Muse Glimmer: 30B-параметрическая агентная модель Meta с открытыми весами заявляет, что превосходит Gemma4-31B и Qwen3.6-27B

Один пост в X утром 10 августа 2026 года выразил это более прямо, чем любой пресс-релиз: «Святая мета вернулась». Релиз, на который отреагировал этот пост, — Muse Glimmer, первая модель Meta с открытыми весами со времён Llama 4, — вышел в тот же день, и собственный анонс Meta почти столь же агрессивен, как и твит. Таблица бенчмарков модели с 30 миллиардами параметров утверждает, что она превосходит Gemma4-31B от Go​ogle в 19 из 24 строк и Qwen3.6-27B от Alibaba в 14 из 24; главным показателем при этом выступает агентный бенчмарк MCP-Atlas, где Meta сообщает о 75,5 против 54,2 и 62,5 соответственно.

Прежде чем «smoked» станет фактом в вашей голове, обратите внимание, кто предоставил эти цифры. Каждый балл в таблице Meta был получен самой Meta при сравнении с конкурирующими моделями, настройки которых, как признала сама Meta, не были ею оптимизированы. Muse Glimmer пока отсутствует на Artificial Analysis — независимом рейтинге, который отслеживает именно этот класс размеров, — где Qwen3.6-27B в настоящее время имеет индекс интеллекта 46, а Gemma4-31B находится на уровне 39. Таким образом, это одновременно две истории: действительно значимый выпуск открытых весов от Meta и заявление о бенчмарках, которое потребует недель для проверки. В этом материале они разделены.

Что такое Muse Glimmer на самом деле

Muse Glimmer — это плотная мультимодальная модель с 30B параметров — ввод текста и изображений через специальный энкодер восприятия — обученная на более чем 100 языках и выпущенная под либеральной лицензией Apache 2.0. Ее веса доступны на Hugging Face по адресу meta-models/Muse-Glimmer-30B. Это дистиллированная версия более крупного проприетарного флагмана Meta, Muse Spark 1.2, и рецепт обучения это подтверждает: логит-дистилляция от учителя на этапе предобучения, промежуточное обучение на длинноконтекстных данных с большим количеством агентных сценариев, затем контролируемая тонкая настройка в сочетании с on-policy дистилляцией и обучением с подкреплением.

Описание продукта настолько же конкретно, насколько конкретна сама технология. Meta создала Glimmer для «постоянно активных локальных агентных рабочих процессов» — агента, который живёт на вашем устройстве и может вызывать инструменты, следовать многошаговым планам, восстанавливаться после сбоя вызова инструмента, а не останавливаться, а также повышать или понижать уровень усилий на рассуждение. Целевые задачи — самые неприглядные: локальное программирование, вызов функций, управление расписанием, организация файлов, оценка «LLM в роли судьи». Он совместим с фреймворками оркестрации агентов, такими как OpenClaw, — именно так многие и будут его запускать.

Аппаратная часть — это вторая половина презентации. При полной точности модель на 30B параметров требует более 55 ГБ памяти; 4-битное квантование Meta (примерно 4 бита) снижает этот показатель до примерно 17–20 ГБ, что умещается на потребительских видеокартах на 24 ГБ или 32 ГБ (эталон — RTX 5090) и на топовых Mac с унифицированной памятью. Черновик спекулятивного декодирования — небольшая вспомогательная модель, которую Meta называет DFlash, — ускоряет генерацию: Meta сообщает о примерно 3,1x на RTX 5090 (с 74,9 до 233 токенов/сек в llama.cpp), 1,8x на M5 Max и 1,5x на M4 Max, где унифицированная память уже менее ограничена по пропускной способности.

Почему этот релиз важен не только на бумаге

Твит верно уловил суть. После выхода Llama 4 весной 2025 года Meta замолчала на тему открытых весов, отступив на проприетарный передний край под руководством Meta Superintelligence Labs и главного директора по ИИ Александра Ванга. Muse Glimmer — это публичное возвращение к стратегии открытых весов, которая сделала Llama самым скачиваемым семейством моделей в ИИ, — и оно сопровождалось самым сильным на сегодняшний день сигналом о намерениях: Цукерберг опубликовал 14-страничное эссе «Будущее для всех» одновременно с запуском, утверждая, что реальный риск ИИ — это концентрированный контроль и что открытые веса — это то, как Америка сохраняет конкурентоспособность с китайскими лабораториями открытых моделей. Он призвал к ослаблению регулирования открытого ИИ в США, и Meta объявила о фонде «Будущее для всех» в $1 млрд. Meta также сообщила, что планирует выпустить веса гораздо более крупной модели Muse Spark 1.2 «в ближайшие недели».

Этот контекст меняет то, как следует читать таблицу бенчмарков. Это не тихая лабораторная новинка; это стратегическое заявление с приложенной моделью. Glimmer — это позиция «дешёвого локального агента» в линейке Meta, намеренно подрывающая аргумент о том, что серьёзная агентная работа требует облачного API. Действительно ли она это обеспечивает — именно это и есть вопрос проверки.

Утверждение «копченый», строка за строкой

Таблица Meta сравнивает Muse Glimmer с Gemma4-31B и Qwen3.6-27B по 24 строкам бенчмарков. Там, где она заявляет о самых больших преимуществах, закономерность неизменна: общее агентное рассуждение и поиск.

• MCP-Atlas (агентное использование инструментов) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. Это главная строка и самый большой разрыв в наборе.

• DeepSearch QA — 74,6 против 61,7 и 71,1.

• GAIA2 (универсальный ассистент) — 43.3 против 36.4 и 40.0.

• WildClawBench (агентный набор) — 47.6 против 37.6 и 43.2.

• SWE-Bench Pro — 51.2 против 36.9 и 50.2. Обратите внимание на третье число: 50.2 — это собственное измерение Meta для Qwen3.6-27B, тогда как собственный опубликованный показатель Alibaba — 53.5. Одна и та же модель, две разные оценки в зависимости от того, кто её тестировал.

• AIME 2026 — 94.7, IFBench 77.0 и AA-LCR 80.0 против 68.3 у Ge​mma.

Это сильная строка. Но таблица — не полный триумф, и строки, где Muse Glimmer проигрывает, не менее информативны, чем те, где она выигрывает. Qwen3.6-27B удерживает позиции в практическом использовании компьютера и работе с терминалом: SWE-Bench Verified 77,2 против 76,0 у Glimmer, OSWorld-Verified 75,6 против 65,9 и TerminalBench 2.1 60,7 против 51,7, плюс стабильное преимущество в мультимодальных тестах, таких как ScreenSpot Pro, OmniDocBench и MMMU-Pro. Gemma4-31B, в свою очередь, показывает лучшие результаты по безопасности по двум метрикам, которые приводит Meta, — самый низкий уровень нарушений на CI Memories и самый низкий процент успешных атак на Siren AgentDojo — и немного опережает в узких тестах на рассуждение (GPQA Diamond, Humanity's Last Exam).

Если понимать буквально, утверждение Meta — «обходит двух других по большинству агентных бенчмарков», и на её собственной таблице это примерно так и есть. Суть в оговорках. Meta сама запустила каждую строку и признала, что её тестовые настройки для конкурирующих моделей не были оптимизированы так, как её собственная. Это не обвинение в мошенничестве — неоптимизированные настройки соперников в этой отрасли обычный, даже ожидаемый грех, — но именно поэтому таблицы, составленные вендором, требуют независимого подтверждения. Расхождение с Q​wen SWE-Bench Pro выше — это вся проблема в миниатюре.

Что говорит независимое табло

Artificial Analysis пока не включает Muse Glimmer в свой список — модели всего несколько дней, а индекс AA строится на своих собственных прогонах, которые требуют времени. Но AA всё же отслеживает обоих конкурентов, что даёт вам измеренные данные о конкурентном поле, в которое, как утверждает новичок, он входит. Согласно текущему индексу, Qwen3.6-27B имеет индекс интеллекта 46; по описанию AA, это самая интеллектуальная модель с открытыми весами и менее чем 150B параметров; Gemma4-31B находится на отметке 39. Это независимые цифры, а не заявления производителей.

Независимый анализ также вскрывает нюанс затрат, который скрывают заголовочные цифры. Данные AA об эффективности показывают, что Qwen3.6-27B генерирует около 54,6 токенов/сек против 34,8 у Gemma4-31B, при этом время до первого токена у Ge​mma меньше — но Q​wen расходует примерно в 3,7 раза больше выходных токенов на прогон полного индекса, что делает оценку end-to-end примерно в 21 раз дороже. Токенозатратные модели в реальном мире обходятся дороже, даже если их показатели в бенчмарках лучше, — и это входной параметр для принятия решений, который ни одна таблица вендора добровольно не покажет.

Итак, честное состояние дел на момент написания таково: сильный результат, заявленный вендором; никакого независимого результата для Muse Glimmer пока нет вовсе; а конкурентное поле независимо измеряется и разделяется по задачам. «Smoked Ge​mma and Q​wen» — это заявление, имеющее право на существование, но это пока не подтверждённый результат. Маркеры верификации, за которыми стоит следить, — это запись в индексе AA, LMArena Elo и воспроизведения сообществом; всё это обычно появляется в течение нескольких недель после подобного релиза.

Сколько на самом деле стоит эксплуатация

Muse Glimmer бесплатен — Apache 2.0, без платы за токен, без выплат Meta. Стоимость — это оборудование, на котором вы его запускаете. Модель на 30B параметров в 4-битном формате требует около 17–20 ГБ постоянной памяти плюс место для KV-кэша, энкодера восприятия и драфтера DFlash, поэтому сама Meta рекомендует карту на 24 или 32 ГБ или топовый Mac. Если у вас есть такое оборудование, предельные затраты на постоянно работающего локального агента — это по сути электроэнергия. Если нет, то видеокарта на 24 ГБ или максимальная M-серия Mac — это уже существенная статья расходов, а с 9 августа появился третий вариант: аренда. Первые публикации размещённого API, доступные с этой даты, оценивают Muse Glimmer в $0,35 за миллион входных токенов и $1,50 за миллион выходных токенов при окне контекста в 131K. Это тариф, указанный провайдером на маркетплейсе, а не цена Meta, но именно эту сумму вы реально можете заплатить сегодня, если не хотите покупать оборудование.

Именно это сравнение и стоит провести тщательно, потому что «открытые веса, нулевая цена» встречаются с «хостинговым API, оплата за токен» на совершенно разных условиях. Когда вы считаете цифры, честно оценивайте обе стороны. Со своей стороны, в OrcaRouter цена, которую вы видите для любой из 200+ хостинговых моделей, — это цена поставщика, переданная без наценки (0%), так что снижение цены вендором отражается здесь в тот же день, а не после пересчёта маржи — что делает сравнение локального и хостингового вариантов прямым. Сама Muse Glimmer пока не входит в число этих 200+ моделей, поэтому данная сквозная передача цены на неё сегодня не распространяется. Но суть — в дисциплине: способ оценить непроверенную open-weight модель — это ваш собственный трафик, а не таблица вендора, и маршрутизирующий DSL существует именно для того, чтобы провести такое сравнение, когда модель окажется за API, который можно вызывать.

Как бы вы на самом деле использовали это на этой неделе

Поскольку модель распространяется с открытыми весами, «доступ» — это не регистрация, а загрузка. Основной репозиторий — meta-models/Muse-Glimmer-30B на Hugging Face, где уже опубликован вариант GGUF, а варианты с квантизацией появляются от сторонних разработчиков. В первый день поддерживались среды выполнения llama.cpp, MLX и ExecuTorch; в последующие дни появились интеграции с Ollama, LM Studio, vLLM и SGLang, а в список работ по оптимизации оборудования вошли AMD, Arm, Dell, Intel и Nvidia. Практический путь для большинства пользователей таков: скачать GGUF, загрузить его в llama.cpp или локальный раннер и подключить к нему агентный каркас. Meta не предоставляет публичного API для самой Glimmer, и локальный путь — именно тот, вокруг которого строилась модель, — но облачный путь больше не гипотетический: сторонние платформы начали обслуживать её 9 августа, так что теперь доступны оба варианта: «скачать и запустить» и «вызвать API».

Одно честное замечание конкретно о нас: Muse Glimmer пока недоступна через OrcaRouter. Мы маршрутизируем размещённые API, и на момент этого обновления модели в нашем каталоге нет — условия «0% наценки» и «один ключ для всего» распространяются на 200+ моделей, которые мы маршрутизируем, и этой среди них пока нет. Когда она появится, тот же ключ, что работает с остальным каталогом, будет работать и с ней без нового контракта, а автоматический переход на резервный канал (failover) — это механизм, который позволяет безопасно направлять реальный трафик на совершенно новую модель от вендора, прежде чем у неё появится собственная история эксплуатации. Это же причина существования DSL маршрутизации: непроверенная модель должна заслужить прод-путь на ваших данных, а не на собственном пресс-релизе.

Ниже приведён скриншот карточки Hugging Face в том виде, в каком она была в день релиза — строка «not deployed by any inference provider» относится к собственному инференсу первой стороны Hugging Face, что является отдельной вещью от сторонних списков хостинг-API, которые появились 9 августа.

Что посмотреть

Три вещи поставят точку в этой истории, примерно в порядке скорости. Во-первых, обещанный релиз Muse Spark 1.2 с открытыми весами — если учитель выйдет в {{1}}"ближайшие недели,"{{/1}} Glimmer перестанет быть разовой историей и станет началом полноценной линейки моделей с открытыми весами, что и есть настоящий стратегический смысл "Meta вернулась". Во-вторых, независимые измерения: появление в индексе Artificial Analysis, позиция в LMArena и воспроизведение результатов сообществом покажут, переживёт ли утверждение "19 из 24" контакт с тем, кто не является Meta. В-третьих, волна хостинга — она уже началась. Провайдеры начали предоставлять Glimmer 9 августа, так что вопрос "локально или в облаке" теперь стал реальным выбором, который можно сделать с помощью одного API-ключа; остаётся следить за тем, насколько широко распространится хостинг и что произойдёт с ценой за токен, когда улетучится новизна первой недели релиза.

Твит оказался прав насчёт новостей. Насчёт вердикта — прав ли он, это вопрос на несколько недель, и честная позиция сейчас такова: никто за пределами Meta не прогнал достаточно, чтобы знать. Что уже точно, так это то, что 30B-агентная модель под Apache-2.0, которая помещается на потребительский GPU и подкреплена полным стратегическим продвижением, — это релиз, под который стоит планировать, какими бы ни оказались её независимые оценки.

Вопросы, на которые действительно стоит отвечать

Действительно ли Muse Glimmer имеет открытый исходный код?

Это открытые веса под разрешительной лицензией Apache 2.0 — любой может скачать, модифицировать, дообучить и коммерчески развернуть их, не платя Meta. Формулировка намеренно говорит об «открытых весах», а не о полностью открытом исходном коде в понимании OSI, поскольку обучающие данные, веса учительской модели Muse Spark и часть инструментов в комплект не входят. С практической точки зрения — вы можете запускать их, поставлять и продавать продукт на их основе — это та же схема, которая сделала Llama самым широко распространённым открытым семейством моделей в ИИ.

Действительно ли Muse Glimmer превосходит Gemma4-31B и Qwen3.6-27B?

На собственной таблице Meta — да, по большинству агентных и поисковых бенчмарков, с оговорками, что Meta сама проводила сравнение и не настраивала конфигурации конкурентов. Если смотреть честно, картина более конкретна: Meta выигрывает в строках агентных рассуждений, Qwen3.6-27B — в практическом использовании компьютера и работе с терминалом, а также в большинстве мультимодальных тестов, а Gemma4-31B демонстрирует лучшие показатели безопасности. По состоянию на день релиза для Muse Glimmer вообще нет независимой записи в индексах, так что считайте заявление 19 из 24 сообщённым разработчиком, пока кто-то другой не проведёт собственный тест.

Можно ли запустить это на ноутбуке?

Только если под «ноутбуком» подразумевается машина с дискретным GPU на 24–32 ГБ или топовый Mac на M-серии с достаточным объёмом унифицированной памяти — для 4-битной Muse Glimmer нужно примерно 17–20 ГБ плюс запас под KV-кэш, перцептивный энкодер и DFlash-драфтер. Для большинства людей это серьёзная покупка, и именно она является скрытой стоимостью «бесплатной» модели. На встроенной графике или на машине с 16 ГБ вы получите сильную квантизацию и медленный вывод, а не постоянно работающего агента, ради которого и создавался этот релиз.

Где я могу это получить — это через API?

Веса доступны на Hugging Face по адресу meta-models/Muse-Glimmer-30B (включая GGUF-вариант), и вы можете запускать модель локально через llama.cpp, MLX, ExecuTorch или локальные раннеры, которые уже интегрируют её. Доступ к хостингованному API также открыт — с 9 августа через сторонние платформы по указанной цене $0,35 за миллион входных токенов и $1,50 за миллион выходных токенов. Так что вам больше не нужна видеокарта на 24 ГБ, чтобы использовать модель. Сама Meta по-прежнему не предоставляет публичного API для Glimmer, и в OrcaRouter модель тоже пока не появилась. Когда она попадёт в наш каталог, тот же ключ, что открывает доступ к остальному каталогу, откроет и её; до тех пор есть два честных пути — локальный инференс или сторонняя хостинговая платформа.