Muse Glimmer titelkaart: Meta's 30B open-gewicht agentmodel voor lokale GPU's, met chips met de tekst 'Apache 2.0', 'Past op 24-32 GB GPU's' en 'Gedistilleerd uit Muse Spark 1.2'.
Guides & Insights

Muse Glimmer: wat het technische rapport van Meta echt vaststelt over de lokale 30B-agent

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Meta publiceerde op 19 oktober 2026 het technische rapport over Muse Glimmer, zeventig dagen nadat het model zelf op 10 augustus uitkwam. Die kloof is waarom het paper meer betekent dan een routinematige beschrijving: het is tot nu toe het meest gedetailleerde Meta-document over het model — het toont de rekensom achter de consumentenhardware-pitch, en het vermeldt welke benchmarkrijen Meta zelf heeft gedraaid en welke het van iemand anders heeft overgenomen. Muse Glimmer is een dicht model met 30 miljard parameters, Apache 2.0, tekst en beeld in, gedistilleerd van Meta's frontier-leraar Muse Spark, en het wordt in het hele rapport gebenchmarkt tegen Gemma4-31B en Qwen3.6-27B. Het rapport prijst die distillatie ook voor het eerst op de juiste manier: 55,7 GB BF16-gewichten gecomprimeerd naar 19,65 GB zodat het taalmodel op een kaart van 32 GB past, waarbij de kwaliteitskosten worden gemeten in plaats van beweerd. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernstniveau, betrouwbaarheidsgraad en betwistingsmarkering bevat.

Twee van de onthullingen in het paper zijn minder flatterend dan de lanceringsblog was. De eerste is dat de benchmarktabel een mengeling is, geen uitsluitend Meta-overzicht: vier rijen komen van Artificial Analysis, twee cijfers van concurrenten zijn de eigen opgave van die concurrenten, en de rest zijn interne runs van Meta tegen opstellingen waarvan Meta nog steeds toegeeft dat ze niet voor de concurrenten waren afgestemd. De tweede is dat de verificatie waarvan dit stuk oorspronkelijk zei dat die weken zou duren, al heeft plaatsgevonden. Artificial Analysis heeft Muse Glimmer gescoord, en op de huidige index staat het model op 17 — achter Qwen3.6-27B op 21, voor Gemma4-31B op 15. Ondertussen is de belofte die Meta naast de lancering deed — open gewichten voor de veel grotere Muse Spark — op 15 oktober nagekomen als Muse Spark Open: 816B totale parameters met 42B actief, onder een licentie die geen Apache 2.0 is.

Wat het rapport zegt dat het model eigenlijk is

De architectuur is nu openbaar tot op de tensorvormen, en ze verklaart het grootste deel van het gedrag waar mensen over hebben gediscussieerd. Muse Glimmer telt ongeveer 29,6B parameters: ruwweg 25,16B in 52 transformerblokken, 1,34B aan losgekoppelde token-embedding, 1,34B aan losgekoppelde outputprojectie en een afzonderlijke 1,8B perceptie-encoder — een ViT-G/14 met 50 lagen op breedte 1.536, gepatcht op 14 pixels tegen een referentieraster van 448 pixels. De verborgen dimensie is 6.656. De attention is grouped-query: 32 query-heads tegenover 2 key-value-heads in een verhouding van 16:1, met een schuifvenster van 2.048 tokens in een zich herhalend patroon van drie lokale en dan één globale laag, en RoPE alleen toegepast op de lokale lagen. De vocabulaire omvat 202.048 tokens met de Llama 4 BPE-tokenizer, en de context is 128K-plus. De kennisafsluitdatum is 4 januari 2026.

Twee getallen in het artikel verdienen meer aandacht dan ze op de lanceringsdag kregen. Het eerste is het aantal talen: het abstract zegt "meer dan honderd talen", de hoofdtekst zegt ongeveer 140, en de appendix rapporteert een Omnilingual-GAIA2-score van 60,4 tegenover 37,5 van Gemma4-31B en 45,0 van Qwen3.6-27B. Dat is een grote kloof en, net als al het andere in de tabel, is het Meta's eigen run. Het tweede is het trainingsrecept. Pre-training is logit-distillatie van Muse Spark met de top 256 logits van de leraar, met KL-divergentie voor de eerste 95% van de run en een overstap naar cross-entropie op ground-truth-doelen voor de laatste 5% om de truncatiebias te corrigeren die top-k-distillatie introduceert. Mid-training breidt de context uit van 32K naar 128K en injecteert agentische trajectgegevens; post-training is supervised fine-tuning, dan on-policy-distillatie, dan multi-objective reinforcement learning. Meta stelt ronduit dat on-policy-distillatie een recept met alleen reinforcement learning bij deze omvang versloeg — een nuttig gegeven voor iedereen die een klein agentmodel van eigen makelij traint.

De productomschrijving is niet veranderd. Meta heeft Glimmer gebouwd voor "always-on local agent workflows" — een agent die tools aanroept, meerstapplannen volgt, zich herstelt wanneer een aanroep mislukt in plaats van te stoppen, en de redeneerinspanning hoger of lager kan zetten. De beoogde taken zijn de weinig glamoureuze: lokaal coderen, function calling, agendabeheer, bestandsorganisatie, LLM-as-a-judge-evaluatie. Het draait onder orchestratieframeworks zoals OpenClaw, dat de paper met naam noemt als de reden dat er überhaupt vraag is naar compacte, betrouwbare tool-callers.

Waar de bewering "past op je GPU" haar cijfers vandaan haalt

Dit is de sectie die het technische rapport moet beslechten, en die houdt beter stand dan de marketing dat deed. Bij BF16 nemen de gewichten 55,7 GB in beslag. Meta richt zich op implementaties met 24 GB of 32 GB geheugen, waarbij ruimte wordt gereserveerd voor een niet-gekwantiseerde KV-cache, de perceptie-encoder en de DFlash-drafter, en streeft daarom naar taalmodellengewichten onder de 20 GB. Het evalueerde zeven kwantisatieschema's na training — GPTQ, AWQ, uniform NVFP4, uniform MXFP8, llama.cpp's Q4_K_M, een kalibratievariant genaamd Greedy-KL, en een aangepaste EvoPress — tegen een achtergehouden negatieve log-likelihood en vervolgens tegen 15 downstreambenchmarks.

Het resultaat is twee benoemde deploymentprofielen in plaats van één vage "4-bit"-claim. Het 32GB-profiel is EvoPress met 19,65 GB aan gewichten, en over de 15 benchmarks haalt het gemiddeld 75,6% tegenover de 75,7% van BF16 — een tiende punt. Het 24GB-profiel is Q4_K_M met een kleinere geheugenvoetafdruk, met een gemiddelde van 74,8%, negen tienden van een punt lager. De gemiddelde antwoordlengte gaat van 11.070 tokens bij BF16 naar 11.417 bij EvoPress en 10.774 bij Q4_K_M, dus de gangbare zorg dat agressieve kwantisering de chain-of-thought-lengte opblaast, blijkt hier niet. Dat zijn Meta's metingen op Meta's evaluatiemix; het zijn de meest concrete kwaliteit-versus-geheugencijfers die iemand voor dit model heeft gepubliceerd, en het blijven nog steeds leverancierscijfers.

Snelheid is het enige punt waarop het rapport minder diepgang biedt dan de blogpost. Het rapport stelt dat 4-bit-gewichten plus speculatieve decoding "praktische snelheden op een enkele RTX 5090" opleveren en beschrijft de drafter in detail — vijf lagen, blokgrootte 16, 32 query- en 8 key-value-heads, offline getraind op on-policy rollouts met de D-PACE-doelstelling — maar publiceert geen throughputtabel. De cijfers die de ronde doen, ruwweg 3,1x snellere decoding op een RTX 5090 (74,9 naar 233 tokens/sec in llama.cpp), 1,8x op een M5 Max en 1,5x op een M4 Max, komen uit Meta's lanceermateriaal en modelkaart, niet uit het rapport. Beschouw ze als door de leverancier opgegeven totdat iemand ze op de eigen machine reproduceert, wat voor een lokaal model een bijzonder eenvoudig experiment is.

Waarom deze release meer betekent dan de specificatielijst

Sinds Llama 4 in het voorjaar van 2025 was Meta stil geworden over open weights en had het zich teruggetrokken op een propriëtaire frontierlijn onder Meta Superintelligence Labs. Muse Glimmer was de publieke terugkeer naar die strategie, en die ging gepaard met een essay van 14 pagina's van Zuckerberg, "The Future is for Everyone", waarin wordt betoogd dat geconcentreerde controle het werkelijke AI-risico is, plus een fonds van $1 miljard met dezelfde naam. Het paper herhaalt de politiek niet; het doet iets nuttigers, namelijk laten zien dat de terugkeer naar open weights geen eenmalig gebaar was.

Op 15 oktober bracht Meta de gewichten uit van Muse Spark Open — 816B totale parameters, 42B actief, een context van 1M tokens en, volgens Meta, in staat om te draaien op twee Apple M5 Ultra Mac Studios met MLX. Dat is het open-weight broertje van de teacher, en het beantwoordt de vraag die dit stuk oorspronkelijk openliet. Het antwoord komt met een asterisk: Muse Spark Open wordt uitgebracht onder de Muse Model License met beperkte commerciële voorwaarden, niet onder Apache 2.0. Glimmer blijft de meer permissieve van de twee en, met 30B, de enige van het paar die in het geheugen van één consumenten-GPU past. Meta's eigen positionering is dat Spark Open het desktopklasse-model is voor mensen met een Mac Studio-stack; Glimmer is degene voor een 24GB-kaart.

Alle hierboven genoemde Spark Open-cijfers zijn van Meta, en met name de bewering dat het 'op twee Mac Studios draait', is niet onafhankelijk gereproduceerd. Wat niet ter discussie staat, is de samenstelling van de line-up: een permissief 30B-agentmodel, een restrictief 816B-vlaggenschipmodel en een frontier-API-laag boven beide. Dat is een samenhangende open-weightstrategie in plaats van één enkele release, en dat is wat je moet meewegen in elke beslissing over bouwen op het kleinere model van Meta.

Three-way scoreboard comparing Muse Glimmer, Gemma4-31B and Qwen3.6-27B: MCP-Atlas 75.5/54.2/62.5, DeepSearch QA 74.6/61.7/71.1, GAIA2 43.3/36.4/40.0, SWE-Bench Pro 51.2/36.9/50.2, TerminalBench 2.1 51.7/--/60.7, and AA Intelligence Index --/39/46. Footer: rows 1-5 vendor-reported by Meta; AA Index per Artificial Analysis (no Muse Glimmer entry yet).

De claim 'gerookt', rij voor rij

Het scorebord hierboven is op de releasedag gegenereerd, en één regel erin is sindsdien ingehaald: de kolom Artificial Analysis vermeldt voor Muse Glimmer nog steeds "{{1}}no entry{{/1}}". Meta's eigen scorekaart vergelijkt Muse Glimmer met hoge redeneersterkte met Gemma4-31B en Qwen3.6-27B over zesendertig rijen. Het patroon van de lanceringsdag blijft gelden: de grootste winsten zitten in algemeen agentisch redeneren, zoeken en meertalig werk.

• MCP-Atlas (agentisch toolgebruik) — Muse Glimmer 75,5, Gemma4-31B 54,2, Qwen3.6-27B 62,5. Nog steeds de belangrijkste rij en het grootste verschil in de set.

• DeepSearch QA — 74,6 tegen 61,7 en 71,1; GAIA2 — 43,3 tegen 36,4 en 40,0; WildClawBench — 47,6 tegen 37,6 en 43,2.

• GDPval-AA v2 — 953 Elo tegenover 811 van G​emma en 1.141 van Q​wen. Even bij stilstaan: op economisch waardevol kenniswerk wint Q​wen met ruime marge.

• SWE-Bench Pro — 51,2 tegen 36,9 en 50,2; ARC-AGI — 66,9 bij high reasoning, 67,9 bij de nieuwe xhigh-tier die het rapport toevoegt; LiveCodeBench Pro (2025 Q2) — 64,1 bij high, 66,8 bij xhigh.

• τ³-Banking — 23,5 tegen 15,1 en 16,7; PinchBench (toolgebruik) — 90,5.

De rijen waarop het verliest, zijn net zo informatief. Qwen3.6-27B is sterk in hands-on computergebruik en terminalwerk: OSWorld-Verified 75,6 tegenover 65,9 van Glimmer, TerminalBench 2.1 60,7 tegenover 51,7, SWE-Bench Verified 77,2 tegenover 76,0, en het scoort nipt beter op SkillsBench met 46,6 tegenover 44,3. Gemma4-31B laat een beter privacy- en veiligheidsrecord zien — een CIMemories-schendingspercentage van 12,1% tegenover 26,4% van Glimmer en 53,4% van Qwen, en het laagste aanvalssuccespercentage op Siren AgentDojo met 25,6% tegenover 28,4% van Glimmer en 40,3% van Qwen. Gemma scoort ook nipt beter op de smalle redeneertests, GPQA Diamond met 85,7 tegenover 83,5 en Humanity's Last Exam met 23,6 tegenover 22,0.

De methodologiebijlage is het deel dat verandert hoe je alles hierboven moet lezen, en het corrigeert wat dit stuk bij de lancering zei. Niet elke rij is van Meta zelf. Voor concurrerende modellen meldt Meta "het gunstigste resultaat tussen zelfgerapporteerde scores of onze interne reproducties", en vier benchmarks — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 en SciCode — zijn afkomstig van Artificial Analysis in plaats van intern te zijn uitgevoerd. Het SWE-Bench Verified-cijfer voor Qwen3.6-27B is Qwens eigen zelfrapportage. Het SWE-Bench Pro-cijfer voor Qwen is Meta's interne run, omdat Qwens gepubliceerde nummer afkomstig was van een verfijnde versie van de benchmark en Meta de oorspronkelijke taakset heeft geëvalueerd. Voor de rest reproduceert Meta de rivalen zelf en zegt dat zijn agenttools en systeemprompts "mogelijk niet specifiek zijn afgestemd op propriëtaire modellen van derden".

Dat is een zorgvuldiger bekendmaking dan de lanceerblog bood, en het heeft twee kanten. Het is geen volledige overwinning van de leverancier, wat de geloofwaardigheid van de tabel versterkt. Maar "gunstigste van zelfrapportage en onze reproductie" is een regel die de concurrent alleen kan helpen op rijen waar het eigen cijfer van de concurrent hoger is, en Meta's voorbehoud over de niet-afgestelde opstelling geldt nog steeds voor elke rij die het zelf heeft gegenereerd. Het detail op rijniveau is nu controleerbaar, en dat is wat je wilt; de richting van de vertekening valt niet volledig uit het paper te kennen.

Wat het onafhankelijke scorebord zegt

{{1}}Artificial Analysis{{/1}} heeft het model nu gescoord, waarmee het voorbehoud "nog geen onafhankelijk resultaat" komt te vervallen dat dit stuk tot en met augustus had. Op de huidige index van AA haalt {{2}}Muse Glimmer{{/2}} bij hoge redeneerkracht een Intelligence Index van 17, goed voor de 14e plaats van de 141 modellen in de vergelijkingsset. Qwen3.6-27B staat op 21 en Gemma4-31B op 15. AA meet ook 137 outputtokens per seconde met een tijd tot het eerste token van 0,91 s — snel voor deze klasse, goed voor de 16e plaats van de 64 — en een kostprijs van ongeveer $0,06 per Intelligence Index-taak.

De niveaus behoeven een voorbehoud; de rangschikking niet. Het artikel van AA in de releaseweek plaatste dezelfde drie modellen op 35, 38 en 30 in zijn index; de huidige modelpagina's plaatsen ze op 17, 21 en 15. De absolute getallen zijn verschoven, de volgorde niet. Wat ook de oorzaak van de herschaling is, het stabiele gegeven in beide metingen is de rangschikking: Qwen staat in het geaggregeerde totaal voor Glimmer, Glimmer voor Gemma, en Glimmer staat voorop in de rijen die specifiek op agentische taken betrekking hebben. Dat ondersteunt een beperktere bewering dan "leidt onder vergelijkbaar grote open modellen" — op een algemene intelligentie-index wint een 27B-model uit april nog steeds — en de beperktere bewering is de juiste.

De beoordeling van AA in de releaseweek voegde een bevinding toe die het waard is om mee te nemen: een hallucinatiepercentage van 82% voor Muse Glimmer tegenover 49% voor Qwen3.6-27B, met een AA-Omniscience-index van −33. Voor een agent die onbeheerd op je machine draait en tools aanroept, is dat het getal dat zou moeten bepalen hoeveel autonomie je hem geeft, meer dan MCP-Atlas doet. AA markeert Qwen3.6-27B nu ook als verouderd ten gunste van Qwen3.8-27B, dus de rivaal waarmee Glimmer in het grootste deel van deze tabel wordt vergeleken, is niet langer het huidige model van zijn leverancier — een detail dat Meta's vergelijking in augustus niet had kunnen voorzien en dat het in oktober gepubliceerde rapport niet behandelt.

De onderstaande schermafbeelding is de vergelijkingspagina zoals die eruitzag voordat Glimmer werd gescoord; daarom toont hij het deelnemersveld dat Glimmer op het punt stond te betreden in plaats van Glimmer daarin. Lees dit als de uitgangssituatie vóór verificatie, niet als de huidige stand.

Screenshot of Artificial Analysis' Small Open Source Models comparison page, showing the 4B-40B open-weight class with Openness and Intelligence index columns and the header noting that Qwen3.6-27B and Qwen3.5-27B are the highest-intelligence small open-source models.

Wat het daadwerkelijk kost om te draaien

Muse Glimmer zelf is gratis — Apache 2.0, geen kosten per token, geen betaling aan Meta, en het rapport bevestigt dat de release gewichten met volledige precisie, de 4-bitvarianten en de DFlash-speculatiehead bevat. De kosten zitten in de hardware eronder. BF16 heeft 55,7 GB nodig: dat zijn twee kaarten, of geen enkele consumentenkaart. Het 32GB EvoPress-profiel is het profiel dat je wilt hebben als je gaat kopen: het kost een tiende punt gemiddelde nauwkeurigheid ten opzichte van BF16 en past op één 32GB-kaart of een high-end Mac met unified memory. Het 24GB Q4_K_M-profiel kost negen tienden van een punt en past op een kaart uit de RTX 5090-klasse, wat een redelijke ruil is voor een agent die continu draait.

Als je liever huurt dan koopt, is het gevolgde gehoste tarief nu lager dan wat deze pagina in augustus noemde. Artificial Analysis noteert $0,30 per miljoen inputtokens en $1,20 per miljoen output voor Muse Glimmer, tegenover de $0,35 en $1,50 die de eerste vermeldingen bij de release hadden, met een cachediscount van 87% en een blended tarief van ongeveer $0,21. Dat zijn door aanbieders vermelde marktplaatstarieven en geen Meta-prijs — Meta publiceert geen eigen gehost Glimmer-endpoint, en de ontwikkelaarsdocumentatie is geschreven rond het richten van je tooling op een lokale Muse Glimmer-server. Of die beweging een verlaging door dezelfde aanbieder is of een goedkopere aanbieder die tot de gevolgde set toetreedt, laat de index niet zien; hoe dan ook is de richting voor een open-weight release voorspelbaar.

De vergelijking die je zorgvuldig moet maken, is nog steeds lokaal versus gehost, en het is geen nek-aan-nekrace zoals de marketing suggereert. Een kaart van 32GB is een vaste kost die wordt afgeschreven over elke token die je ooit genereert; een gehost tarief is een marginale kost die meeschaalt met het volume en verdwijnt als de aanbieder verdwijnt. Bij $0.30 en $1.20 is het gehoste pad goedkoop genoeg dat de meeste teams daar moeten beginnen voordat ze hardware kopen, en het lokale pad wint alleen wanneer de tokens de machine niet kunnen verlaten of het volume hoog genoeg is dat een GPU goedkoper is dan een factuur.

Eén opmerking over ons, want die is van invloed op hoe je dit allemaal zou prijzen. Muse Glimmer staat niet in de catalogus van OrcaRouter — wij routeren gehoste API's, en het model is niet als gehoste route beschikbaar, dus de 0%-opslag en de regeling 'één sleutel voor alles' gelden er vandaag niet voor. Wat wel geldt, is de discipline: voor de ruim 200 modellen die we wel routeren, is de getoonde prijs de lijstprijs van de provider, doorgegeven tegen 0% opslag, zodat een prijsverlaging van een leverancier hier dezelfde dag live is in plaats van na een herberekening van de marge. Dat is de standaard waaraan deze vergelijking moet worden getoetst, hoe je Glimmer ook draait.

Hoe je het deze week echt zou gebruiken

Omdat het als open gewichten wordt geleverd, is toegang een download. De basisrepository is meta-models/Muse-Glimmer-30B op Hugging Face, met daarnaast de 4-bit-varianten en een GGUF-build gepubliceerd. Ondersteuning vanaf dag één was er voor llama.cpp, MLX en ExecuTorch; Ollama, LM Studio, vLLM en SGLang volgden binnen enkele dagen, met hardware-optimalisatiewerk vermeld voor AMD, Arm, Dell, Intel en Nvidia. Het praktische pad voor de meeste mensen is ongewijzigd: haal de GGUF op, laad hem in llama.cpp of een lokale runner, richt er een agent-scaffold op en begin met het 24GB Q4_K_M-profiel, tenzij je 32GB over hebt voor de EvoPress-variant.

Als je besluit of je erop moet bouwen, is de eerlijke weergave dat Glimmer een goede lokale agent is met een gedocumenteerde kwaliteitsondergrens, een gemeten hallucinatieprobleem en een leveranciersbenchmarktabel die nu gedeeltelijk controleerbaar is. De leraar is een ander verhaal: Muse Spark 1.2 is routeerbaar via OrcaRouter tegen $1,25 per miljoen input en $4,25 per miljoen output, zodat een team het kleine model op het apparaat kan draaien voor het goedkope, private, altijd aanwezige werk en de moeilijke gevallen via dezelfde sleutel naar het grote model kan sturen. Die splitsing — lokale student voor de routinematige lus, gehoste leraar voor de escalatie — is de architectuur die de twee releases feitelijk ondersteunen, en die is deze week testbaar voor de prijs van een GPU die je misschien al bezit plus een tokenbudget. Automatische failover is wat de gehoste helft veilig op een productiepad maakt terwijl een model nog een onafhankelijk trackrecord opbouwt, en dat is precies de staat waarin Glimmer verkeert.

De onderstaande schermafbeelding is de modelkaart zoals die op de releasedag te lezen stond. De regel "not deployed by any inference provider" verwijst naar Hugging Face's eigen first-party inference, wat iets anders is dan de third-party hosting die op 9 augustus begon, en het is een nuttige herinnering aan hoe snel die regel verouderd is.

Screenshot of the Hugging Face model card for meta-models/Muse-Glimmer-30B, showing the Apache 2.0 license, 30B parameter size, Meta Superintelligence Lab authorship, and the line that the model is not deployed by any inference provider.

Wat te kijken

De drie dingen die dit verhaal zouden beslechten, zijn grotendeels uitgekomen. De open-weights-release van Spark vond plaats op 15 oktober. Er vond een onafhankelijke meting plaats, en die concludeerde dat Qwen vooroplag op het geheel, Glimmer voorop op agentics, en Gemma achter beide. Hosting verspreidde zich, en de gevolgde prijs is nu $0.30 en $1.20 in plaats van $0.35 en $1.50.

Wat overblijft is nauwer en interessanter. Ten eerste of iemand buiten Meta de kwantisatieafweging reproduceert — de verschillen van 0,1 punt en 0,9 punt zijn het sterkste deel van het rapport en het gemakkelijkst te controleren op een kaart van 24 GB. Ten tweede of de agentische voorsprong standhoudt in een harness die niet rond het model is gebouwd; MCP-Atlas op 75,5 is de score om te verslaan en degene die het meest blootstaat aan scaffoldverschillen. Ten derde of Meta's volgende kleine release de Apache 2.0-licentie erft of de beperktere Muse Model License waaronder Spark Open is uitgebracht — die ene keuze bepaalt of de Glimmer-lijn bruikbaar blijft als fundament voor producten van anderen.

De tweet bij de lancering had het bij het rechte eind over het nieuws en was ruimhartig over het oordeel. Wat het technische rapport toevoegt, is het deel dat in augustus ontbrak: je kunt nu zien wat er is gemeten, op welke hardware, door wie, en tegen welke prijs in kwaliteit. Dat is een betere basis voor een beslissing dan zowel de benchmarktabel als de tweet, en het is de reden dat dit model nog steeds de moeite waard is om je plannen erop af te stemmen in plaats van er alleen over te lezen.

Vragen die het daadwerkelijk waard zijn om te beantwoorden

Is Muse Glimmer echt open source?

Het is open weights onder Apache 2.0 — iedereen kan het downloaden, aanpassen, fine-tunen en commercieel inzetten zonder Meta te betalen. Het rapport bevestigt ook wat de licentie feitelijk dekt: gewichten met volledige precisie, twee 4-bitvarianten en de DFlash-drafter-head zijn allemaal vrijgegeven. Niet vrijgegeven zijn de trainingsdata en de gewichten van de Muse Spark-teacher, en daarom is "open weights" de zorgvuldige formulering in plaats van volledig open source in de OSI-zin. Praktisch gezien is de deal dezelfde die Llama tot de meest ingezette open familie in AI heeft gemaakt.

Verslaat Muse Glimmer daadwerkelijk Gemma4-31B en Qwen3.6-27B?

Op Meta's eigen tabel wint het de meeste agentische en zoekrijen, en de methodologiebijlage laat nu zien welke van die rijen Meta's eigen runs waren en welke afkomstig waren van Artificial Analysis of de eigen rapportage van de concurrenten. De onafhankelijke interpretatie is beperkter: op AA's Intelligence Index scoort Qwen3.6-27B 21 en Muse Glimmer 17, met Gemma4-31B op 15. De juiste bewering is dus dat Glimmer binnen zijn grootteklasse vooroploopt op toolgebruik, meertrapsplanning en meertalig agentisch werk, en niet vooroploopt op geaggregeerde algemene intelligentie of op taken voor computergebruik.

Kan ik het op een laptop draaien?

Alleen als "laptop" een machine betekent met een discrete GPU van 24 GB of 32 GB, of een high-end Mac met evenveel unified memory. Het rapport raamt de BF16-gewichten op 55,7 GB en mikt op twee gecomprimeerde profielen: 19,65 GB aan gewichten voor een machine met 32 GB en een kleinere Q4_K_M-build voor 24 GB, die beide ruimte over laten voor de KV-cache, de perceptie-encoder en de drafter. Op geïntegreerde graphics of een machine met 16 GB zou je te maken krijgen met zwaardere kwantisatie en trage output in plaats van de always-on agent waarop de release is ontworpen.

Waar kan ik het krijgen, en is het via een API beschikbaar?

De gewichten staan op Hugging Face onder meta-models/Muse-Glimmer-30B, en je draait het lokaal via llama.cpp, MLX, ExecuTorch, Ollama of LM Studio. Gehoste toegang bestaat via platforms van derden voor ongeveer $0,30 per miljoen invoertokens en $1,20 per miljoen uitvoertokens, volgens de door Artificial Analysis bijgehouden providerprijzen. Meta publiceert geen eigen gehost Glimmer-endpoint, en het model staat niet op OrcaRouter — als het als gehoste route beschikbaar komt, zal dezelfde sleutel die de meer dan 200 modellen bereikt die wij wel routeren, het ook bereiken, maar dat is vandaag niet het geval.

Vergeleken in dit artikel1

Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt