Muse Glimmer vs DeepSeek V4 Pro: Dwa krańce otwartych wag

Gdzieś w drobnym druku wydania DeepSeek V4 Pro znajduje się liczba, która powinna zaniepokoić każdego, kto uważa, że „tanie otwarte wagi” i „świetne w kodowaniu agentowym” to to samo. W teście DeepSWE, wolnym od skażenia benchmarku, zbudowanym tak, aby opierał się grze na danych treningowych, która nęka oceny inżynierii oprogramowania, DeepSeek V4 Pro — flagowiec z 1,6 biliona parametrów, wykonany w architekturze Mixture-of-Experts, wydany 24 kwietnia 2026 na licencji MIT — uzyskał 8 procent. GPT-5.5 uzyskał 70 w tym samym teście; Claude Opus 4.7 — 54. To najbardziej szkodliwy niezależny punkt danych dołączony do najbardziej udanej historii taniego modelu w branży, a ma znaczenie dla tego pojedynku, ponieważ Muse Glimmer, 30-miliardowy otwarty model agentowy Meta, wydany 10 sierpnia 2026 na licencji Apache 2.0, to model o otwartych wagach, którego cała specyfikacja projektowa dotyczy długoterminowej pracy agentowej mierzonej przez DeepSWE — a jego dotychczasowe wyniki pochodzą wyłącznie od firmy, która go stworzyła.

To porównanie dwóch modeli na przeciwległych krańcach spektrum open-weights, pod wieloma względami, nie tylko rozmiaru. Jeden to datacenterowy MoE, który wynajmujesz za grosze. Drugi to pobranie na komputer, które kosztuje tylko GPU. Jeden ma niezależną historię obejmującą katastrofalny wynik w zadaniach agentowych. Drugi nie ma żadnej niezależnej historii. Ten tekst stawia oba we właściwym świetle i pozwala, by przepaść między „deklarowanym przez producenta” a „potwierdzonym niezależnie” mówiła sama za siebie.

Liczba, która powinna cię niepokoić

DeepSWE warto zrozumieć, zanim przejdzie się do głównych liczb, ponieważ jest to test, który nie nagradza tego, co można zapamiętać. Został zaprojektowany, aby unikać kontaminacji — praktyki oceniania na danych, które model już widział podczas treningu — i uruchamia długie, realistyczne zadania z inżynierii oprogramowania, wymagające ciągłego, wieloetapowego działania, a nie odtwarzania wzorców. Wynik DeepSeek V4 Pro na poziomie 8 procent w tym teście nie jest opinią; to zmierzony rezultat niezależnej ewaluacji i obraz całkowicie odmienny od tego, który maluje tabela samego dostawcy, gdzie ten sam model osiąga 80,6 na SWE-bench Verified, 93,5 na LiveCodeBench oraz rating Codeforces wynoszący 3 206, bijąc 3 168 GPT-5. Przepaść między tymi dwoma obrazami to cała historia tego, dlaczego „otwarte wagi, tanie tokeny” i „dobre kodowanie agentowe” należy weryfikować osobno.

Muse Glimmer nie ma wyniku DeepSWE. Nie ma żadnego niezależnego wyniku jakiegokolwiek rodzaju — model ukazał się dziś rano, a cała jego tabela benchmarków pochodzi od Meta, uruchomiona przez Meta przeciwko konkurencyjnym konfiguracjom, których — jak sama przyznała — nie dostrajała. Uczciwą etykietą dla każdej liczby Glimmera w tym tekście jest „raportowane przez producenta". Jednak konstrukcja modelu jest wymierzona dokładnie w tryb awarii, który obnaża DeepSWE: autonomiczne odzyskiwanie po awariach, plany wieloetapowe, korzystanie z narzędzi w długim horyzoncie czasowym. To, czy ta konstrukcja przetrwa kontakt z niezależnym testem, pozostaje otwartym pytaniem tego pojedynku — i nikt jeszcze nie potrafi na nie odpowiedzieć.

Dwa końce otwartych wag

Zacznij od tego, co „open” oznacza w każdym z tych przypadków, bo to nie to samo. DeepSeek V4 Pro to model MoE o łącznej liczbie 1,6T parametrów (około 49B aktywnych na token), oknie kontekstowym 1M tokenów, maksymalnej liczbie 384K tokenów na wyjściu i wejściu wyłącznie tekstowym — bez wizji. Jego wagi na licencji MIT można pobrać za darmo, ale samodzielne hostowanie to projekt na skalę centrum danych: checkpoint BF16 ma rozmiar rzędu terabajtów, więc w praktyce DeepSeek V4 Pro to coś, co się wynajmuje — korzystając z API DeepSeek lub API innego dostawcy. Muse Glimmer to gęsty model multimodalny o 30B parametrów — tekst plus obraz przez enkoder percepcji — na licencji Apache 2.0, którego czterobitowy checkpoint wraz z drafterem DFlash mieści się w około 19,5 GB. Jeden to model o otwartych wagach, który wdrażasz; drugi to model o otwartych wagach, który pobierasz i uruchamiasz na pojedynczej karcie 24 GB lub 32 GB albo na wydajnym Macu z serii M. W obu przypadkach są to autentycznie otwarte wagi. Poza tym niemal nic ich nie łączy, jeśli chodzi o sposób korzystania z nich.

Rozdwojenie jaźni olbrzyma

Mocną stroną DeepSeek V4 Pro jest izolowany benchmark. Matematyka i wiedza: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Kodowanie w kontrolowanych warunkach: SWE-bench Verified 80.6, LiveCodeBench 93.5. Jego test igły w stogu siana dla długiego kontekstu również jest mocny — 83.5 w MRCR przy 1M tokenów, przed Gemini 3.1 Pro w tym teście. Ale w wierszach mierzących ciągłe wykonywanie zadań agentowych obraz się rozpada. Terminal-Bench 2.0 osiąga 67.9, użycie narzędzi w Toolathlon 51.8, a niezależne rankingi agregatorów umieszczają standardową wersję w środku stawki w kategoriach agentowych i kodowania, nawet gdy wyniki rozumowania pozostają blisko czołówki. Wynik 8 procent w DeepSWE to skrajna postać tego pęknięcia.

Tabela dostarczona przez producenta Muse Glimmer wskazuje w przeciwnym kierunku: jej najmocniejsze wiersze dotyczą zadań agentowych. MCP-Atlas 75.5, DeepSearch QA 74.6, GAIA2 43.3, SWE-bench Verified 76.0, SWE-bench Pro 51.2, Terminal-Bench 2.1 51.7. W porównaniu z liczbami DeepSeek dla zweryfikowanych kodujących — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer przegrywa niemal każdy wiersz, na którym zależy tabeli benchmarków. Modele są dobre w różnych rodzajach zadań, a to, w czym Glimmer twierdzi, że jest dobry, jest dokładnie tym, co według niezależnych danych DeepSeek, podejście taniego giganta psuje.

Ile każdy z nich kosztuje, szczerze.

Opublikowana cena katalogowa DeepSeek V4 Pro wynosi 1,74 USD za milion tokenów wejściowych i 3,48 USD za milion tokenów wyjściowych, a wejście z trafieniem w pamięć podręczną kosztuje około 0,145 USD. Stały rabat DeepSeek — początkowo przedstawiany jako promocyjny, a potem utrzymany — obniża efektywną stawkę do około 0,44 USD za milion tokenów wejściowych i 0,87 USD za milion tokenów wyjściowych, na tyle tanio, że stawka za token niemal przestaje być czynnikiem decydującym, i na tyle tanio, że wyjaśnia to, dlaczego jest to domyślny wybór budżetowy dla dużej części branży. Te ceny są dostępne przez własne API dostawcy oraz na kilku platformach zewnętrznych, a na OrcaRouter są przekazywane dalej z 0% marżą — cena katalogowa dostawcy, bez dodatkowego narzutu — więc obniżka ceny DeepSeek jest widoczna na stronie modelu tego samego dnia, w którym następuje, co jest uczciwym sposobem porównania jej z czymkolwiek innym w katalogu.

Muse Glimmer kosztuje zero za token, a prawdziwym kosztem jest sprzęt: karta graficzna z 24 GB lub 32 GB pamięci, z RTX 5090 jako punktem odniesienia, albo maksymalnie skonfigurowany Mac z serii M. Jeśli go masz, kosztem krańcowym stale działającego lokalnego agenta jest prąd. Jeśli nie, karta graficzna jest pozycją kosztową — a dla wielu zespołów ten jednorazowy zakup jest tańszy niż nawet obniżona stawka DeepSeek przez cały okres działania stale aktywnego agenta, podczas gdy dla innych wygrywa model płatności za token, bo chcą kontekstu 1M i wyjścia 384K, których lokalny model o wielkości 19,5 GB nie może pomieścić. Porównanie cen rozstrzyga się dopiero wtedy, gdy zdecydujesz, w jakim środowisku wdrożenia faktycznie funkcjonujesz.

Polityka pod spodem

Warto nazwać kontekst wprost, bo to on kształtuje to, na ile można ufać tabelom któregokolwiek z dostawców. Esej Zuckerberga towarzyszący premierze Muse Glimmer, „Przyszłość jest dla każdego", wprost wymienił DeepSeek, a także Qwen i Moonshot, jako chińskie laboratoria otwartych modeli, z którymi amerykańskie wydania o otwartych wagach muszą konkurować, i wezwał do poluzowania amerykańskich regulacji dotyczących open-source'owej AI. Meta pozycjonuje Glimmer jako krajową odpowiedź na falę tanich modeli o otwartych wagach. Ta narracja jest realna i to dokładnie ten rodzaj sytuacji, w której testy porównawcze prowadzone przez dostawców zasługują na największy sceptycyzm — obie strony sprzedają narodową historię wraz z modelem. Przeciwwagą jest niezależny pomiar, który dla DeepSeek już istnieje (w tym te 8 procent), oraz niezależny pomiar, którego dla Glimmer jeszcze nie ma.

Kto czym powinien zarządzać?

The two models are not substitutes, and the decision is mostly a deployment-envelope question wearing a benchmark costume. If your workload is token-hungry and context-hungry — massive input, long outputs, math and knowledge at scale — DeepSeek V4 Pro at its discounted rate is one of the best cost-per-capability deals in the catalogue, and its 8-percent DeepSWE result matters less for workloads that are not long-horizon agentic coding. If your workload is an always-on local agent — high-frequency, private, interactive, tool-calling — Muse Glimmer is the shape of the answer, with the caveat that its agentic claims are still entirely self-reported and need an independent test. If your workload is both — and most real agent stacks are — then the two models are two tiers of one system: the local 30B for the fast, private, high-frequency path, and the rented MoE for the long-context heavy lifting.

Co rozstrzygnęłoby to porównanie, w przybliżonej kolejności szybkości: niezależny wynik Glimmera w wolnym od kontaminacji teście długiego horyzontu, takim jak DeepSWE, który jest tą jedną, najbardziej użyteczną liczbą, jakiej brakuje temu starciu; druga niezależna reprodukcja 8 procent DeepSeeka, potwierdzająca, że to nie był przypadkowy rezultat konfiguracji; oraz pierwszy dostawca, który uruchomi endpoint Glimmera, czyli moment, w którym podział na zasoby lokalne i wynajmowane przestaje być hipotetyczny, a staje się czymś, co można podłączyć jednym kluczem. Do tego czasu uczciwe podsumowanie jest krótkie. DeepSeek V4 Pro to gigant o otwartych wagach z udokumentowaną historią tanich tokenów i konkretną, zmierzoną słabością. Muse Glimmer to nowicjusz o otwartych wagach, którego cała propozycja celuje właśnie w tę słabość — a którego jedynym dowodem jak dotąd jest jego własne słowo.