Титульная карточка Muse Glimmer: агентная модель Meta с открытыми весами на 30B параметров для локальных GPU, с бейджами Apache 2.0, помещается на GPU с 24–32 ГБ, дистиллирована из Muse Spark 1.2.
Guides & Insights

Muse Glimmer: что технический отчёт Meta на самом деле устанавливает о локальном агенте 30B

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

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.

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).

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 G​emma и 1 141 у Q​wen. Стоит задуматься: в экономически ценной интеллектуальной работе Q​wen 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 Q​wen3.6-27B — это собственный самоотчёт Q​wen. Показатель SWE-Bench Pro для Q​wen — это внутренний запуск Meta, поскольку опубликованное значение Q​wen 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.

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.

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.

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.

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