Plansza tytułowa Muse Glimmer: model agentowy Meta o otwartych wagach (30B) dla lokalnych GPU, z plakietkami: Apache 2.0, mieści się na GPU 24–32 GB, destylowany z Muse Spark 1.2.
Guides & Insights

Muse Glimmer: Co raport techniczny Meta rzeczywiście przesądza o lokalnym agencie 30B

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Meta opublikowała raport techniczny dotyczący Muse Glimmer 19 października 2026 r., siedemdziesiąt dni po udostępnieniu samego modelu 10 sierpnia. Ten odstęp sprawia, że dokument jest ważniejszy niż rutynowe opracowanie: to jak dotąd najbardziej szczegółowy dokument Meta dotyczący tego modelu — pokazuje arytmetykę stojącą za argumentacją na rzecz sprzętu konsumenckiego i wskazuje, które wiersze benchmarków Meta przeprowadziła sama, a które zapożyczyła od kogoś innego. Muse Glimmer to gęsty model o 30 miliardach parametrów, Apache 2.0, z tekstem i obrazami na wejściu, destylowany z czołowego nauczyciela Muse Spark firmy Meta, a w całym raporcie porównywany w benchmarkach z Gemma4-31B i Qwen3.6-27B. Raport po raz pierwszy należycie wycenia tę destylację: 55,7 GB wag BF16 skompresowano do 19,65 GB, aby model językowy zmieścił się na karcie 32 GB, przy czym koszt jakości został zmierzony, a nie tylko zadeklarowany. Udokumentowane awarie AI i incydenty z agentami stojące za takimi premierami jak ta są zebrane w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, ocenę pewności i oznaczenie sporności.

Dwie z informacji ujawnionych w dokumencie są mniej pochlebne niż blog zapowiadający premierę. Po pierwsze, tabela benchmarków jest mieszanką, a nie wyłącznie zestawieniem Meta: cztery wiersze pochodzą z {{1}}Artificial Analysis{{/1}}, dwie konkurencyjne liczby to własne deklaracje rywali, a reszta to wewnętrzne testy Meta na konfiguracjach, co do których Meta wciąż przyznaje, że nie były dostrojone pod konkurentów. Po drugie, weryfikacja, o której pierwotnie w tym tekście mówiono, że zajmie tygodnie, już się odbyła. {{2}}Artificial Analysis{{/2}} oceniło Muse Glimmer, a w jego obecnym indeksie model plasuje się na 17. miejscu — za Qwen3.6-27B z wynikiem 21, przed Gemma4-31B z wynikiem 15. Tymczasem obietnica złożona przez Meta przy okazji premiery — otwarte wagi dla znacznie większego Muse Spark — została dotrzymana 15 października jako Muse Spark Open: 816 mld parametrów łącznie i 42 mld aktywnych, na licencji, która nie jest Apache 2.0.

Czym według raportu model jest w rzeczywistości

Architektura jest teraz publicznie dostępna aż po kształty tensorów i wyjaśnia większość zachowań, o które ludzie się spierali. Muse Glimmer ma łącznie około 29,6 mld parametrów: mniej więcej 25,16 mld w 52 blokach transformera, 1,34 mld w niepowiązanym osadzaniu tokenów, 1,34 mld w niepowiązanej projekcji wyjściowej oraz osobny 1,8-miliardowy enkoder percepcji — ViT-G/14 z 50 warstwami o szerokości 1536, z patchami 14 pikseli względem 448-pikselowej siatki odniesienia. Wymiar ukryty wynosi 6656. Uwaga jest typu grouped-query, z 32 głowami zapytań wobec 2 głów klucz-wartość w proporcji 16:1, z oknem przesuwnym obejmującym 2048 tokenów w powtarzającym się wzorcu trzy lokalne, potem jedna globalna, a RoPE stosuje się tylko w warstwach lokalnych. Słownik liczy 202 048 tokenów w tokenizatorze BPE Llama 4, a kontekst wynosi ponad 128 tys. Granica wiedzy to 4 stycznia 2026 r.

Dwie liczby w pracy zasługują na więcej uwagi, niż poświęcono im w dniu premiery. Pierwsza to liczba języków: streszczenie mówi „ponad sto języków”, treść podaje około 140, a aneks raportuje wynik Omnilingual-GAIA2 na poziomie 60,4 wobec 37,5 dla Gemma4-31B i 45,0 dla Qwen3.6-27B. To duża różnica i, podobnie jak wszystko inne w tabeli, pochodzi z własnego przebiegu Meta. Druga to receptura treningu. Pretrening to destylacja logitów z Muse Spark z użyciem 256 najlepszych logitów nauczyciela, z dywergencją KL przez pierwsze 95% przebiegu i przejściem na entropię krzyżową na celach referencyjnych przez ostatnie 5%, aby skorygować obciążenie wynikające z obcięcia, które wprowadza destylacja top-k. Trening pośredni rozszerza kontekst z 32K do 128K i wstrzykuje dane o trajektoriach agentowych; po treningu następuje nadzorowane dostrajanie, potem destylacja on-policy, a następnie wielocelowe uczenie ze wzmocnieniem. Meta wprost stwierdza, że destylacja on-policy pokonała recepturę opartą wyłącznie na uczeniu ze wzmocnieniem przy tej skali — przydatna obserwacja dla każdego, kto samodzielnie trenuje mały model agentowy.

Opis produktu nie uległ zmianie. Meta stworzyła Glimmer z myślą o „stale działających lokalnych przepływach pracy agentów” — agencie, który wywołuje narzędzia, realizuje wieloetapowe plany, wznawia działanie, gdy wywołanie się nie powiedzie, zamiast się zatrzymywać, i może zwiększać lub zmniejszać nakład rozumowania. Przewidziane zastosowania to te mało efektowne: lokalne kodowanie, wywoływanie funkcji, zarządzanie harmonogramem, organizacja plików, ocena z użyciem LLM jako sędziego. Działa w ramach frameworków orkiestracyjnych takich jak OpenClaw, który artykuł wymienia z nazwy jako powód, dla którego w ogóle istnieje popyt na kompaktowe, niezawodne agentów wywołujących narzędzia.

Skąd pochodzą liczby stojące za twierdzeniem „zmieści się na Twoim GPU”

To jest ta sekcja, którą raport techniczny ma rozstrzygnąć, i wypada ona lepiej niż materiał marketingowy. W BF16 wagi zajmują 55,7 GB. Meta celuje we wdrożenia z pamięcią 24 GB lub 32 GB, rezerwując miejsce na niekwantyzowany cache KV, enkoder percepcji i drafter DFlash, a zatem dąży do wag modelu językowego poniżej 20 GB. Oceniono siedem schematów kwantyzacji po treningu — GPTQ, AWQ, jednolity NVFP4, jednolity MXFP8, Q4_K_M z llama.cpp, wariant kalibracyjny o nazwie Greedy-KL oraz zaadaptowany EvoPress — względem ujemnej logarytmicznej wiarygodności na odłożonym zbiorze, a następnie względem 15 benchmarków końcowych.

Wynikiem są dwa nazwane profile wdrożeniowe, a nie jedno niejasne twierdzenie o „4-bit”. Profil 32 GB to EvoPress przy 19,65 GB wag, a w 15 testach porównawczych uzyskuje średnio 75,6% wobec 75,7% dla BF16 — o jedną dziesiątą punktu. Profil 24 GB to Q4_K_M o mniejszym rozmiarze, ze średnią 74,8%, o dziewięć dziesiątych punktu mniej. Średnia długość odpowiedzi zmienia się z 11 070 tokenów w BF16 na 11 417 w EvoPress i 10 774 w Q4_K_M, więc powszechna obawa, że agresywna kwantyzacja zawyża długość łańcucha myśli, nie znajduje tu potwierdzenia. To pomiary Meta na zestawie ewaluacyjnym Meta; to najbardziej konkretne liczby dotyczące jakości w stosunku do pamięci, jakie ktokolwiek opublikował dla tego modelu, i wciąż są to liczby dostawcy.

Szybkość to jedyne miejsce, w którym praca jest uboższa niż wpis na blogu. Raport stwierdza, że 4-bitowe wagi w połączeniu z dekodowaniem spekulatywnym dają „praktyczne szybkości na pojedynczym RTX 5090”, i szczegółowo opisuje model szkicujący — pięć warstw, rozmiar bloku 16, 32 głowice query i 8 głowic key-value, trenowany offline na rolloutach on-policy z użyciem funkcji celu D-PACE — ale nie publikuje żadnej tabeli przepustowości. Krążące liczby, około 3,1× przyspieszenia dekodowania na RTX 5090 (z 74,9 do 233 tokenów/s w llama.cpp), 1,8× na M5 Max i 1,5× na M4 Max, pochodzą z materiałów premierowych Meta i karty modelu, a nie z raportu. Traktuj je jako deklarowane przez dostawcę, dopóki ktoś nie odtworzy ich na własnej maszynie — co w przypadku modelu lokalnego jest naprawdę łatwym eksperymentem do przeprowadzenia.

Dlaczego to wydanie ma znaczenie wykraczające poza kartę specyfikacji

Od czasu Llama 4 wiosną 2025 r. Meta ucichła w kwestii otwartych wag, wycofując się do zastrzeżonej linii frontier w ramach Meta Superintelligence Labs. Muse Glimmer był publicznym powrotem do tej strategii i pojawił się wraz z 14-stronicowym esejem Zuckerberga „The Future is for Everyone”, w którym przekonuje, że prawdziwym ryzykiem AI jest skoncentrowana kontrola, a także funduszem o tej samej nazwie o wartości 1 mld dolarów. Artykuł nie powtarza polityki; robi coś bardziej użytecznego — pokazuje, że powrót do otwartych wag nie był jednorazowym gestem.

15 października Meta udostępniła wagi Muse Spark Open — 816 mld parametrów łącznie, 42 mld aktywnych, kontekst 1 mln tokenów i, według Meta, zdolność do działania na dwóch Apple M5 Ultra Mac Studio z MLX. To otwartowagowy bliźniak nauczyciela i odpowiada na pytanie, które ten tekst pierwotnie pozostawił bez odpowiedzi. Odpowiedź ma jednak gwiazdkę: Muse Spark Open jest dystrybuowany na licencji Muse Model License z ograniczonymi warunkami komercyjnymi, a nie Apache 2.0. Glimmer pozostaje bardziej permisywny z tej dwójki i przy 30 mld parametrów jest jedynym z pary, który mieści się w pamięci pojedynczego konsumenckiego GPU. Meta sama pozycjonuje Spark Open jako model klasy desktopowej dla osób z zestawem Mac Studio; Glimmer jest tym dla karty 24 GB.

Wszystkie powyższe wartości liczbowe Spark Open pochodzą od Meta, a twierdzenie, że „działa na dwóch Mac Studios”, w szczególności nie zostało niezależnie odtworzone. Nie budzi natomiast wątpliwości kształt oferty: permisywny model agentowy 30B, ograniczony flagowy model 816B oraz czołowa warstwa API ponad obydwoma. To spójna strategia otwartych wag, a nie pojedyncze wydanie, i to właśnie należy uwzględnić w kalkulacji przy każdej decyzji o budowaniu na mniejszym modelu 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).

Twierdzenie o „wędzeniu”, wiersz po wierszu

Powyższa tabela wyników została wygenerowana w dniu premiery i jedna pozycja w niej została od tego czasu zdezaktualizowana: w jej kolumnie Artificial Analysis nadal widnieje „brak wpisu” dla Muse Glimmer. Sama karta wyników Meta porównuje Muse Glimmer przy wysokim poziomie rozumowania z Gemma4-31B i Qwen3.6-27B w trzydziestu sześciu wierszach. Wzorzec z dnia premiery się utrzymuje: największe sukcesy to ogólne rozumowanie agentowe, wyszukiwanie i zadania wielojęzyczne.

• MCP-Atlas (agentowe korzystanie z narzędzi) — Muse Glimmer 75,5, Gemma4-31B 54,2, Qwen3.6-27B 62,5. Nadal pozostaje głównym wierszem i największą luką w zestawie.

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

• GDPval-AA v2 — 953 Elo wobec 811 G​emmy i 1 141 Q​wena. Warto się nad tym zatrzymać: w wartościowej ekonomicznie pracy wiedzy Q​wen wygrywa z dużą przewagą.

• SWE-Bench Pro — 51,2 w porównaniu z 36,9 i 50,2; ARC-AGI — 66,9 przy wysokim rozumowaniu, 67,9 na nowym poziomie xhigh dodanym w raporcie; LiveCodeBench Pro (2025 Q2) — 64,1 przy wysokim, 66,8 przy xhigh.

• τ³-Banking — 23,5 wobec 15,1 i 16,7; PinchBench (wykorzystanie narzędzi) — 90,5.

Wiersze, w których przegrywa, są równie pouczające. Qwen3.6-27B dominuje w praktycznym korzystaniu z komputera i pracy w terminalu: OSWorld-Verified 75,6 wobec 65,9 w przypadku Glimmer, TerminalBench 2.1 60,7 wobec 51,7, SWE-Bench Verified 77,2 wobec 76,0, a w SkillsBench nieznacznie wyprzedza wynikiem 46,6 wobec 44,3. Gemma4-31B ma lepsze wyniki w zakresie prywatności i bezpieczeństwa — wskaźnik naruszeń CIMemories na poziomie 12,1% wobec 26,4% w przypadku Glimmer i 53,4% w przypadku Qwen oraz najniższy odsetek udanych ataków w Siren AgentDojo wynoszący 25,6% wobec 28,4% w przypadku Glimmer i 40,3% w przypadku Qwen. Gemma również nieznacznie wyprzedza w wąskich testach rozumowania: GPQA Diamond 85,7 wobec 83,5 i Humanity's Last Exam 23,6 wobec 22,0.

Dodatek metodologiczny to część, która zmienia sposób, w jaki należy czytać wszystko powyżej, i koryguje to, co ten artykuł mówił w chwili publikacji. Nie każdy wiersz pochodzi od samej Meta. W przypadku modeli konkurencyjnych Meta podaje „najkorzystniejszy wynik spośród wyników zgłaszanych samodzielnie lub naszych wewnętrznych reprodukcji”, a cztery benchmarki — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 i SciCode — pochodzą z Artificial Analysis, a nie z testów przeprowadzonych wewnętrznie. Wynik SWE-Bench Verified dla Q​wen3.6-27B to samodzielnie zgłoszony wynik Q​wen. Wynik SWE-Bench Pro dla Q​wen pochodzi z wewnętrznego uruchomienia Meta, ponieważ opublikowana liczba Q​wen pochodziła z udoskonalonej wersji benchmarku, a Meta oceniła oryginalny zestaw zadań. W pozostałych przypadkach Meta sama odtwarza wyniki konkurentów i twierdzi, że jej narzędzia agentowe i prompty systemowe „mogą nie być specjalnie dostrojone do zastrzeżonych modeli firm trzecich”.

To staranniejsze ujawnienie niż to z bloga premierowego i działa w obie strony. Nie jest to czyste zwycięstwo dostawcy we wszystkich pozycjach, co wzmacnia wiarygodność tabeli. Ale zasada „najkorzystniejszy wynik spośród samodzielnego zgłoszenia i naszego odtworzenia” może pomóc rywalowi tylko w tych wierszach, w których jego własna liczba jest wyższa, a zastrzeżenie Meta dotyczące niestrojonej konfiguracji nadal odnosi się do każdego wiersza, który sam wygenerował. Szczegóły na poziomie wierszy są teraz możliwe do audytu, czego właśnie chcemy; kierunku obciążenia nie da się w pełni poznać z artykułu.

Co mówi niezależna tablica wyników

Artificial Analysis sklasyfikował teraz ten model, co znosi zastrzeżenie „brak jeszcze niezależnego wyniku”, które towarzyszyło temu tekstowi przez sierpień. W obecnym indeksie AA Muse Glimmer przy wysokiej sile rozumowania osiąga Intelligence Index na poziomie 17 i zajmuje 14. miejsce spośród 141 modeli w swoim zestawie porównawczym. Qwen3.6-27B ma 21, a Gemma4-31B 15. AA mierzy również 137 tokenów wyjściowych na sekundę przy czasie do pierwszego tokenu wynoszącym 0,91 s — szybko jak na tę klasę, co daje 16. miejsce na 64 — oraz koszt około 0,06 USD na zadanie Intelligence Index.

Poziomy wymagają zastrzeżenia, którego nie wymaga ranking. Publikacja AA z tygodnia premiery umieściła te same trzy modele na swoim indeksie na poziomach 35, 38 i 30; obecne strony modeli podają dla nich 17, 21 i 15. Wartości bezwzględne się zmieniły, kolejność nie. Niezależnie od przyczyny przeskalowania, stałym faktem w obu odczytach jest ranking: Q​wen przed Glimmer w agregacie, Glimmer przed G​emma oraz Glimmer z przodu w wierszach dotyczących konkretnie agentów. To uzasadnia węższe twierdzenie niż „przewodzi modelom otwartym o porównywalnym rozmiarze” — w ogólnym indeksie inteligencji model 27B z kwietnia wciąż wygrywa — a to węższe twierdzenie jest trafne.

Ocena AA z tygodnia premiery dodała ustalenie warte zapamiętania: wskaźnik halucynacji na poziomie 82% dla Muse Glimmer w porównaniu z 49% dla Qwen3.6-27B, przy indeksie AA-Omniscience wynoszącym −33. W przypadku agenta, który działa bez nadzoru na Twojej maszynie i wywołuje narzędzia, to właśnie ta liczba powinna kształtować, jak dużą autonomię mu dasz, bardziej niż MCP-Atlas. AA oznacza teraz Qwen3.6-27B jako przestarzały na rzecz Qwen3.8-27B, więc rywal, z którym Glimmer jest porównywany w większości tej tabeli, nie jest już aktualnym modelem swojego dostawcy — szczegół, którego porównanie Meta nie mogło przewidzieć w sierpniu i którego raport opublikowany w październiku nie omawia.

Poniższy zrzut ekranu to strona porównania w takiej postaci, w jakiej była przed ocenieniem Glimmera — dlatego widać na niej pole, do którego Glimmer dopiero wchodził, a nie samego Glimmera w nim. Należy ją odczytywać jako punkt odniesienia sprzed weryfikacji, a nie jako aktualną klasyfikację.

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.

Ile to faktycznie kosztuje

Muse Glimmer sam w sobie jest darmowy — Apache 2.0, bez opłaty za token, bez płatności na rzecz Meta, a raport potwierdza, że wydanie obejmuje wagi pełnej precyzji, warianty 4-bitowe i głowicę spekulacyjną DFlash. Kosztem jest sprzęt pod nim. BF16 wymaga 55,7 GB, czyli dwóch kart albo żadnej z kart konsumenckich. Profil 32GB EvoPress jest tym, który warto wybrać, jeśli kupujesz: kosztuje jedną dziesiątą punktu średniej dokładności względem BF16 i mieści się na jednej karcie 32GB lub wysokiej klasy Macu ze zunifikowaną pamięcią. Profil 24GB Q4_K_M kosztuje dziewięć dziesiątych punktu i mieści się na karcie klasy RTX 5090, co jest rozsądnym kompromisem dla agenta działającego w sposób ciągły.

Jeśli wolisz wynajmować niż kupować, śledzona stawka za hosting jest teraz niższa niż ta, którą ta strona podawała w sierpniu. Artificial Analysis odnotowuje 0,30 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych dla Muse Glimmer, wobec 0,35 USD i 1,50 USD, które pojawiły się w pierwszych ofertach w dniu premiery, przy 87% zniżce za pamięć podręczną i stawce łączonej blisko 0,21 USD. To są stawki marketplace’ów podane przez dostawców, a nie cena Meta — Meta nie publikuje własnego hostowanego endpointu Glimmer, a jej dokumentacja dla deweloperów jest napisana wokół kierowania narzędzi na lokalny serwer Muse Glimmer. Czy ten ruch to obniżka ze strony tego samego dostawcy, czy dołączenie tańszego dostawcy do śledzonego zbioru, nie jest czymś, co pokazuje indeks; tak czy inaczej kierunek dla wydania z otwartymi wagami jest przewidywalny.

Porównanie, które warto starannie przeprowadzić, nadal sprowadza się do lokalnego rozwiązania kontra hostowanego, i wcale nie jest tak wyrównane, jak sugeruje marketing. Karta 32 GB to stały koszt, który amortyzuje się na każdym tokenie, jaki kiedykolwiek wygenerujesz; stawka hostowana to koszt krańcowy, który skaluje się wraz z wolumenem i znika, jeśli dostawca zniknie. Przy stawkach 0,30 USD i 1,20 USD ścieżka hostowana jest wystarczająco tania, by większość zespołów powinna zacząć od niej, zanim kupi sprzęt, a ścieżka lokalna wygrywa tylko wtedy, gdy tokeny nie mogą opuścić maszyny albo wolumen jest wystarczająco wysoki, że GPU jest tańsze niż rachunek.

Jedna uwaga na nasz temat, ponieważ ma ona wpływ na to, jak wycenilibyście którąkolwiek z tych opcji. Muse Glimmer nie znajduje się w katalogu OrcaRouter — kierujemy hostowanymi API, a ten model nie trafił do oferty jako hostowana trasa, więc 0% marży i układ „jeden klucz do wszystkiego” nie mają do niego dziś zastosowania. Co ma zastosowanie, to dyscyplina: w przypadku ponad 200 modeli, które kierujemy, wyświetlana cena to cena katalogowa dostawcy przekazywana bez marży (0%), więc obniżka ceny przez dostawcę jest tu widoczna tego samego dnia, a nie dopiero po ponownym przeliczeniu marży. To jest standard, do którego należy przykładać to porównanie, niezależnie od tego, jak uruchamiacie Glimmer.

Jak faktycznie użyłbyś tego w tym tygodniu

Ponieważ jest udostępniany jako otwarte wagi, dostęp polega na pobraniu. Bazowe repozytorium to meta-models/Muse-Glimmer-30B na Hugging Face, a wraz z nim opublikowano warianty 4-bitowe oraz kompilację GGUF. Wsparcie środowisk uruchomieniowych od pierwszego dnia obejmowało llama.cpp, MLX i ExecuTorch; Ollama, LM Studio, vLLM i SGLang dołączyły w ciągu kilku dni, a prace nad optymalizacją sprzętową wymieniono dla AMD, Arm, Dell, Intel i Nvidia. Praktyczna ścieżka dla większości ludzi pozostaje bez zmian: pobierz GGUF, załaduj go w llama.cpp lub lokalnym runnerze, skieruj na niego szkielet agenta i zacznij od profilu 24GB Q4_K_M, chyba że masz 32GB zapasu na wersję EvoPress.

Jeśli zastanawiasz się, czy na nim budować, uczciwe ujęcie jest takie, że Glimmer to dobry lokalny agent z udokumentowanym dolnym progiem jakości, zmierzonym problemem z halucynacjami i tabelą benchmarków dostawcy, która jest teraz częściowo audytowalna. Nauczyciel to inna kwestia: Muse Spark 1.2 można kierować przez OrcaRouter po 1,25 USD za milion tokenów wejściowych i 4,25 USD za milion tokenów wyjściowych, więc zespół może uruchamiać mały model na urządzeniu do taniej, prywatnej pracy zawsze włączonej i kierować trudne przypadki do dużego modelu za pomocą tego samego klucza. Ten podział — lokalny uczeń do rutynowej pętli, hostowany nauczyciel do eskalacji — to architektura, którą te dwa wydania faktycznie wspierają, i można ją przetestować w tym tygodniu za cenę GPU, które być może już posiadasz, plus budżet tokenów. Automatyczne przełączanie awaryjne sprawia, że hostowaną połowę można bezpiecznie umieścić na ścieżce produkcyjnej, podczas gdy model wciąż buduje niezależną historię dokonań, i dokładnie w takim stanie znajduje się Glimmer.

Poniższy zrzut ekranu przedstawia kartę modelu w takiej postaci, w jakiej widniała w dniu wydania. Jej wiersz „not deployed by any inference provider” odnosi się do własnej inferencji Hugging Face, która jest czymś odrębnym od hostingu podmiotów trzecich rozpoczętego 9 sierpnia, i jest użytecznym przypomnieniem, jak szybko ten wiersz się zestarzał.

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.

Co obejrzeć

Trzy kwestie, które miały rozstrzygnąć tę historię, w większości się wyjaśniły. Premiera Spark z otwartymi wagami odbyła się 15 października. Niezależny pomiar został przeprowadzony i wskazał, że Q​wen prowadzi w agregacie, Glimmer prowadzi w agentics, a G​emma pozostaje za oboma. Hosting się rozprzestrzenił, a śledzona cena wynosi teraz $0.30 i $1.20 zamiast $0.35 i $1.50.

To, co pozostaje, jest węższe i ciekawsze. Po pierwsze, czy ktokolwiek spoza Meta odtworzy kompromis związany z kwantyzacją — różnice 0,1 pkt i 0,9 pkt są najmocniejszą częścią raportu i najłatwiejsze do sprawdzenia na karcie 24 GB. Po drugie, czy przewaga w zadaniach agentowych przetrwa w środowisku testowym, które nie zostało zbudowane wokół tego modelu; MCP-Atlas na poziomie 75,5 to wynik do pobicia i ten najbardziej narażony na różnice w szkielecie. Po trzecie, czy następne małe wydanie Meta odziedziczy licencję Apache 2.0, czy restrykcyjną Muse Model License, na której wypuszczono Spark Open — ten jeden wybór decyduje o tym, czy linia Glimmer pozostanie użyteczna jako fundament dla produktów innych osób.

Tweet premierowy miał rację co do samej nowiny i był łaskawy w ocenie. Raport techniczny dodaje to, czego brakowało w sierpniu: teraz widać, co zmierzono, na jakim sprzęcie, przez kogo i jakim kosztem jakości. To lepsza podstawa do decyzji niż tabela benchmarków czy tweet — i dlatego ten model wciąż warto uwzględniać w planach, a nie tylko o nim czytać.

Pytania, na które naprawdę warto odpowiedzieć

Czy Muse Glimmer jest naprawdę open source?

To otwarte wagi na licencji Apache 2.0 — każdy może je pobrać, modyfikować, dostrajać i wdrażać komercyjnie bez płacenia Meta. Raport potwierdza również, co faktycznie obejmuje licencja: udostępniono wagi pełnej precyzji, dwa warianty 4-bitowe oraz głowicę draftującą DFlash. Nie udostępniono danych treningowych ani wag nauczyciela Muse Spark, dlatego „otwarte wagi” to ostrożne sformułowanie, a nie w pełni otwarte źródło w rozumieniu OSI. W praktyce umowa jest tą samą, która uczyniła Llama najczęściej wdrażaną otwartą rodziną w AI.

Czy Muse Glimmer naprawdę pokonuje Gemma4-31B i Qwen3.6-27B?

W tabeli samej Meta wygrywa w większości wierszy dotyczących pracy agentowej i wyszukiwania, a aneks metodologiczny pokazuje teraz, które z tych wierszy pochodzą z własnych przebiegów Meta, a które z Artificial Analysis lub z raportów samych konkurentów. Niezależny odczyt jest węższy: w Intelligence Index AA Qwen3.6-27B uzyskuje 21 punktów, a Muse Glimmer 17, przy czym Gemma4-31B ma 15. Trafne stwierdzenie brzmi więc tak: Glimmer prowadzi w swojej klasie rozmiaru pod względem użycia narzędzi, wieloetapowego planowania i wielojęzycznej pracy agentowej, ale nie prowadzi pod względem zagregowanej inteligencji ogólnej ani zadań związanych z obsługą komputera.

Czy mogę to uruchomić na laptopie?

Tylko jeśli „laptop” oznacza komputer z dedykowanym GPU 24 GB lub 32 GB albo wysokiej klasy Maca z taką samą ilością pamięci zunifikowanej. W raporcie podano wagi BF16 na 55,7 GB i wskazano dwa skompresowane profile: 19,65 GB wag dla maszyny z 32 GB oraz mniejszą kompilację Q4_K_M dla 24 GB, oba pozostawiające zapas na pamięć podręczną KV, enkoder percepcji i draftera. Na grafice zintegrowanej lub maszynie z 16 GB mielibyśmy do czynienia z cięższą kwantyzacją i wolnym wyjściem, a nie z zawsze aktywnym agentem, wokół którego zaprojektowano to wydanie.

Gdzie to mogę dostać i czy jest dostępne przez API?

Wagi są dostępne na Hugging Face pod meta-models/Muse-Glimmer-30B, a lokalnie uruchomisz go przez llama.cpp, MLX, ExecuTorch, Ollama lub LM Studio. Dostęp hostowany jest możliwy za pośrednictwem platform firm trzecich w cenie około 0,30 USD za milion tokenów wejściowych i 1,20 USD za milion tokenów wyjściowych, według śledzonych przez Artificial Analysis cen dostawców. Meta nie publikuje własnego hostowanego endpointu Glimmer, a model nie jest dostępny w OrcaRouter — jeśli pojawi się jako hostowana trasa, dotrze do niego ten sam klucz, który dociera do ponad 200 modeli, które routujemy, ale dziś to nieprawda.