Muse Glimmer против DeepSeek V4 Pro: Два полюса открытых весов

Где-то в мелком шрифте релиза DeepSeek V4 Pro есть число, которое должно насторожить любого, кто считает, что «дешёвые открытые веса» и «отличное агентное написание кода» — это одно и то же. На DeepSWE — бенчмарке без контаминации, созданном для защиты от манипуляций с обучающими данными, от которых страдают бенчмарки в программной инженерии, — DeepSeek V4 Pro — флагманская модель Mixture-of-Experts с 1,6 триллиона параметров, выпущенная 24 апреля 2026 года под лицензией MIT, — набрала 8 процентов. GPT-5.5 набрала 70 на том же тесте; Claude Opus 4.7 — 54. Это самый разрушительный независимый показатель, связанный с самой успешной историей дешёвых моделей в индустрии, и он важен для этого противостояния, потому что Muse Glimmer — агентная модель Meta с открытыми весами на 30 млрд параметров, выпущенная 10 августа 2026 года под лицензией Apache 2.0, — это модель с открытыми весами, весь замысел которой — долгосрочная агентная работа, которую измеряет DeepSWE, и единственные оценки которой на данный момент были проведены компанией, которая её создала.

Итак, это сравнение двух моделей с противоположных концов спектра открытых весов, и различия не ограничиваются размером. Одна — датацентровая MoE-модель, которую арендуешь за копейки. Другая — десктопная загрузка, которая ничего не стоит, кроме GPU. У одной есть независимый послужной список, включающий катастрофический результат в агентных задачах. У другой нет никакого независимого послужного списка. Этот материал расставляет обе по местам и позволяет разрыву между «заявленным вендором» и «показанным независимо» говорить самому за себя.

Число, которое должно вас беспокоить

DeepSWE стоит понять, прежде чем обращать внимание на любые громкие цифры, потому что это тест, который не вознаграждает то, что можно зазубрить. Он был разработан, чтобы избежать контаминации — практики оценивания на данных, которые модель уже видела в обучении, — и выполняет длинные реальные задачи из области разработки ПО, требующие устойчивого многошагового выполнения, а не воспроизведения паттернов. 8 процентов DeepSeek V4 Pro там — это не мнение; это измеренный результат независимой оценки, и это совершенно иная картина по сравнению с той, что рисует собственная таблица вендора, где та же модель показывает 80,6 на SWE-bench Verified, 93,5 на LiveCodeBench и рейтинг Codeforces 3 206, превосходящий 3 168 у GPT-5. Разрыв между этими двумя картинами — вся суть истории о том, почему «открытые веса, дешёвые токены» и «хорош в агентном кодинге» должны проверяться отдельно.

У Muse Glimmer нет оценки DeepSWE. У неё нет вообще никакой независимой оценки — она вышла сегодня утром, и вся её таблица бенчмарков — это собственная таблица Meta, составленная Meta в ходе тестов против конкурирующих конфигураций, которые она, по собственному признанию, не настраивала. Честная подпись под каждым числом Glimmer в этом материале — «данные вендора». Но архитектура модели нацелена ровно на тот сценарий отказа, который вскрывает DeepSWE: автономное восстановление после сбоев, многошаговые планы, длительные цепочки работы с инструментами. Выдержит ли такая конструкция контакт с независимым тестом — вот главный открытый вопрос этого противостояния, и ответа на него пока нет ни у кого.

Два конца открытых весов

Начнём с того, что значит «{{1}}открытость{{/1}}» для каждой из них, потому что это не одно и то же. DeepSeek V4 Pro — это MoE с суммарным объёмом параметров 1,6 трлн, из которых около 49 млрд активны на каждый токен, окном контекста в 1 млн токенов, до 384 тыс. выходных токенов и только текстовым входом — без визуального ввода. Его веса под лицензией MIT можно свободно забрать, но самостоятельный хостинг — это задача уровня дата-центра: чекпойнт в формате BF16 весит порядка терабайт, так что на практике DeepSeek V4 Pro — это то, что арендуют: через API DeepSeek или стороннего провайдера. Muse Glimmer — это плотная мультимодальная модель на 30 млрд параметров — текст плюс изображение через энкодер восприятия — под лицензией Apache 2.0, чей четырёхбитный чекпойнт вместе с драфтером DFlash умещается примерно в 19,5 ГБ. Одна — это модель с открытыми весами, которую вы разворачиваете; другая — модель с открытыми весами, которую вы скачиваете и запускаете на одной видеокарте на 24 или 32 ГБ либо на мощном Mac с чипом M-серии. Обе — это действительно {{2}}открытые веса{{/2}}. Во всём остальном, что касается того, как вы будете их использовать, общего у них почти ничего нет.

Раздвоение личности гиганта

Сильная сторона DeepSeek V4 Pro — изолированные бенчмарки. Математика и знания: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Кодинг в контролируемых условиях: SWE-bench Verified 80.6, LiveCodeBench 93.5. Его «иголка в стоге сена» для длинного контекста тоже сильна — 83.5 на MRCR при 1M токенов, опережая Gemini 3.1 Pro на этом тесте. Но на строках, которые измеряют длительное агентное выполнение, картина расслаивается. Terminal-Bench 2.0 даёт 67.9, использование инструментов — 51.8 на Toolathlon, а независимые агрегаторы ставят стандартную сборку в середину списка по категориям агентности и кодинга, хотя показатели рассуждений остаются вблизи верха. Результат DeepSWE в 8 процентов — это разлом, доведённый до крайности.

Заявленная вендором таблица Muse Glimmer указывает в другую сторону: её сильнейшие строки — агентные. 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. Против цифр DeepSeek для проверенных кодеров — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer проигрывает почти по каждой строке, которая важна в таблицах бенчмарков. Модели хороши в разных вещах, и то, в чём Glimmer, по её утверждениям, сильна, — это ровно то, что, согласно независимым данным DeepSeek, подход дешёвого гиганта делает неверно.

Сколько стоит каждый, честно

Опубликованная прейскурантная цена DeepSeek V4 Pro составляет $1,74 за миллион входных токенов и $3,48 за миллион выходных, при этом входные данные с попаданием в кэш стоят около $0,145. Постоянная скидка DeepSeek — изначально она подавалась как акционная, а затем была сохранена — устанавливает эффективную ставку примерно в $0,44 за вход и $0,87 за выход, что достаточно дёшево, чтобы цена за токен почти перестала быть решающим фактором, и достаточно дёшево, чтобы объяснить, почему она является стандартным бюджетным выбором для большой части индустрии. Это ценообразование действует через собственный API поставщика и несколько сторонних платформ, а на OrcaRouter оно передаётся с нулевой наценкой — прейскурантная цена провайдера, без добавленной маржи — поэтому снижение цены DeepSeek видно на странице модели в тот же день, когда оно происходит, что является честным способом сравнения с любым другим продуктом в каталоге.

Muse Glimmer стоит ноль за токен, и честная стоимость — это железо: видеокарта на 24GB или 32GB с RTX 5090 как ориентиром, или максимальная конфигурация Mac на M-серии. Если она у вас есть, предельные затраты на постоянно работающего локального агента — это электричество. Если нет, то GPU — это статья расходов — и для многих команд эта разовая покупка дешевле, чем даже дисконтированный тариф DeepSeek за время жизни постоянно работающего агента, а для других побеждает модель оплаты за токен, потому что им нужен контекст на 1M и вывод на 384K, которые локальная модель на 19.5GB не может вместить. Сравнение цен разрешается только после того, как вы решите, в каком сценарии развёртывания вы на самом деле находитесь.

Политическая подоплека

Стоит назвать контекст, потому что он определяет, насколько можно доверять таблицам того или иного вендора. В эссе Цукерберга, сопровождавшем выпуск Muse Glimmer, «Будущее для всех», DeepSeek был прямо назван — вместе с Qwen и Moonshot — среди китайских лабораторий открытых моделей, с которыми американским релизам с открытыми весами приходится конкурировать; Цукерберг также призвал к смягчению регулирования открытого ИИ в США. Meta позиционирует Glimmer как американский ответ волне дешёвых открытых весов. Этот нарратив реален, и это именно та ситуация, когда бенчмаркам, проводимым вендорами, следует доверять с максимальным скепсисом — обе стороны продают национальный нарратив вместе с моделью. Противовесом служат независимые измерения, которые уже существуют для DeepSeek (включая те самые 8 процентов), и независимые измерения, которых для Glimmer пока нет.

Кто что должен запускать

Эти две модели не взаимозаменяемы, и решение по большей части — это вопрос границ развёртывания, замаскированный под бенчмарк. Если ваша нагрузка прожорлива до токенов и контекста — огромные входные данные, длинные выходы, математика и знания в большом масштабе — DeepSeek V4 Pro по сниженному тарифу — одно из лучших предложений по соотношению цены и возможностей в каталоге, а его 8-процентный результат в DeepSWE имеет меньшее значение для нагрузок, не связанных с долгосрочным агентным программированием. Если ваша нагрузка — это постоянно работающий локальный агент — высокочастотный, приватный, интерактивный, с вызовом инструментов — то ответ имеет форму Muse Glimmer, с оговоркой, что его заявления об агентных возможностях всё ещё целиком основаны на собственных отчётах и требуют независимой проверки. Если ваша нагрузка — и то и другое, а большинство реальных агентных стеков — именно такие, то две модели — это два уровня одной системы: локальная 30B-модель для быстрого, приватного, высокочастотного пути и арендуемая MoE-модель для тяжёлой работы с длинным контекстом.

Что уладило бы это сравнение, в примерном порядке скорости: независимый результат Glimmer на свободном от контаминации долгосрочном тесте вроде DeepSWE — самая полезная цифра, которой не хватает этому противостоянию; второе независимое воспроизведение 8% DeepSeek, чтобы подтвердить, что это не случайный сбой настройки; и первый провайдер, развернувший эндпоинт Glimmer, — момент, когда разделение на локальное и арендованное перестаёт быть гипотетическим и становится тем, что можно подключить одним ключом. А пока честный вывод короток. DeepSeek V4 Pro — гигант с открытыми весами, с проверенной историей дешёвых токенов и конкретной, измеренной слабостью. Muse Glimmer — новичок с открытыми весами, чьё предложение целиком нацелено на эту самую слабость — и чьё единственное доказательство пока что — его собственное слово.