Muse Glimmer: โมเดลเอเจนต์โอเพนเวตขนาด 30B ของ Meta อ้างว่าชนะ Gemma4-31B และ Qwen3.6-27B

โพสต์บน X ในเช้าวันที่ 10 สิงหาคม 2026 กล่าวอย่างตรงไปตรงมากกว่าข่าวประชาสัมพันธ์ใด ๆ ว่า "Holy meta is back." ข่าวที่โพสต์นั้นตอบสนองต่อ — Muse Glimmer โมเดลแบบเปิดน้ำหนักตัวแรกของ Meta นับตั้งแต่ Llama 4 — เปิดตัวในวันเดียวกัน และการประกาศของ Meta เองก็ดุดันไม่แพ้ทวีตนั้น ตารางเปรียบเทียบของโมเดล 30 พันล้านพารามิเตอร์อ้างว่ามันชนะ Gemma4-31B ของ Google ใน 19 จาก 24 แถว และ Qwen3.6-27B ของ Alibaba ใน 14 จาก 24 โดยมีเกณฑ์ชี้วัดแบบ agentic อย่าง MCP-Atlas เป็นหัวข้อหลัก ซึ่ง Meta รายงานตัวเลข 75.5 เทียบกับ 54.2 และ 62.5 ตามลำดับ

ก่อนที่คำว่า "smoked" จะกลายเป็นข้อเท็จจริงในหัวของคุณ โปรดทราบว่าใครเป็นคนสร้างตัวเลขเหล่านั้น ทุกสกอร์ในตารางของ Meta รันโดย Meta เอง โดยเทียบกับโมเดลคู่แข่งซึ่ง Meta เองยอมรับว่าไม่ได้ปรับแต่งการตั้งค่าให้ Muse Glimmer ยังไม่มีรายชื่อใน Artificial Analysis ซึ่งเป็นลีดเดอร์บอร์ดอิสระที่ติดตามโมเดลในระดับขนาดเดียวกันนี้โดยเฉพาะ โดยที่ Qwen3.6-27B ปัจจุบันครอง Intelligence Index อยู่ที่ 46 และ Gemma4-31B อยู่ที่ 39 ดังนั้น นี่จึงเป็นเรื่องราวสองเรื่องในเวลาเดียวกัน นั่นคือ การปล่อยโมเดล open-weight ที่มีความสำคัญอย่างแท้จริงจาก Meta และข้อกล่าวอ้างเรื่องเบนช์มาร์กที่จะต้องใช้เวลาหลายสัปดาห์ในการพิสูจน์ บทความชิ้นนี้แยกทั้งสองเรื่องออกจากกัน

แท้จริงแล้ว Muse Glimmer คืออะไร

Muse Glimmer เป็นโมเดลมัลติโหมด (multimodal) แบบหนาแน่น (dense) ขนาด 30B — รองรับอินพุตทั้งข้อความและรูปภาพผ่านตัวเข้ารหัสการรับรู้ (perception encoder) โดยเฉพาะ — ฝึกฝนบนภาษามากกว่า 100 ภาษา และเผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 แบบเปิดกว้าง น้ำหนักของโมเดลอยู่บน Hugging Face ที่ meta-models/Muse-Glimmer-30B โมเดลนี้เป็นเวอร์ชันกลั่น (distilled) จากโมเดลเรือธงเชิงพาณิชย์ขนาดใหญ่กว่าของ Meta คือ Muse Spark 1.2 ซึ่งสูตรการฝึกฝนก็บอกให้เห็นชัดเจน: การกลั่นโลจิท (logit distillation) จากโมเดลครูในช่วง pre-training การฝึกช่วงกลาง (mid-training) บนข้อมูลที่มีบริบทยาวขึ้นและเน้นเอเจนต์ (agent-heavy) จากนั้นจึงปรับแต่งแบบมีผู้ดูแล (supervised fine-tuning) ร่วมกับการกลั่นแบบ on-policy และการเรียนรู้แบบเสริมแรง (reinforcement learning)

Product brief มีความเฉพาะเจาะจงพอๆ กับตัวเทคโนโลยี Meta สร้าง Glimmer สำหรับ "เวิร์กโฟลว์เอเจนต์ท้องถิ่นที่ทำงานตลอดเวลา" — เอเจนต์ที่อยู่บนเครื่องของคุณและสามารถเรียกใช้เครื่องมือ ทำตามแผนหลายขั้นตอน กู้คืนสถานการณ์เมื่อการเรียกเครื่องมือล้มเหลวแทนที่จะหยุดชะงัก และปรับระดับการใช้เหตุผลขึ้นหรือลงได้ งานที่ตั้งใจไว้คืองานที่ไม่หวือหวา: การเขียนโค้ดในเครื่อง การเรียกใช้ฟังก์ชัน การจัดการตารางเวลา การจัดระเบียบไฟล์ การประเมินแบบ LLM-as-a-judge มันเข้ากันได้กับเฟรมเวิร์กการประสานงานเอเจนต์อย่าง OpenClaw ซึ่งเป็นวิธีที่คนจำนวนมากจะใช้งานจริง

เรื่องราวด้านฮาร์ดแวร์เป็นอีกครึ่งหนึ่งของการนำเสนอ ที่ความแม่นยำเต็มรูปแบบ โมเดล 30B ต้องการหน่วยความจำมากกว่า 55GB; การควอนไทซ์ ~4-bit ของ Meta ทำให้ลดลงเหลือประมาณ 17–20GB ซึ่งพอดีกับการ์ดสำหรับผู้บริโภคขนาด 24GB หรือ 32GB (RTX 5090 เป็นตัวอ้างอิง) และ Mac ระดับสูงที่มีหน่วยความจำแบบรวม ตัวร่างแบบ speculative-decoding ซึ่งเป็นโมเดลคู่หูขนาดเล็กที่ Meta เรียกว่า DFlash — ช่วยเร่งความเร็วการสร้างข้อความ: Meta รายงานความเร็วเพิ่มขึ้นประมาณ 3.1 เท่าบน RTX 5090 (จาก 74.9 เป็น 233 โทเคนต่อวินาทีใน llama.cpp), 1.8 เท่าบน M5 Max และ 1.5 เท่าบน M4 Max ซึ่งหน่วยความจำแบบรวมมีการจำกัดแบนด์วิดท์น้อยกว่าอยู่แล้ว

เหตุใดการเปิดตัวครั้งนี้จึงสำคัญยิ่งกว่าเพียงแค่ข้อมูลจำเพาะ

ทวีตนั้นมองภาพถูกต้อง ตั้งแต่ Llama 4 ในฤดูใบไม้ผลิปี 2025 Meta เงียบไปเรื่อง open weights โดยถอยไปสู่แนวหน้าแบบ proprietary ภายใต้ Meta Superintelligence Labs และ Alexandr Wang ประธานเจ้าหน้าที่ฝ่าย AI Muse Glimmer คือการกลับมาสู่กลยุทธ์ open weights ต่อสาธารณะ ซึ่งเป็นกลยุทธ์ที่ทำให้ Llama กลายเป็นตระกูลที่ถูกดาวน์โหลดมากที่สุดในวงการ AI — และมันมาพร้อมสัญญาณแห่งความตั้งใจที่แข็งแกร่งที่สุดเท่าที่เคยมีมา: ซักเคอร์เบิร์กตีพิมพ์เรียงความ 14 หน้า ชื่อ "The Future is for Everyone" (อนาคตเป็นของทุกคน) พร้อมการเปิดตัว โดยให้เหตุผลว่า ความเสี่ยง AI ที่แท้จริงคือการรวมศูนย์การควบคุม และ open weights คือสิ่งที่ทำให้อเมริกาแข่งขันกับห้องแล็บโมเดลเปิดของจีนได้ เขาเรียกร้องให้สหรัฐฯ ผ่อนปรนกฎระเบียบ AI โอเพนซอร์ส และ Meta ประกาศกองทุน "Future is for Everyone Fund" มูลค่า 1 พันล้านดอลลาร์ Meta ยังบอกด้วยว่ามีแผนจะปล่อย weights ของ Muse Spark 1.2 ที่ใหญ่กว่ามาก "ในอีกไม่กี่สัปดาห์ข้างหน้า"

บริบทดังกล่าวเปลี่ยนวิธีที่คุณควรอ่านตาราง benchmark นี่ไม่ใช่สิ่งแปลกใหม่จากห้องวิจัยที่ถูกปล่อยออกมาอย่างเงียบๆ แต่เป็นแถลงการณ์เชิงกลยุทธ์ที่มาพร้อมกับโมเดล Glimmer คือตำแหน่ง "เอเจนต์ท้องถิ่นราคาประหยัด" ในไลน์อัพของ Meta ซึ่งจงใจบ่อนทำลายข้อโต้แย้งที่ว่างานเอเจนต์ระดับจริงจังต้องใช้คลาวด์ API ว่าจะทำได้จริงหรือไม่นั้นคือสิ่งที่คำถามเรื่องการตรวจสอบกำลังถามพอดี

การกล่าวอ้างเรื่อง "รมควัน" ทีละแถว

ตารางของ Meta เปรียบเทียบ Muse Glimmer กับ Gemma4-31B และ Qwen3.6-27B ใน 24 แถวเกณฑ์มาตรฐาน โดยในจุดที่อ้างว่าชนะมากที่สุด รูปแบบจะสอดคล้องกัน นั่นคือ การให้เหตุผลแบบเอเจนต์ทั่วไปและการค้นหา

• MCP-Atlas (การใช้เครื่องมือแบบเอเจนต์) — Muse Glimmer 75.5, Gemma4-31B 54.2, Qwen3.6-27B 62.5. นี่คือแถวที่โดดเด่นที่สุดและช่องว่างที่ใหญ่ที่สุดของชุดข้อมูล

• DeepSearch QA — 74.6 เทียบกับ 61.7 และ 71.1

• GAIA2 (ผู้ช่วยทั่วไป) — 43.3 เทียบกับ 36.4 และ 40.0.

• WildClawBench (ชุด agentic) — 47.6 เทียบกับ 37.6 และ 43.2.

• SWE-Bench Pro — 51.2 เทียบกับ 36.9 และ 50.2 สังเกตตัวเลขที่สาม: 50.2 คือค่าที่ Meta วัดเองสำหรับ Qwen3.6-27B ขณะที่ตัวเลขที่ Alibaba เผยแพร่เองคือ 53.5 รุ่นเดียวกัน แต่ได้คะแนนต่างกันถึงสองค่า ขึ้นอยู่กับว่าใครเป็นคนวัด

• AIME 2026 — 94.7, IFBench 77.0 และ AA-LCR 80.0 เทียบกับ 68.3 ของ Ge​mma.

นั่นคือแถวที่แข็งแกร่ง แต่ตารางนี้ไม่ได้กวาดเรียบ และแถวที่ Muse Glimmer แพ้นั้นก็ให้ข้อมูลไม่น้อยไปกว่าแถวที่มันชนะ Qwen3.6-27B ยังคงครองพื้นที่ในงานที่ต้องใช้คอมพิวเตอร์จริงและงานที่ใช้เทอร์มินัลเป็นหลัก: SWE-Bench Verified 77.2 เทียบกับของ Glimmer ที่ 76.0, OSWorld-Verified 75.6 เทียบกับ 65.9 และ TerminalBench 2.1 60.7 เทียบกับ 51.7 รวมถึงความได้เปรียบอย่างสม่ำเสมอในการทดสอบมัลติโมดัลอย่าง ScreenSpot Pro, OmniDocBench และ MMMU-Pro ส่วน Gemma4-31B นั้น มีสถิติด้านความปลอดภัยที่ดีกว่าในสองเมตริกที่ Meta รายงาน — อัตราการละเมิดต่ำสุดบน CI Memories และอัตราความสำเร็จในการโจมตีต่ำสุดบน Siren AgentDojo — และชนะอย่างเฉียดฉิวในการทดสอบการใช้เหตุผลเชิงแคบ (GPQA Diamond, Humanity's Last Exam)

ถ้าอ่านตรงๆ ข้อกล่าวอ้างของ Meta คือ "ชนะอีกสองรายในเกณฑ์วัดแบบ agentic ส่วนใหญ่" และในตารางของตัวเองก็เป็นจริงโดยประมาณ ข้อแม้ต่างหากคือประเด็น Meta วิ่งทุกแถวด้วยตัวเอง และยอมรับว่าการตั้งค่าการทดสอบสำหรับโมเดลคู่แข่งไม่ได้รับการปรับจูนเหมือนกับของตัวเอง นั่นไม่ใช่ข้อกล่าวหาว่าฉ้อฉล — การตั้งค่าคู่แข่งที่ไม่ได้รับการปรับจูนเป็นเรื่องปกติ แม้แต่เป็นเรื่องที่คาดหวังได้ในวงการนี้ — แต่มันคือเหตุผลที่ตารางที่ผู้ขายเป็นคนรันต้องได้รับการยืนยันจากภายนอก ความคลาดเคลื่อนของ Q​wen SWE-Bench Pro ข้างต้นคือปัญหาทั้งหมดในรูปแบบย่อส่วน

กระดานคะแนนอิสระบอกว่าอะไร

Artificial Analysis ยังไม่ได้จัดให้ Muse Glimmer อยู่ในรายการ — โมเดลเพิ่งเปิดตัวได้ไม่กี่วัน และดัชนีของ AA สร้างขึ้นจากการทดสอบของตัวเอง ซึ่งต้องใช้เวลา แต่ AA ติดตามคู่แข่งทั้งสองรุ่นอยู่ ซึ่งทำให้เห็นสนามแข่งขันที่วัดผลได้จริงที่ผู้มาใหม่อ้างว่าจะเข้าสู่ ณ ดัชนีปัจจุบัน Qwen3.6-27B มีดัชนีความฉลาด (Intelligence Index) อยู่ที่ 46 ซึ่ง AA อธิบายว่าเป็นโมเดลโอเพนเวตที่ฉลาดที่สุดที่มีพารามิเตอร์ต่ำกว่า 150 พันล้าน ส่วน Gemma4-31B อยู่ที่ 39 ตัวเลขเหล่านี้เป็นตัวเลขอิสระที่วัดได้จริง ไม่ใช่คำกล่าวอ้างจากผู้จำหน่าย

ภาพรวมจากแหล่งอิสระยังเผยให้เห็นความซับซ้อนด้านต้นทุนที่ตัวเลขหลักปิดบังไว้ ข้อมูลประสิทธิภาพของ AA ระบุว่า Qwen3.6-27B สร้างผลลัพธ์ได้ประมาณ 54.6 โทเคน/วินาที เทียบกับ Gemma4-31B ที่ 34.8 โดย Ge​mma มี time-to-first-token ที่เร็วกว่า — แต่ Q​wen ใช้โทเคนเอาต์พุตมากกว่าประมาณ 3.7 เท่าในการประมวลผลดัชนีทั้งหมด ซึ่งทำให้การประเมินผลแบบ end-to-end มีต้นทุนสูงกว่าประมาณ 21 เท่า โมเดลที่กินโทเคนมากมีต้นทุนสูงกว่าในโลกความเป็นจริงแม้คะแนน benchmark จะดีกว่า และนั่นคือข้อมูลประกอบการตัดสินใจที่ไม่มีตารางของเวนเดอร์รายใดจะเปิดเผย

ดังนั้น สถานะที่แท้จริงของโลก ณ เวลาที่เขียนนี้คือ: ผลลัพธ์ที่รายงานโดยผู้ขายที่แข็งแกร่ง ยังไม่มีผลลัพธ์อิสระใดๆ เลยสำหรับ Muse Glimmer และสนามคู่แข่งที่วัดอย่างอิสระและแบ่งตามงาน คำกล่าวที่ว่า "Smoked Ge​mma และ Q​wen" ยังเป็นคำกล่าวที่ดูดี แต่ยังไม่ใช่ผลลัพธ์ที่ได้รับการยืนยัน ตัวชี้วัดการยืนยันที่ต้องจับตามองคือ รายการดัชนี AA, LMArena Elo และการทำซ้ำโดยชุมชน ซึ่งทั้งหมดมักจะเกิดขึ้นภายในไม่กี่สัปดาห์หลังจากการเปิดตัวเช่นนี้

ค่าใช้จ่ายที่แท้จริงในการใช้งาน

{{1}}Muse Glimmer{{/1}} ฟรี — Apache 2.0, ไม่มีค่าธรรมเนียมต่อโทเคน, ไม่มีการจ่ายเงินให้ Meta ค่าใช้จ่ายคือฮาร์ดแวร์ที่คุณใช้รองรับมัน โมเดล 30B ที่ 4-bit ต้องใช้หน่วยความจำประมาณ {{2}}17–20GB{{/2}} บวกพื้นที่สำหรับ KV cache, perception encoder และ DFlash drafter ซึ่งเป็นเหตุผลที่คำแนะนำของ Meta เองคือการ์ด 24GB หรือ 32GB หรือ Mac ระดับสูง หากคุณมีฮาร์ดแวร์นั้น ค่าใช้จ่ายส่วนเพิ่มของการรันเอเจนต์ท้องถิ่นที่เปิดตลอดเวลาก็คือค่าไฟฟ้าเป็นหลัก หากคุณไม่มี GPU 24GB หรือ M-series Mac แบบเต็มสเปกก็เป็นรายการค่าใช้จ่ายจริง — และตั้งแต่วันที่ {{3}}9 สิงหาคม{{/3}} ก็มีทางเลือกที่สาม: เช่า รายการ API แบบโฮสต์รายแรกที่เปิดใช้งานตั้งแต่วันนั้น ตั้งราคา {{4}}$0.35 ต่อล้าน input tokens และ $1.50 ต่อล้าน output tokens บนหน้าต่างบริบท 131K{{/4}} นั่นคืออัตราตลาดที่ผู้ให้บริการลงรายการไว้ ไม่ใช่ราคาของ Meta แต่เป็นตัวเลขที่คุณสามารถจ่ายได้จริงในวันนี้ หากคุณไม่อยากซื้อฮาร์ดแวร์

นั่นคือการเปรียบเทียบที่ควรทำอย่างรอบคอบ เพราะ "open weights ราคาศูนย์" มาพบกับ "hosted API ราคาต่อโทเคน" ในเงื่อนไขที่แตกต่างกันมาก เมื่อคุณคำนวณตัวเลข จงตั้งราคาทั้งสองฝั่งอย่างตรงไปตรงมา ในฝั่งเราที่ OrcaRouter ราคาที่คุณเห็นสำหรับโมเดล hosted 200+ รุ่นคือราคาลิสต์ของผู้ให้บริการที่ส่งต่อมาแบบมาร์กอัป 0% ดังนั้นการลดราคาจากผู้ขายจึงมีผลทันทีในวันเดียวกัน แทนที่จะต้องรอการคำนวณมาร์จิ้นใหม่ — ซึ่งทำให้การเปรียบเทียบระหว่าง local กับ hosted ตรงไปตรงมา Muse Glimmer เองยังไม่ได้เป็นหนึ่งใน 200+ โมเดลนั้น ดังนั้นการส่งผ่านราคาจึงยังไม่ใช้กับมันในวันนี้ แต่ประเด็นสำคัญอยู่ที่วินัย: วิธีตั้งราคาโมเดล open-weight ที่ยังไม่ผ่านการพิสูจน์คือทราฟฟิกของคุณเอง ไม่ใช่ตารางราคาของผู้ขาย และ routing DSL มีไว้เพื่อรันการเปรียบเทียบนั้นโดยเฉพาะ เมื่อโมเดลอยู่เบื้องหลัง API ที่คุณเรียกใช้ได้

วิธีที่คุณจะใช้จริงๆ ในสัปดาห์นี้

เนื่องจากเผยแพร่เป็น open weights “การเข้าถึง” จึงไม่ใช่การสมัครสมาชิก — มันคือการดาวน์โหลด พื้นที่เก็บหลักคือ meta-models/Muse-Glimmer-30B บน Hugging Face โดยมีตัวแปร GGUF เผยแพร่แล้ว และตัวแปร quantization กำลังตามมาจากบุคคลที่สาม การรองรับรันไทม์ในวันแรกคือ llama.cpp, MLX และ ExecuTorch ขณะที่การผสานกับ Ollama, LM Studio, vLLM และ SGLang ทยอยเข้ามาไม่กี่วันหลังปล่อย และงานปรับแต่งฮาร์ดแวร์ถูกระบุไว้สำหรับ AMD, Arm, Dell, Intel และ Nvidia เส้นทางที่ใช้งานได้จริงสำหรับคนส่วนใหญ่คือ: ดึง GGUF มา โหลดใน llama.cpp หรือตัวรันในเครื่อง แล้วชี้ agent scaffold ไปที่มัน Meta ไม่ได้โฮสต์ API สาธารณะสำหรับ Glimmer เอง และเส้นทางในเครื่องคือเส้นทางที่โมเดลถูกสร้างขึ้นมา — แต่เส้นทางแบบโฮสต์ไม่ใช่เพียงทฤษฎีอีกต่อไป: แพลตฟอร์มบุคคลที่สามเริ่มให้บริการตั้งแต่วันที่ 9 สิงหาคม ดังนั้นทั้ง “ดาวน์โหลดแล้วรัน” และ “เรียก API” ต่างก็เป็นตัวเลือกที่ใช้งานได้จริงในตอนนี้

ข้อความจริงใจข้อหนึ่งเกี่ยวกับเราโดยเฉพาะ: Muse Glimmer ยังไม่พร้อมใช้งานผ่าน OrcaRouter เราจัดเส้นทาง API ที่โฮสต์ไว้ และ ณ การอัปเดตนี้ โมเดลยังไม่ได้เข้ามาในแคตตาล็อกของเรา — ข้อเสนอค่าธรรมเนียมเพิ่ม 0% และคีย์เดียวใช้ได้ทุกอย่างใช้ได้กับโมเดล 200+ รายการที่เราจัดเส้นทางจริง และโมเดลนี้ยังไม่ใช่หนึ่งในนั้น เมื่อมันพร้อมใช้ คีย์เดียวกันกับที่เข้าถึงแคตตาล็อกที่เหลือก็จะเข้าถึงมันได้โดยไม่ต้องมีสัญญาใหม่ และการเฟลโอเวอร์อัตโนมัติคือกลไกที่ทำให้การชี้ทราฟฟิกจริงไปยังโมเดลใหม่เอี่ยมที่ผู้ขายรายงานข้อมูลมานั้นปลอดภัย ก่อนที่มันจะมีประวัติผลงานอิสระ นั่นคือเหตุผลเดียวกับที่ routing DSL มีอยู่: โมเดลที่ยังไม่ผ่านการพิสูจน์ควรได้รับเส้นทางสำหรับการใช้งานจริงจากข้อมูลของคุณ ไม่ใช่จากข่าวประชาสัมพันธ์ของมันเอง

ภาพหน้าจอด้านล่างคือการ์ด Hugging Face ตามที่อ่านได้ในวันเปิดตัว — บรรทัด 'not deployed by any inference provider' หมายถึงการอนุมานจากฝ่ายแรกของ Hugging Face เอง ซึ่งเป็นคนละเรื่องกับรายการ API ที่โฮสต์โดยบุคคลที่สามซึ่งเริ่มใช้งานจริงเมื่อวันที่ 9 สิงหาคม

ดูอะไรดี

สามสิ่งจะตัดสินเรื่องนี้ เรียงตามความเร็วโดยคร่าว ๆ ประการแรก {{1}}การปล่อย Muse Spark 1.2 แบบ open-weights ตามที่ได้สัญญาไว้ — หากโมเดลครูปล่อยออกมาใน "อีกไม่กี่สัปดาห์ข้างหน้า" Glimmer จะไม่ใช่โมเดลที่ปล่อยครั้งเดียวจบอีกต่อไป แต่จะกลายเป็นจุดเริ่มต้นของไลน์อัป open-weights ที่เต็มรูปแบบ ซึ่งคือการอ่านเกมเชิงกลยุทธ์ที่แท้จริงของ "Meta กลับมาแล้ว"{{/1}} ประการที่สอง {{2}}การวัดผลอย่างอิสระ: การมีรายชื่อในดัชนี Artificial Analysis อันดับบน LMArena และการทำซ้ำโดยชุมชน จะบอกคุณได้ว่าข้อกล่าวอ้างเรื่อง 19 จาก 24 จะยังยืนหยัดเมื่อถูกทดสอบโดยคนที่ไม่ใช่ Meta หรือไม่{{/2}} ประการที่สาม {{3}}คลื่นการโฮสต์ — เรื่องนี้เริ่มไปแล้ว ผู้ให้บริการเริ่มเปิดให้ใช้ Glimmer ตั้งแต่วันที่ 9 สิงหาคม ดังนั้นคำถามระหว่างการใช้ในเครื่องกับการใช้ผ่านโฮสต์จึงกลายเป็นตัวเลือกจริงที่คุณเลือกได้ด้วยคีย์ API เพียงคีย์เดียว สิ่งที่ต้องจับตามองต่อไปคือผู้ให้บริการจะกระจายตัวกว้างแค่ไหน และราคาต่อโทเคนจะเปลี่ยนแปลงไปอย่างไรเมื่อความแปลกใหม่ในช่วงสัปดาห์แรกของการปล่อยจางหายไป{{/3}}

ทวีตพูดถูกเกี่ยวกับข่าว ไม่ว่าจะพูดถูกเกี่ยวกับคำตัดสินหรือไม่ — นั่นเป็นคำถามที่ต้องใช้เวลาหลายสัปดาห์ และจุดยืนที่ซื่อสัตย์ในตอนนี้คือไม่มีใครนอก Meta ที่รันทดสอบมากพอจะรู้ได้ สิ่งที่จริงอยู่แล้วคือโมเดลเอเจนต์ขนาด 30B ภายใต้ Apache-2.0 ที่รันบน GPU ระดับผู้บริโภคได้และ backed by a full strategy push ถือเป็นการเปิดตัวที่ต้องวางแผนรองรับ ไม่ว่าคะแนนทดสอบอิสระจะออกมาเป็นอย่างไร

คำถามที่ควรค่าแก่การตอบจริง ๆ

Muse Glimmer เป็นโอเพนซอร์สจริงหรือไม่?

มันเป็นโมเดล open weights ภายใต้สัญญาอนุญาต Apache 2.0 ที่ผ่อนปรน — ใครก็ได้สามารถดาวน์โหลด แก้ไข ปรับแต่ง และนำไปใช้งานเชิงพาณิชย์ได้โดยไม่ต้องจ่ายเงินให้ Meta ถ้อยคำที่เลือกใช้อย่างระมัดระวังคือ "open weights" มากกว่าที่จะเป็นโอเพนซอร์สโดยสมบูรณ์ในความหมายของ OSI เนื่องจากข้อมูลการฝึก น้ำหนักของโมเดลครู Muse Spark และเครื่องมือบางอย่างไม่ได้รวมอยู่ด้วย ในทางปฏิบัติ — คุณสามารถรันมัน ส่งมอบมัน และขายผลิตภัณฑ์ที่สร้างอยู่บนตัวมันได้ — นี่คือข้อตกลงแบบเดียวกับที่ทำให้ Llama กลายเป็นตระกูลโอเพนที่ถูกนำไปใช้มากที่สุดในวงการ AI

Muse Glimmer เอาชนะ Gemma4-31B และ Qwen3.6-27B ได้จริงหรือไม่?

ในตารางของ Meta เอง ใช่ ในเบนช์มาร์กด้าน agentic และการค้นหาส่วนใหญ่ โดยมีข้อแม้ว่า Meta เป็นคนรันการเปรียบเทียบเองและไม่ได้ปรับแต่งการตั้งค่าของคู่แข่ง ภาพที่ตรงไปตรงมาคือ: Meta ชนะแถวการใช้เหตุผลแบบ agentic, Qwen3.6-27B ชนะงานใช้งานคอมพิวเตอร์จริงและงานเทอร์มินัล รวมถึงการทดสอบมัลติโมดัลส่วนใหญ่ และ Gemma4-31B มีสถิติด้านความปลอดภัยที่ดีกว่า ณ วันวางจำหน่าย ยังไม่มีดัชนีอิสระสำหรับ Muse Glimmer เลย ดังนั้นให้ถือว่าข้ออ้าง 19 จาก 24 เป็นข้อมูลที่ผู้จำหน่ายรายงาน จนกว่าจะมีใครอื่นทดสอบจริง

ฉันสามารถรันมันบนแล็ปท็อปได้ไหม?

เฉพาะในกรณีที่ "แล็ปท็อป" หมายถึงเครื่องที่มีการ์ดจอแยก 24GB หรือ 32GB หรือ Mac ระดับไฮเอนด์รุ่น M-series ที่มีหน่วยความจำรวมเพียงพอ — Muse Glimmer แบบ 4-bit ต้องการพื้นที่ประมาณ 17–20GB บวกกับพื้นที่สำรองสำหรับ KV cache, perception encoder และ DFlash drafter นั่นคือค่าใช้จ่ายที่แท้จริงสำหรับคนส่วนใหญ่ และเป็นต้นทุนที่ซ่อนอยู่ในโมเดลที่ "ฟรี" บนกราฟิกในตัวหรือเครื่อง 16GB คุณจะต้องพบกับการควอนไทซ์ที่หนักหน่วงและเอาต์พุตที่ช้า แทนที่จะเป็นเอเจนต์ที่ทำงานตลอดเวลาซึ่งการเปิดตัวครั้งนี้ถูกสร้างขึ้นมาโดยมีมันเป็นแกนกลาง

ฉันจะหามันได้จากที่ไหน — มันอยู่ใน API หรือเปล่า?

น้ำหนักโมเดลอยู่บน Hugging Face ที่ meta-models/Muse-Glimmer-30B (มีเวอร์ชัน GGUF ด้วย) และคุณสามารถรันมันในเครื่องผ่าน llama.cpp, MLX, ExecuTorch หรือรันเนอร์ท้องถิ่นที่กำลังผสานมันอยู่ในตอนนี้ การเข้าถึง API แบบโฮสต์ก็เปิดใช้งานแล้วเช่นกัน ตั้งแต่วันที่ 9 สิงหาคม ผ่านแพลตฟอร์มบุคคลที่สามในราคาที่ระบุไว้ที่ $0.35 ต่อล้านโทเคนนำเข้า และ $1.50 ต่อล้านโทเคนส่งออก — ดังนั้นคุณไม่จำเป็นต้องมี GPU ขนาด 24GB เพื่อเรียกใช้มันอีกต่อไป Meta เองยังไม่ได้โฮสต์ API สาธารณะสำหรับ Glimmer และมันก็ยังไม่ได้อยู่บน OrcaRouter เช่นกัน เมื่อมันลงในแคตตาล็อกของเรา คีย์เดียวกับที่ใช้เข้าถึงส่วนอื่นของแคตตาล็อกก็จะเข้าถึงมันได้เช่นกัน จนกว่าจะถึงตอนนั้น หนทางที่ตรงไปตรงมาสองทางคือการอนุมานในเครื่องหรือแพลตฟอร์มโฮสต์ของบุคคลที่สาม