
Muse Glimmer: что технический отчёт Meta на самом деле устанавливает о локальном агенте 30B
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 186 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 за 1 млн токенов · 76 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 за 1 млн токенов · 151 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 246 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 207 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 94 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 за 1 млн токенов · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 104 tok/s
Meta опубликовала технический отчёт по Muse Glimmer 19 октября 2026 года — через семьдесят дней после того, как сама модель вышла 10 августа. Эта задержка объясняет, почему статья важнее обычной публикации: это самый подробный документ Meta об этой модели на данный момент — в нём показана арифметика, стоящая за аргументом в пользу потребительского оборудования, и указано, какие строки бенчмарков Meta прогнала сама, а какие позаимствовала у других. Muse Glimmer — плотная модель с 30 млрд параметров, Apache 2.0, на входе текст и изображения, дистиллированная из фронтирной модели-учителя Meta Muse Spark, и на протяжении всего отчёта она сравнивается по бенчмаркам с Gemma4-31B и Qwen3.6-27B. Отчёт также впервые по-настоящему оценивает стоимость этой дистилляции: 55,7 ГБ весов BF16 сжаты до 19,65 ГБ, чтобы языковая модель помещалась на 32-ГБ карту, причём качественные потери измерены, а не просто заявлены. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и отметку об оспаривании.
Два раскрытия в статье менее лестны, чем блог о запуске. Первое: таблица бенчмарков представляет собой смесь, а не прогон только Meta: четыре строки взяты из Artificial Analysis, два показателя конкурентов — это их собственные самоотчёты, а остальное — внутренние прогоны Meta против конфигураций, которые Meta до сих пор признаёт нетюнингованными под конкурентов. Второе: проверка, которая, как изначально говорилось в этой публикации, займёт недели, уже состоялась. Artificial Analysis оценила Muse Glimmer, и в её текущем индексе модель занимает 17-е место — позади Qwen3.6-27B с 21 и впереди Gemma4-31B с 15. Тем временем обещание, данное Meta вместе с запуском, — открытые веса для гораздо более крупной Muse Spark, — было выполнено 15 октября в виде Muse Spark Open: 816B общих параметров при 42B активных, под лицензией, которая не является Apache 2.0.
Что, согласно отчёту, модель на самом деле собой представляет
Архитектура теперь раскрыта вплоть до форм тензоров, и это объясняет большую часть поведения, о котором спорили. Muse Glimmer насчитывает около 29,6 млрд параметров: примерно 25,16 млрд в 52 трансформерных блоках, 1,34 млрд в несвязанных эмбеддингах токенов, 1,34 млрд в несвязанной выходной проекции и отдельный перцептивный энкодер на 1,8 млрд — ViT-G/14 с 50 слоями при ширине 1536, с патчами 14 пикселей относительно опорной сетки 448 пикселей. Скрытая размерность — 6 656. Внимание — grouped-query: 32 головы запросов против 2 голов ключ-значение в соотношении 16:1, со скользящим окном на 2 048 токенов в повторяющемся шаблоне «три локальных, затем один глобальный», а RoPE применяется только к локальным слоям. Словарь — 202 048 токенов на токенизаторе BPE Llama 4, контекст — 128K+. Дата отсечения знаний — 4 января 2026 года.
Два числа в статье заслуживают большего внимания, чем им уделили в день запуска. Первое — количество языков: в аннотации сказано «более ста языков», в основном тексте — примерно 140, а в приложении указан результат Omnilingual-GAIA2 60,4 против 37,5 у Gemma4-31B и 45,0 у Qwen3.6-27B. Это большой разрыв, и, как и всё остальное в таблице, это собственный прогон Meta. Второе — рецепт обучения. Предварительное обучение — это дистилляция логитов из Muse Spark с использованием топ-256 логитов учителя: KL-дивергенция применяется на первых 95% прогона, а на последних 5% происходит переключение на кросс-энтропию по эталонным целевым меткам, чтобы исправить смещение из-за усечения, которое вносит дистилляция по top-k. На среднем этапе обучения контекст расширяется с 32K до 128K и добавляются данные агентных траекторий; пост-обучение — это дообучение с учителем, затем on-policy-дистилляция, затем многоцелевое обучение с подкреплением. Meta прямо заявляет, что on-policy-дистилляция превзошла рецепт, основанный только на обучении с подкреплением, при таком размере — полезная точка данных для всех, кто обучает собственную небольшую агентную модель.
Бриф продукта не изменился. Meta создала Glimmer для «постоянно активных локальных агентных рабочих процессов» — агента, который вызывает инструменты, следует многошаговым планам, восстанавливается после сбоя вызова, а не останавливается, и может повышать или понижать глубину рассуждений. Предполагаемые задачи — самые что ни на есть рутинные: локальное программирование, вызов функций, управление расписанием, организация файлов, оценка по схеме LLM-as-a-judge. Он работает под управлением таких оркестрационных фреймворков, как OpenClaw, который статья называет по имени как причину, по которой вообще существует спрос на компактных и надёжных агентов для вызова инструментов.
Откуда в утверждении «помещается на вашей видеокарте» берутся цифры
Это тот раздел, ради которого существует технический отчёт, и он держится лучше, чем маркетинг. В BF16 веса занимают 55,7 ГБ. Meta ориентируется на развёртывания с 24 ГБ или 32 ГБ памяти, резервируя место для неквантованного KV-кэша, перцептивного энкодера и драфтера DFlash, и поэтому стремится к тому, чтобы веса языковой модели были менее 20 ГБ. Она оценила семь схем посттренировочной квантизации — GPTQ, AWQ, равномерную NVFP4, равномерную MXFP8, Q4_K_M из llama.cpp, вариант калибровки под названием Greedy-KL и адаптированный EvoPress — по отложенному отрицательному логарифмическому правдоподобию, а затем по 15 нижестоящим бенчмаркам.
Результат — два именованных профиля развертывания, а не одно расплывчатое утверждение о «4-битности». Профиль на 32 ГБ — это EvoPress с 19,65 ГБ весов, и по 15 бенчмаркам он в среднем показывает 75,6% против 75,7% у BF16 — разница в одну десятую пункта. Профиль на 24 ГБ — это Q4_K_M с меньшим объемом, в среднем 74,8%, на девять десятых пункта ниже. Средняя длина ответа меняется с 11 070 токенов у BF16 до 11 417 у EvoPress и 10 774 у Q4_K_M, так что распространенное опасение, что агрессивная квантизация раздувает длину цепочки рассуждений, здесь не подтверждается. Это измерения Meta на оценочном наборе Meta; это самые конкретные цифры соотношения качества и памяти, опубликованные кем-либо для этой модели, и при этом это по-прежнему цифры производителя.
Скорость — единственное, в чём отчёт уступает по подробности публикации в блоге. В отчёте говорится, что 4-битные веса плюс спекулятивное декодирование дают «практические скорости на одном RTX 5090», и драфтер описывается в деталях — пять слоёв, размер блока 16, 32 головы запросов и 8 голов ключ-значение, обучение офлайн на on-policy роллаутах с целевой функцией D-PACE, — но таблица пропускной способности не публикуется. Цифры, которые ходят в обращении, — примерно 3,1-кратное ускорение декодирования на RTX 5090 (с 74,9 до 233 токенов/с в llama.cpp), 1,8-кратное на M5 Max и 1,5-кратное на M4 Max — взяты из материалов Meta к запуску и карточки модели, а не из отчёта. Считайте их заявленными производителем, пока кто-нибудь не воспроизведёт их на своей машине, что для локальной модели — действительно лёгкий эксперимент.
Почему этот релиз важен не только на бумаге
С момента выхода Llama 4 весной 2025 года Meta хранила молчание об открытых весах, отступив к проприетарной передовой линейке в рамках Meta Superintelligence Labs. Muse Glimmer стал публичным возвращением к этой стратегии, и он появился вместе с 14-страничным эссе Цукерберга «Будущее — для всех», утверждающим, что концентрированный контроль и есть настоящий риск ИИ, а также с фондом на $1 млрд с тем же названием. В документе не повторяются политические тезисы; он делает нечто более полезное — показывает, что возвращение к открытым весам не было разовым жестом.
15 октября Meta выпустила веса Muse Spark Open — 816 млрд параметров всего, 42 млрд активных, контекст в 1 млн токенов и, по заявлению Meta, способность работать на двух Apple M5 Ultra Mac Studio с MLX. Это открытовесовая «сестра» учителя, и она отвечает на вопрос, который эта статья изначально оставляла открытым. Ответ идёт со звёздочкой: Muse Spark Open поставляется под лицензией Muse Model License с ограниченными коммерческими условиями, а не под Apache 2.0. Glimmer остаётся более разрешительной из двух и при 30 млрд параметров — единственной из пары, которая помещается в память одной потребительской видеокарты. Позиционирование самой Meta таково: Spark Open — это модель настольного класса для тех, у кого есть связка Mac Studio; Glimmer — для карты на 24 ГБ.
Все приведённые выше показатели Spark Open принадлежат Meta, и утверждение, что она «работает на двух Mac Studio», в частности, не было независимо воспроизведено. Что не оспаривается, так это структура линейки: агентная модель на 30B с разрешительной лицензией, ограниченная флагманская модель на 816B и передовой API-уровень над обеими. Это целостная стратегия открытых весов, а не единичный релиз, и именно это следует закладывать в расчёты при любом решении строить на меньшей модели Meta.

Утверждение «копченый», строка за строкой
Таблица результатов выше была сформирована в день выпуска, и с тех пор одна строка в ней устарела: в её столбце Artificial Analysis для Muse Glimmer по-прежнему указано «no entry». В самой оценочной таблице Meta Muse Glimmer при высокой силе рассуждения сравнивается с Gemma4-31B и Qwen3.6-27B по трём дюжинам строк. Закономерность с дня запуска сохраняется: крупнейшие преимущества — в общем агентном рассуждении, поиске и многоязычной работе.
• MCP-Atlas (агентное использование инструментов) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. По-прежнему главная строка и самый большой разрыв в наборе.
• DeepSearch QA — 74,6 против 61,7 и 71,1; GAIA2 — 43,3 против 36,4 и 40,0; WildClawBench — 47,6 против 37,6 и 43,2.
• GDPval-AA v2 — 953 Elo против 811 у Gemma и 1 141 у Qwen. Стоит задуматься: в экономически ценной интеллектуальной работе Qwen побеждает с большим отрывом.
• SWE-Bench Pro — 51,2 против 36,9 и 50,2; ARC-AGI — 66,9 при высоком уровне рассуждений, 67,9 на новом уровне xhigh, который добавляет отчёт; LiveCodeBench Pro (2025 Q2) — 64,1 при высоком, 66,8 при xhigh.
• τ³-Banking — 23,5 против 15,1 и 16,7; PinchBench (использование инструментов) — 90,5.
Строки, где модель проигрывает, столь же информативны. Qwen3.6-27B лучше справляется с практической работой на компьютере и в терминале: OSWorld-Verified — 75,6 против 65,9 у Glimmer, TerminalBench 2.1 — 60,7 против 51,7, SWE-Bench Verified — 77,2 против 76,0, а в SkillsBench она немного опережает — 46,6 против 44,3. Gemma4-31B демонстрирует лучшие показатели конфиденциальности и безопасности: доля нарушений CIMemories — 12,1% против 26,4% у Glimmer и 53,4% у Qwen, а также самый низкий уровень успешности атак в Siren AgentDojo — 25,6% против 28,4% у Glimmer и 40,3% у Qwen. Gemma также немного опережает в узких тестах на рассуждение: GPQA Diamond — 85,7 против 83,5, а Humanity's Last Exam — 23,6 против 22,0.
Приложение с методологией — это та часть, которая меняет то, как следует читать всё вышесказанное, и корректирует то, что было сказано в этом материале при запуске. Не каждая строка — собственные данные Meta. Для конкурирующих моделей Meta указывает «наиболее благоприятный результат среди самостоятельно заявленных оценок или наших внутренних воспроизведений», а четыре бенчмарка — τ³-Banking, GDPval-AA v2, Terminal-Bench 2.1 и SciCode — взяты из Artificial Analysis, а не получены в ходе внутренних запусков. Показатель SWE-Bench Verified для Qwen3.6-27B — это собственный самоотчёт Qwen. Показатель SWE-Bench Pro для Qwen — это внутренний запуск Meta, поскольку опубликованное значение Qwen было получено на усовершенствованной версии бенчмарка, а Meta оценивала исходный набор задач. В остальных случаях Meta воспроизводит конкурентов самостоятельно и отмечает, что её агентные инструменты и системные промпты «могут быть не специально настроены для проприетарных сторонних моделей».
Это более осторожное раскрытие информации, чем предлагал блог о запуске, и у него есть двоякие последствия. Это не безоговорочная победа вендора по всем пунктам, что повышает доверие к таблице. Но правило «наиболее благоприятный результат из самоотчёта и нашего воспроизведения» может помочь конкуренту только в тех строках, где его собственное число выше, а оговорка Meta о неоптимизированной конфигурации по-прежнему относится к каждой строке, которую она сгенерировала сама. Детализация по строкам теперь поддаётся аудиту, чего и хочется; направление смещения по статье полностью определить нельзя.
Что говорит независимое табло
Artificial Analysis теперь оценила модель, что снимает оговорку «независимого результата пока нет», сопровождавшую этот материал в течение августа. В текущем индексе AA Muse Glimmer при высокой силе рассуждений имеет Intelligence Index 17 и занимает 14-е место из 141 модели в своей сравнительной выборке. Qwen3.6-27B находится на отметке 21, а Gemma4-31B — на 15. AA также измеряет 137 выходных токенов в секунду при времени до первого токена 0,91 с — быстро для этого класса, 16-е место из 64 — и стоимость около $0,06 за задачу Intelligence Index.
Абсолютные значения требуют оговорки, а рейтинг — нет. В публикации AA, посвящённой неделе релиза, те же три модели получили в её индексе 35, 38 и 30; на текущих страницах моделей у них указаны 17, 21 и 15. Абсолютные числа изменились, порядок — нет. Какова бы ни была причина пересчёта, устойчивый факт в обоих прочтениях — это рейтинг: Qwen опережает Glimmer по совокупному показателю, Glimmer опережает Gemma, а Glimmer лидирует в строках, специфичных для агентных задач. Это подкрепляет более узкое утверждение, чем «лидирует среди сопоставимых по размеру открытых моделей» — по индексу общего интеллекта модель 27B из апреля всё ещё выигрывает — и именно более узкое утверждение является точным.
Оценка AA, приуроченная к неделе выпуска, добавила вывод, который стоит учитывать в дальнейшем: уровень галлюцинаций 82% у Muse Glimmer против 49% у Qwen3.6-27B при индексе AA-Omniscience −33. Для агента, который работает без присмотра на вашей машине и вызывает инструменты, именно это число должно определять, сколько автономии ему давать, в большей степени, чем MCP-Atlas. AA также теперь помечает Qwen3.6-27B как устаревшую в пользу Qwen3.8-27B, поэтому соперник, с которым Glimmer сравнивают в большей части этой таблицы, больше не является текущей моделью своего производителя — деталь, которую сравнение Meta не могло предусмотреть в августе и которую отчёт, опубликованный в октябре, не рассматривает.
Приведённый ниже снимок — это страница сравнения в том виде, в каком она была до того, как Glimmer получил оценку; поэтому на ней показан состав участников, в который входил Glimmer, а не сам Glimmer в нём. Воспринимайте это как базовый уровень до проверки, а не как текущие результаты.

Сколько на самом деле стоит эксплуатация
Сам Muse Glimmer бесплатен — Apache 2.0, никакой платы за токены, никаких выплат Meta, и в отчёте подтверждается, что релиз включает веса полной точности, 4-битные варианты и спекулятивную голову DFlash. Стоимость — это железо под ним. BF16 требует 55,7 ГБ, то есть либо две карты, либо ни одна из потребительских. Профиль EvoPress на 32 ГБ — тот, который стоит хотеть, если вы покупаете: он стоит 0,1 пункта средней точности по сравнению с BF16 и помещается на одну карту с 32 ГБ или на топовый Mac с унифицированной памятью. Профиль Q4_K_M на 24 ГБ стоит 0,9 пункта и помещается на карту класса RTX 5090, что является разумным компромиссом для агента, работающего непрерывно.
Если вы предпочитаете арендовать, а не покупать, отслеживаемая ставка за хостинг теперь ниже той, что эта страница указывала в августе. Artificial Analysis фиксирует $0.30 за миллион входных токенов и $1.20 за миллион выходных для Muse Glimmer — против $0.35 и $1.50, которые были в первых листингах при выпуске, — со скидкой 87% за кэш и смешанной ставкой около $0.21. Это рыночные ставки, указанные провайдерами, а не цена Meta: Meta не публикует собственный хостинговый endpoint Glimmer, а её документация для разработчиков написана с расчётом на то, что вы направите свой инструментарий на локальный сервер Muse Glimmer. Связано ли это изменение со снижением цен тем же провайдером или с присоединением к отслеживаемому набору более дешёвого провайдера, индекс не показывает; в любом случае направление для релиза с открытыми весами предсказуемо.
Сравнение, которое стоит проводить внимательно, — это по-прежнему локальный вариант против хостингового, и оно не настолько близко, как намекает маркетинг. Карта на 32 ГБ — это фиксированная стоимость, которая амортизируется на каждом токене, который вы когда-либо сгенерируете; ставка хостинга — это маржинальная стоимость, которая масштабируется с объёмом и исчезает, если провайдер исчезнет. При $0,30 и $1,20 хостинговый путь достаточно дёшев, чтобы большинству команд стоило начать с него, прежде чем покупать оборудование, а локальный путь выигрывает только тогда, когда токены не могут покидать машину или объём достаточно высок, чтобы GPU обходился дешевле счёта.
Одно замечание о нас, поскольку оно влияет на то, как вы могли бы оценивать стоимость всего этого. Muse Glimmer отсутствует в каталоге OrcaRouter — мы маршрутизируем хостинговые API, а эта модель ещё не стала хостинговым маршрутом, поэтому наценка 0% и схема «один ключ для всего» сегодня к ней не применяются. Что применяется, так это дисциплина: для более 200 моделей, которые мы маршрутизируем, отображаемая цена — это цена из прайс-листа провайдера, передаваемая с наценкой 0%, поэтому снижение цены поставщиком действует здесь в тот же день, а не после пересчёта маржи. Именно этому стандарту должно соответствовать данное сравнение, как бы вы ни запускали Glimmer.
Как бы вы на самом деле использовали это на этой неделе
Поскольку модель поставляется с открытыми весами, доступ к ней — это скачивание. Базовый репозиторий — meta-models/Muse-Glimmer-30B на Hugging Face, вместе с ним опубликованы 4-битные варианты и сборка GGUF. Поддержка сред выполнения в день релиза была у llama.cpp, MLX и ExecuTorch; Ollama, LM Studio, vLLM и SGLang появились в течение нескольких дней, а работы по аппаратной оптимизации перечислены для AMD, Arm, Dell, Intel и Nvidia. Практический путь для большинства не изменился: скачайте GGUF, загрузите его в llama.cpp или локальный раннер, нацельте на него агентный каркас и начните с профиля Q4_K_M на 24 ГБ, если только у вас нет лишних 32 ГБ для варианта EvoPress.
Если вы решаете, строить ли на нём, честная формулировка такова: Glimmer — хороший локальный агент с документированным порогом качества, измеренной проблемой галлюцинаций и таблицей бенчмарков от поставщика, которая теперь частично поддаётся аудиту. Учитель — это отдельная история: Muse Spark 1.2 можно маршрутизировать через OrcaRouter по цене $1,25 за миллион входных и $4,25 за миллион выходных токенов, поэтому команда может запускать небольшую модель на устройстве для дешёвой, приватной, постоянно включённой работы, а сложные случаи направлять большой модели по тому же ключу. Это разделение — локальный ученик для рутинного цикла, размещённый учитель для эскалации — и есть архитектура, которую фактически поддерживают два релиза, и её можно протестировать на этой неделе за цену GPU, который у вас, возможно, уже есть, плюс бюджет токенов. Автоматическое переключение при сбое — это то, что делает размещённую половину безопасной для производственного пути, пока модель ещё нарабатывает независимую историю, и именно в таком состоянии находится Glimmer.
Скриншот ниже — это карточка модели в том виде, в каком она была в день релиза. Её строка «не развёрнута ни одним провайдером инференса» относится к собственному первопартийному инференсу Hugging Face, который представляет собой нечто отдельное от стороннего хостинга, начавшегося 9 августа, и это полезное напоминание о том, как быстро эта строка устарела.

Что посмотреть
Три обстоятельства, которые должны были поставить точку в этой истории, в основном прояснились. Релиз открытых весов Spark состоялся 15 октября. Независимое измерение состоялось, и оно показало, что Qwen лидирует по совокупному показателю, Glimmer — по агентным задачам, а Gemma отстаёт от обеих. Хостинг получил более широкое распространение, и отслеживаемая цена теперь составляет $0.30 и $1.20 вместо $0.35 и $1.50.
Что остаётся — это более узкие и более интересные вопросы. Во-первых, воспроизведёт ли кто-нибудь за пределами Meta компромисс квантования: разрывы в 0,1 и 0,9 пункта — самая сильная часть отчёта и то, что проще всего проверить на 24-ГБ карте. Во-вторых, сохранится ли преимущество в агентных задачах на испытательном стенде, который не строился вокруг модели; MCP-Atlas с 75,5 — это число, которое нужно побить, и оно наиболее подвержено различиям в скаффолде. В-третьих, унаследует ли следующая небольшая версия Meta лицензию Apache 2.0 или ограничительную Muse Model License, под которой вышла Spark Open, — этот единственный выбор решает, останется ли линейка Glimmer пригодной в качестве основы для чужих продуктов.
Твит о запуске правильно изложил новость и был щедр в оценке. Технический отчёт добавляет то, чего не хватало в августе: теперь видно, что измерялось, на каком оборудовании, кем и какой ценой в плане качества. Это лучшая основа для решения, чем таблица бенчмарков или сам твит, и именно поэтому эту модель всё ещё стоит учитывать при планировании, а не просто читать о ней.
Вопросы, на которые действительно стоит отвечать
Действительно ли Muse Glimmer имеет открытый исходный код?
Это открытые веса под лицензией Apache 2.0 — любой может скачать, модифицировать, дообучать и коммерчески развёртывать их без выплат Meta. В отчёте также подтверждается, что именно покрывает лицензия: веса полной точности, два 4-битных варианта и головка драфтера DFlash — всё выпущено. Не выпущены обучающие данные и веса учителя Muse Spark, поэтому «открытые веса» — это осторожная формулировка, а не полностью открытый исходный код в смысле OSI. С практической точки зрения сделка та же, что сделала Llama самым широко развёрнутым открытым семейством в области ИИ.
Действительно ли Muse Glimmer превосходит Gemma4-31B и Qwen3.6-27B?
В собственной таблице Meta он выигрывает большинство строк по агентным задачам и поиску, а приложение с методологией теперь показывает, какие из этих строк были прогонами Meta, а какие — из Artificial Analysis или из собственных отчётов конкурентов. Независимая оценка более узкая: в Intelligence Index от AA Qwen3.6-27B набирает 21, а Muse Glimmer — 17, при этом у Gemma4-31B — 15. Таким образом, точная формулировка такова: Glimmer лидирует в своём размерном классе по использованию инструментов, многошаговому планированию и мультиязычной агентной работе, но не лидирует по совокупному общему интеллекту или по задачам работы с компьютером.
Можно ли запустить это на ноутбуке?
Только если под «ноутбуком» имеется в виду модель с дискретной видеокартой на 24 или 32 ГБ либо высококлассный Mac с таким же объёмом унифицированной памяти. В отчёте указано, что веса BF16 занимают 55,7 ГБ, и рассматриваются два сжатых профиля: 19,65 ГБ весов для машины с 32 ГБ и более компактная сборка Q4_K_M для 24 ГБ, причём в обоих случаях остаётся запас для KV-кэша, кодировщика восприятия и драфтера. На встроенной графике или на машине с 16 ГБ вы столкнётесь с более тяжёлым квантованием и медленным выводом, а не с постоянно работающим агентом, под который рассчитан этот релиз.
Где это взять, и доступно ли это через API?
Веса опубликованы на Hugging Face по адресу meta-models/Muse-Glimmer-30B, а локально модель можно запускать через llama.cpp, MLX, ExecuTorch, Ollama или LM Studio. Доступ через хостинг предоставляется сторонними платформами примерно за $0,30 за миллион входных токенов и $1,20 за миллион выходных — согласно отслеживаемым Artificial Analysis ценам провайдеров. Meta не публикует собственный хостинговый эндпоинт Glimmer, и модель отсутствует на OrcaRouter — если она появится как хостинговый маршрут, тот же ключ, который открывает доступ к более чем 200 моделям, маршрутизируемым у нас, будет открывать доступ и к ней, но сегодня это не так.
Сравнение в этой статье1
Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно
