로 측정된다. 이 둘은 비율이 아니라 형태로 읽어라. 그 형태는 Meta 자체 표가 말하는 것과 같은 것을 말한다: 증류 모델은 같은 답으로 가는 더 저렴한 경로가 아니라, 진정으로 다른 역량 등급이다.

작은 모델이 유지하는 것

증류에서 흥미로운 부분은 압축을 견뎌 살아남는 것이며, Meta가 직접 공개한 결과표에서 Muse Glimmer가 모든 항목에서 일률적으로 밀리는 것은 아니다. 이 모델은 SWE-Bench Verified에서 76.0, OSWorld-Verified에서 65.9, IFBench에서 77.0, AIME 2026에서 94.7, GPQA Diamond에서 83.5를 기록한다. 이는 30B 모델로서 강력한 수치이며, 아키텍처 선택이 중요한 이유이기도 하다: Meta는 Glimmer를 장문 맥락 에이전트 데이터로 미세 조정하고 도구 사용을 위해 특별히 강화했으며, 수 시간에 걸친 세션 전반에서 스스로 메모리를 관리하고 실패한 도구 호출이 중단되는 대신 복구되도록 했다고 설명한다. 그것은 일반 모델의 이름을 걸치고 있는 특화 모델이다.

페이지에서 가장 유용한 맥락은 메타가 직접 선택한 비교 대상이다. Muse Glimmer의 벤치마크 표는 그것을 Muse Spark 옆에 두지 않는다. 대신 사고 모드의 Gemma 4 31B와 사고 모드의 Qwen3.6 27B 옆에 둔다. 같은 크기 등급, 같은 오픈 웨이트 전제다. 그 표에서 Glimmer는 대부분의 행에서 이기지만 전부는 아니다. Qwen 모델의 62.5에 맞서 MCP Atlas에서 75.5를, 60.7에 맞서 TerminalBench 2.1에서 51.7을, 1,141에 맞서 GDPval-AA에서 953을 기록한다. 따라서 자기 가중치 등급 안에서조차 이 증류된 메타 모델은 자동 선택지가 아니며, 이는 페이지의 헤드라인이 시사하는 것보다 더 정직한 프레이밍이다.

추가로 두 개의 행은 짚어볼 가치가 있다. 측정 가능하면서도 계획 단계에서 틀리기 쉬운 항목이기 때문이다. Artificial Analysis는 Muse Glimmer의 완료된 Intelligence Index 작업당 비용을 $0.05로, 출력 속도를 초당 122.4토큰으로 기록한다 — 최대 설정의 Muse Spark 1.3에 대한 $1.60 및 초당 121.9토큰과 대비된다. 이 두 수치를 놓고 보면, 소형 모델은 사실상 동일한 처리량에서 완료 작업당 약 32배 더 저렴하다. 이는 증류가 결실을 맺고 있다는 뜻이며, 지수 점수만 비교하면 보이지 않는 부분이다.

비교가 깨지는 지점

입력에서 깨지는데, 점수판이 말해 주는 것보다 더 심하게 깨진다.

Muse Spark 1.3은 동영상, 오디오, PDF를 입력으로 받습니다. Muse Glimmer는 텍스트와 이미지를 받습니다. 파이프라인이 화면 녹화, 통화 녹음 또는 스캔한 문서를 모델에 곧바로 입력한다면, 이 둘은 어떤 가격에서도 대안이 될 수 없습니다 — 둘 중 하나는 물리적으로 해당 페이로드를 받아들일 수 없기 때문입니다. Meta 자체 문서는 예상치 못한 방향에서 이 점을 뒷받침합니다: Muse Spark 1.3의 오디오 이해가 완전히 지원되지 않으며 오디오가 포함된 요청의 품질이 저하될 수 있다고 경고하며, 오디오 워크로드에는 Muse Spark 1.2를 권장합니다. 따라서 호스팅 제품군 안에서도 최신 버전이 모든 입력 유형에 대한 올바른 선택은 아니며, 오디오 지원 옵션은 더 오래된 체크포인트입니다.

두 번째 차이는 컨텍스트입니다. 백만 토큰 대 131,072는 마케팅상의 차이가 아닙니다. 이는 대규모 저장소나 긴 사례 파일을 단일 호출로 담을 수 있는 모델과, 그 주위에 검색 계층과 요약 단계를 구축해야 하는 모델 사이의 차이입니다. 장기적인 코드베이스 추론 작업을 한다면, Glimmer의 컨텍스트 상한은 벤치마크 점수보다 훨씬 먼저 부딪히게 될 제약입니다.

세 번째는 데이터 경계이며, 이는 정반대로 작용한다. 여러분의 하드웨어를 결코 떠나지 않는 요청은 공급업체가 기록할 수 없고, 토큰당 가격이 매겨질 수 없으며, 요금 변경의 영향을 받을 수 없다. 데이터 상주 요구 사항이 있거나 규모가 커지면 유지되지 않는 토큰당 예산이 있는 워크로드의 경우, 그 단 하나의 속성이 30 인덱스 포인트를 능가한다.

각각이 실제로 있는 곳

Muse Glimmer의 배포는 폭넓은 편인데, 오픈 웨이트는 원래 그렇다. Meta는 Hugging Face에 다운로드를 등록하고 로컬 런타임 — llama.cpp, MLX, Ollama, LM Studio, Unsloth — 을 가리키며, 벤더 자체 호스팅 목록과 여러 타사 추론 플랫폼도 함께 제시한다. 여기서 그 플랫폼들의 이름을 밝히지는 않겠다. 독자에게 중요한 점은 단순히 웨이트가 이식 가능하다는 것이며, 30B 4비트 모델을 로드할 수 있는 것은 무엇이든 이를 서빙할 수 있다.

Muse Spark 라인은 설계상 범위가 좁습니다. 세 가지 버전, 단일 공급업체, 단일 API, 가중치 없음. 이러한 집중이 바로 이를 기반으로 구축할 때의 진정한 위험이며, 이는 Glimmer에는 전혀 해당하지 않는 위험입니다.

가능한 경우에는 둘 다 하나의 키에

저희 자체 카탈로그는 이 두 이야기 중 어느 쪽보다도 범위가 좁습니다. 저희가 라우팅하는 것은 Muse Spark 1.1과 Muse Spark 1.2 — 백만 토큰당 입력 $1.25, 출력 $4.25로 표시된 두 체크포인트이며, 둘 다 Meta의 정가에 저희의 0% 마크업이 그대로 적용된 가격입니다 — 이고, 저희는 Muse Spark 1.3, Contributor 두 변형 어느 것도, Muse Spark Open도 호스팅하지 않습니다. Muse Glimmer 역시 저희 카탈로그에 없으며, 그 하나에 대한 솔직한 조언은 성격이 다릅니다. 즉, 오픈 웨이트이므로 자연스러운 실행 위치는 자체 하드웨어나 이를 로드하는 런타임입니다.

라우팅이 여기서 진가를 발휘하는 지점은 여러분이 아마 고려하고 있을 바로 그 마이그레이션입니다. 30B 증류 모델이 프런티어 워크로드의 일부를 대신 맡을 수 있는지 시험해 보고 있다면, 필요한 것은 두 가지 모두를 하나의 엔드포인트에 담는 것입니다. 그래야 두 번째 계약 없이 트래픽의 일부를 옮기고 측정할 수 있습니다 — Muse Spark 1.1과 1.2를 하나의 키로 사용하고, 장문 컨텍스트 호출이 실패하면 오류로 떨어지는 대신 다른 체크포인트로 저하되는 자동 장애 조치를 갖추고 있으며, 코드가 아니라 구성으로 트래픽을 분할하는 라우팅 DSL. Meta의 호스팅 라인이 다시 움직이면 변경은 한 곳에만 반영됩니다.

어느 걸 고를까?

작업 대상이 텍스트와 이미지이고, 자체 머신이나 임대한 GPU에서 실행되며, 토큰당 과금에 영향받지 않아야 한다면, Muse Glimmer가 답이며 이는 다른 대안과 비교할 수준이 아닙니다 — 당신은 GDPval-AA 점수의 약 절반을 내주고, 호출당 비용이 전혀 들지 않으며 누구도 속도 제한을 걸 수 없는 모델을 얻는 것입니다.

당신의 작업이 비디오, 오디오, PDF 또는 정말로 긴 컨텍스트를 포함한다면, Muse Glimmer는 Muse Spark의 더 저렴한 버전이 아닙니다. 그것은 다른 도구이며, 증류는 그러한 기능들을 그대로 가져오지 않았습니다. 호스팅 라인을 선택하고, 백만 토큰당 $1.25와 $4.25를 예산으로 잡고, 어떤 체크포인트가 실제로 당신의 페이로드를 처리하는지 확인하세요 — 오디오의 경우, Meta 자체 문서는 더 오래된 버전을 가리킵니다.

증류 비교에 대한 솔직한 요약은 이것이다. 학생 모델은 훈련받은 일에는 놀랄 만큼 뛰어나고, 훈련받지 않은 일에는 아예 존재하지 않는다. Muse Glimmer는 Meta가 Llama 4 이후 발표한 오픈 웨이트에 대한 가장 강력한 논거이며, 위 수치는 Meta 자체의 것이다. 그것들이 보여주지 않는 것 — 그리고 어떤 공급업체 표도 보여줄 수 없는 것 — 은 그 둘이 여러분의 워크로드에서 어떻게 동작하는지다. 그것은 조회가 아니라 실험이다.

벤치마크는 낡아가고 가격은 변동하지만, 실패 기록은 그렇지 않습니다: 이 계열의 모델과 관련된 문서화된 AI 사고와 에이전트 실패는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목은 자체 출처, 심각도, 신뢰도 등급, 이의 제기 플래그를 갖추고 있습니다.