Muse Glimmer vs DeepSeek V4 Pro: De två ytterligheterna inom open weights

Någonstans i det finstilta i lanseringen av DeepSeek V4 Pro finns en siffra som borde oroa alla som tror att "billiga öppna vikter" och "bra på agentisk kodning" är samma sak. På DeepSWE, ett kontaminationsfritt riktmärke byggt för att motstå den träningsdatamanipulation som plågar mjukvaruutvecklingsutvärderingar, fick DeepSeek V4 Pro – flaggskeppet med 1,6 biljoner parametrar och Mixture-of-Experts-arkitektur som lanserades den 24 april 2026 under MIT-licens – 8 procent. GPT-5.5 fick 70 på samma test; Claude Opus 4.7 fick 54. Det är den enskilt mest skadliga oberoende datapunkten kopplad till den mest framgångsrika berättelsen om billiga modeller i branschen, och den spelar roll i den här matchningen eftersom Muse Glimmer, Metas 30B-agentmodell med öppna vikter som lanserades den 10 augusti 2026 under Apache 2.0, är en modell med öppna vikter vars hela designuppdrag är det långsiktiga agentiska arbetet som DeepSWE mäter – och vars enda poäng hittills kommer från företaget som skapade den.

Så detta är en jämförelse av två modeller i motsatta ändar av open-weights-spektrumet, på fler sätt än storlek. Den ena är en datacenter-MoE som du hyr för en spottstyver. Den andra är en nedladdning för skrivbordet som inte kostar något annat än GPU:n. Den ena har en oberoende meritlista som inkluderar ett katastrofalt agentiskt resultat. Den andra har ingen oberoende meritlista alls. Den här texten rättar till båda och låter klyftan mellan ”leverantörsrapporterat” och ”oberoende visat” tala för sig själv.

Siffran som borde oroa dig

DeepSWE är värt att förstå innan man tittar på några av de mest framträdande siffrorna, eftersom det är testet som inte belönar det som kan memoreras. Det utformades för att undvika kontaminering – praktiken att utvärdera på data som modellen redan sett under träning – och det kör långa, verkliga mjukvaruutvecklingsuppgifter som kräver ihållande flerstegsutförande, inte mönsterigenkänning. DeepSeek V4 Pros 8 procent där är inte en åsikt; det är det uppmätta resultatet av en oberoende utvärdering, och det är en helt annan bild än den som leverantörens egen tabell målar upp, där samma modell visar 80,6 på SWE-bench Verified, 93,5 på LiveCodeBench och en Codeforces-rating på 3 206 som slår GPT-5:s 3 168. Gapet mellan dessa två bilder är hela historien om varför "öppna vikter, billiga tokens" och "bra på agentisk kodning" måste verifieras separat.

Muse Glimmer har inget DeepSWE-resultat. Det har inget oberoende resultat av något slag — det släpptes i morse, och hela dess benchmark-tabell är Metas egen, framtagen av Meta mot konkurrerande uppställningar som de medgav att de inte justerat. Den ärliga etiketten för varje Glimmer-siffra i den här texten är leverantörsrapporterad. Men modellens design är exakt inriktad på den typ av fel som DeepSWE blottlägger: autonomt återställande från fel, flerstegsplaner, långsiktigt verktygsanvändande. Huruvida den designen överlever kontakt med ett oberoende test är den öppna frågan i den här uppgörelsen, och ingen kan svara på den ännu.

Två ändar av öppna vikter

Börja med vad "öppen" innebär för var och en, eftersom det inte är samma sak. DeepSeek V4 Pro är en MoE med totalt 1,6 biljoner parametrar, med cirka 49 miljarder aktiva per token, ett kontextfönster på 1 miljon token, upp till 384 000 utdatatoken och endast text som inmatning — ingen bildförståelse. Dess MIT-licensierade vikter är fria att använda, men självhysning är ett datacenterprojekt: BF16-checkpointen är i storleksordningen terabyte, så i praktiken är DeepSeek V4 Pro något du hyr, via DeepSeeks API eller en tredje parts. Muse Glimmer är en dense-modell med 30 miljarder parametrar, multimodal — text plus bild genom en perceptions-encoder — under Apache 2.0, vars fyrbitars-checkpoint plus dess DFlash-drafter ryms i cirka 19,5 GB. Den ena är en modell med öppna vikter som du distribuerar; den andra är en modell med öppna vikter som du laddar ner och kör på ett enda 24 GB- eller 32 GB-grafikkort, eller en högpresterande Mac i M-serien. Båda är genuint öppna vikter. De har nästan inget annat gemensamt när det gäller hur du kommer att använda dem.

Jättens splittrade personlighet

DeepSeek V4 Pro:s styrka är det isolerade riktmärket. Matematik och kunskap: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Kodning i kontrollerade miljöer: SWE-bench Verified 80.6, LiveCodeBench 93.5. Dess långkontexts "nål i höstacken" är också stark – 83.5 på MRCR vid 1M tokens, före Gemini 3.1 Pro på det testet. Men på raderna som mäter uthållig agentisk exekvering spricker bilden. Terminal-Bench 2.0 landar på 67.9, verktygsanvändning på Toolathlon 51.8, och oberoende aggregator-rankningar placerar standardversionen i mitten av klungan inom agentiska och kodningskategorier, även när resonemangssiffrorna ligger nära toppen. De 8 procenten i DeepSWE-resultatet är sprickan tagen till sin extrem.

Muse Glimmers leverantörsrapporterade tabell pekar åt andra hållet: dess starkaste rader är de agentiska. 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. Mot DeepSeeks verifierade-kodarsiffror — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — förlorar Glimmer nästan varje rad som en benchmarktabell bryr sig om. Modellerna är bra på olika typer av saker, och den typ av sak som Glimmer hävdar sig vara bra på är precis den typ av sak som DeepSeeks oberoende resultat säger att den billiga-jätte-metoden får fel.

Vad var och en kostar, ärligt talat

DeepSeek V4 Pros publicerade listpris är 1,74 dollar per miljon tokens för input och 3,48 dollar per miljon för output, med input med cacheträff runt 0,145 dollar. DeepSeeks permanenta rabatt – som först lanserades som kampanj och sedan behölls – ger en effektiv taxa på cirka 0,44 dollar för input och 0,87 dollar för output. Det är tillräckligt billigt för att priset per token nästan upphör att vara den avgörande faktorn, och tillräckligt billigt för att förklara varför modellen är standardvalet för budgetmedvetna aktörer inom en stor del av branschen. Det priset gäller via leverantörens eget API och flera tredjepartsplattformar, och på OrcaRouter förmedlas det med 0 % påslag – leverantörens listpris utan extra marginal – så en prissänkning från DeepSeek syns på modellsidan samma dag den sker, vilket är det ärliga sättet att jämföra den mot allt annat i katalogen.

Muse Glimmer kostar noll per token, och den verkliga kostnaden är hårdvaran: en GPU med 24GB eller 32GB, med RTX 5090 som referenspunkt, eller en maxad Mac i M-serien. Om du äger den är marginalkostnaden för en alltid påslagen lokal agent elektricitet. Om du inte gör det är GPU:n den stora utgiftsposten — och för många team är det engångsköpet billigare än till och med DeepSeeks rabatterade pris under livslängden för en alltid påslagen agent, medan för andra vinner per-token-modellen eftersom de vill ha 1M kontext och 384K utdata som en lokal modell på 19.5GB inte kan hålla. Prisjämförelsen löser sig bara när du bestämmer vilken distributionsmiljö du faktiskt lever i.

Politiken under ytan

Det är värt att nämna kontexten, eftersom den avgör hur mycket du bör lita på någondera leverantörens tabell. Zuckerbergs essä som åtföljer Muse Glimmer-släppet, "The Future is for Everyone", nämnde uttryckligen DeepSeek, tillsammans med Qwen och Moonshot, som de kinesiska open-model-labb som amerikanska släpp med öppna vikter måste konkurrera med, och efterlyste lösare amerikansk reglering av open-source AI. Meta positionerar Glimmer som det inhemska svaret på vågen av billiga öppna vikter. Den inramningen är verklig, och det är precis den typen av situation där leverantörsdrivna riktmärken förtjänar mest skepsis – båda sidor säljer en nationell berättelse tillsammans med en modell. Motvikten är den oberoende mätning som redan finns för DeepSeek (inklusive de 8 procenten), och den oberoende mätning som ännu inte finns för Glimmer.

Vem ska köra vilken

De två modellerna är inte utbytbara, och beslutet handlar i huvudsak om en driftsättningsfråga förklädd till benchmark. Om din arbetsbelastning är token- och kontextkrävande — massiva indata, långa utdata, matematik och kunskap i stor skala — är DeepSeek V4 Pro till sitt rabatterade pris ett av de bästa pris/prestanda-erbjudandena i katalogen, och dess 8-procentiga DeepSWE-resultat spelar mindre roll för arbetsbelastningar som inte rör agentisk kodning med lång tidshorisont. Om din arbetsbelastning är en ständigt aktiv lokal agent — högfrekvent, privat, interaktiv, verktygsanropande — är Muse Glimmer svarets form, med förbehållet att dess agentiska anspråk fortfarande helt bygger på egna uppgifter och behöver oberoende testning. Om din arbetsbelastning är både och — och de flesta verkliga agentstackar är det — då är de två modellerna två nivåer i ett och samma system: den lokala 30B för den snabba, privata, högfrekventa vägen, och den hyrda MoE:n för det tunga lyftet med långa kontexter.

Vad som skulle fälla avgörandet i den här jämförelsen, i grov hastighetsordning: ett oberoende Glimmer-resultat på ett kontamineringsfritt test med lång tidshorisont som DeepSWE, vilket är den enskilt mest användbara siffran som den här uppgörelsen saknar; en andra oberoende reproduktion av DeepSeeks 8 procent för att bekräfta att det inte var en tillfällighet till följd av uppställningen; och den första leverantören som sätter upp en Glimmer-endpoint, vilket är ögonblicket då en uppdelning mellan lokalt och hyrt slutar vara hypotetisk och blir något du kan koppla in med en enda nyckel. Fram till dess är den ärliga sammanfattningen kort. DeepSeek V4 Pro är jätten med öppna vikter med en bevisad story om billiga tokens och en specifik, uppmätt svaghet. Muse Glimmer är nykomlingen med öppna vikter vars hela pitch är riktad mot just den svagheten — och vars enda bevis hittills är dess eget ord.