Model jest dystrybuowany na licencji Apache 2.0, co pozwala na komercyjne użycie, modyfikacje i redystrybucję .

Kluczowe specyfikacje

Muse Glimmer to gęsty transformator przyczynowy (nie Mixture-of-Experts) z dedykowanym enkoderem percepcyjnym ViT-G/14 o ~1,8 mld parametrów do obsługi wejścia multimodalnego . Model ma 52 warstwy, ukryty wymiar 6 656 i 32 głowy zapytań ze wzorem 16:1 Grouped Query Attention .

Pełna precyzja modelu wymaga ~55 GB VRAM, ale Meta dostarcza go z kwantyzacją 4-bitową, która kompresuje model do poniżej 20 GB .

Warianty VRAM z kwantyzacją

Meta udostępnia dwie skwantowane konfiguracje, obie oparte na K-Quant i mierzone na 15 benchmarkach :

• K-Quant-Dynamic – przeznaczony dla ~32 GB VRAM, ze średnią degradacją wydajności zaledwie 0,2% w porównaniu z pełną precyzją
• K-Quant-17GB – przeznaczony dla ~24 GB VRAM (model poniżej 20 GB), ze średnią degradacją 1,0%

Niezależne laboratoria nie potwierdziły jeszcze tych zagregowanych deklaracji degradacji .

DFlash: Spekulacyjne dekodowanie i lokalna przepustowość

Aby rozwiązać problem opóźnień w lokalnym uruchamianiu 30-miliardowego modelu, Meta łączy Muse Glimmer z DFlash – małym, pięciowarstwowym modelem spekulacyjnym (drafter), który proponuje bloki 16 tokenów naraz, a główny model weryfikuje je równolegle .

Meta podaje następującą przepustowość dla skwantowanego modelu 17 GB przy batch size 1 i dekodowaniu zachłannym :

SGLang odnotowało 236,4 tok/s na tym samym sprzęcie RTX 5090 w osobnym pomiarze z dnia premiery . Wczesne niezależne testy na RTX 5090 z llama.cpp czasami wykazują niższe wartości (np. ~137 tok/s), co sugeruje, że wynik powyżej 233 tok/s wymaga specyficznych optymalizacji .

Możliwości jako agent AI

Muse Glimmer nie jest przede wszystkim chatbotem – to lokalny agent AI zaprojektowany do autonomicznych przepływów pracy . Meta celowo dostroiła go do planowania, wywoływania narzędzi i odzyskiwania po własnych błędach . Natywnie obsługuje Model Context Protocol (MCP) i integruje się z popularnymi frameworkami agentowymi .

Kluczowe zastosowania obejmują: wywoływanie funkcji, lokalne kodowanie, długie sesje z użyciem narzędzi, ewaluację LLM-jako-sędzia, analizę dokumentów i asystentów osobistych .

Wydajność w benchmarkach w porównaniu z rywalami

Meta opublikowała bezpośrednie porównania z Google Gemma 4 31B i Alibaba Qwen 3.6 27B (oba w trybie myślenia/rozumowania) :

Muse Glimmer prowadzi w większości agentowych benchmarków, w tym MCP Atlas (75,5 vs 62,5 dla Qwen) i DeepSearch QA (74,6 vs 71,1) . Osiąga również 94,7 w AIME 2026, wyprzedzając obu konkurentów .

Uwaga: Analizy stron trzecich wskazują, że Glimmer ustępuje Qwen 3.6 27B w TerminalBench 2.1 (51,7 vs 60,7) i OSWorld-Verified (65,9 vs 75,6) oraz ma tendencję do odmawiania niektórych zadań automatyzacji na poziomie systemu operacyjnego .

Dystylacja z Muse Spark

Muse Glimmer został zestyliowany z Muse Spark (większego, zamkniętego modelu Meta) przy użyciu dystylacji logitów podczas pre-treningu, a następnie nadzorowanego dostrajania i RLHF . Sam Muse Spark pozostaje zamknięty – dostępny jedynie jako hostowane API – co czyni Glimmer otwartą wagą dystylowaną dla użytkowników chcących lokalnego wdrożenia . Meta zasygnalizowała, że otwarte wydanie Muse Spark może nastąpić później .

Kontekst strategiczny: Superinteligencja dla każdego

Muse Glimmer jest najczystszym jak dotąd produktem wizji Marka Zuckerberga dotyczącej „osobistej superinteligencji” – potężnego AI działającego lokalnie na osobistych urządzeniach, wolnego od kosztów chmury, opłat abonamentowych czy opuszczania danych z urządzenia . TechCrunch nazwał go „najczystszym jak dotąd obrazem” tej wizji .

Premiera następuje po miesiącach wewnętrznych zawirowań po rozczarowującej premierze Llama 4 wiosną 2026 roku, po której Meta pozornie porzuciła otwartą AI. Muse Glimmer wznawia tę strategię .

Inwestycja 14,3 miliarda dolarów w Scale AI

W czerwcu 2025 roku Meta zainwestowała 14,3 miliarda dolarów w firmę Scale AI zajmującą się etykietowaniem danych, nabywając ~49% udziałów . Transakcja sprowadziła 28-letniego CEO Scale, Alexandra Wanga, do kierowania nowym działem „Superinteligencji” Meta . Inwestycja miała na celu zabezpieczenie wysokiej jakości danych treningowych i talentów dla rodziny modeli Muse . CNBC donosiło w styczniu 2026 roku, że Wang kieruje jednostką AI TBD Meta, budującą następcę Llamy o kryptonimie Avocado .

Dostępność i wsparcie od dnia premiery

Muse Glimmer jest dostępny do pobrania na Hugging Face pod adresem meta-models/Muse-Glimmer-30B na licencji Apache 2.0 . Ma wsparcie od dnia premiery w:

• Ollama – ściągnij i uruchom lokalnie za pomocą jednego polecenia
• LM Studio – obsługiwany do lokalnej inferencji z GUI
• SGLang – 230+ tok/s na RTX 5090
• llama.cpp – społecznościowe konwersje GGUF dostępne od dnia premiery
• NVIDIA NIM – zoptymalizowana inferencja poprzez framework mikroserwisów NVIDIA
• AMD ROCm – oficjalne wsparcie dla Ryzen AI Max i kart Radeon

Wczesne doniesienia społeczności pokazują, że nawet RTX 3090 (24 GB) może uruchomić skwantowany model Q4_K_XL z DFlash i oknem kontekstu 262K, używając około 22-23 GB VRAM .

Model jest dystrybuowany na licencji Apache 2.0, co pozwala na komercyjne użycie, modyfikacje i redystrybucję .

Kluczowe specyfikacje

Muse Glimmer to gęsty transformator przyczynowy (nie Mixture-of-Experts) z dedykowanym enkoderem percepcyjnym ViT-G/14 o ~1,8 mld parametrów do obsługi wejścia multimodalnego . Model ma 52 warstwy, ukryty wymiar 6 656 i 32 głowy zapytań ze wzorem 16:1 Grouped Query Attention .

Pełna precyzja modelu wymaga ~55 GB VRAM, ale Meta dostarcza go z kwantyzacją 4-bitową, która kompresuje model do poniżej 20 GB .

Warianty VRAM z kwantyzacją

Meta udostępnia dwie skwantowane konfiguracje, obie oparte na K-Quant i mierzone na 15 benchmarkach :

• K-Quant-Dynamic – przeznaczony dla ~32 GB VRAM, ze średnią degradacją wydajności zaledwie 0,2% w porównaniu z pełną precyzją
• K-Quant-17GB – przeznaczony dla ~24 GB VRAM (model poniżej 20 GB), ze średnią degradacją 1,0%

Niezależne laboratoria nie potwierdziły jeszcze tych zagregowanych deklaracji degradacji .

DFlash: Spekulacyjne dekodowanie i lokalna przepustowość

Aby rozwiązać problem opóźnień w lokalnym uruchamianiu 30-miliardowego modelu, Meta łączy Muse Glimmer z DFlash – małym, pięciowarstwowym modelem spekulacyjnym (drafter), który proponuje bloki 16 tokenów naraz, a główny model weryfikuje je równolegle .

Meta podaje następującą przepustowość dla skwantowanego modelu 17 GB przy batch size 1 i dekodowaniu zachłannym :

SGLang odnotowało 236,4 tok/s na tym samym sprzęcie RTX 5090 w osobnym pomiarze z dnia premiery . Wczesne niezależne testy na RTX 5090 z llama.cpp czasami wykazują niższe wartości (np. ~137 tok/s), co sugeruje, że wynik powyżej 233 tok/s wymaga specyficznych optymalizacji .

Możliwości jako agent AI

Muse Glimmer nie jest przede wszystkim chatbotem – to lokalny agent AI zaprojektowany do autonomicznych przepływów pracy . Meta celowo dostroiła go do planowania, wywoływania narzędzi i odzyskiwania po własnych błędach . Natywnie obsługuje Model Context Protocol (MCP) i integruje się z popularnymi frameworkami agentowymi .

Kluczowe zastosowania obejmują: wywoływanie funkcji, lokalne kodowanie, długie sesje z użyciem narzędzi, ewaluację LLM-jako-sędzia, analizę dokumentów i asystentów osobistych .

Wydajność w benchmarkach w porównaniu z rywalami

Meta opublikowała bezpośrednie porównania z Google Gemma 4 31B i Alibaba Qwen 3.6 27B (oba w trybie myślenia/rozumowania) :

Muse Glimmer prowadzi w większości agentowych benchmarków, w tym MCP Atlas (75,5 vs 62,5 dla Qwen) i DeepSearch QA (74,6 vs 71,1) . Osiąga również 94,7 w AIME 2026, wyprzedzając obu konkurentów .

Uwaga: Analizy stron trzecich wskazują, że Glimmer ustępuje Qwen 3.6 27B w TerminalBench 2.1 (51,7 vs 60,7) i OSWorld-Verified (65,9 vs 75,6) oraz ma tendencję do odmawiania niektórych zadań automatyzacji na poziomie systemu operacyjnego .

Dystylacja z Muse Spark

Muse Glimmer został zestyliowany z Muse Spark (większego, zamkniętego modelu Meta) przy użyciu dystylacji logitów podczas pre-treningu, a następnie nadzorowanego dostrajania i RLHF . Sam Muse Spark pozostaje zamknięty – dostępny jedynie jako hostowane API – co czyni Glimmer otwartą wagą dystylowaną dla użytkowników chcących lokalnego wdrożenia . Meta zasygnalizowała, że otwarte wydanie Muse Spark może nastąpić później .

Kontekst strategiczny: Superinteligencja dla każdego

Muse Glimmer jest najczystszym jak dotąd produktem wizji Marka Zuckerberga dotyczącej „osobistej superinteligencji” – potężnego AI działającego lokalnie na osobistych urządzeniach, wolnego od kosztów chmury, opłat abonamentowych czy opuszczania danych z urządzenia . TechCrunch nazwał go „najczystszym jak dotąd obrazem” tej wizji .

Premiera następuje po miesiącach wewnętrznych zawirowań po rozczarowującej premierze Llama 4 wiosną 2026 roku, po której Meta pozornie porzuciła otwartą AI. Muse Glimmer wznawia tę strategię .

Inwestycja 14,3 miliarda dolarów w Scale AI

W czerwcu 2025 roku Meta zainwestowała 14,3 miliarda dolarów w firmę Scale AI zajmującą się etykietowaniem danych, nabywając ~49% udziałów . Transakcja sprowadziła 28-letniego CEO Scale, Alexandra Wanga, do kierowania nowym działem „Superinteligencji” Meta . Inwestycja miała na celu zabezpieczenie wysokiej jakości danych treningowych i talentów dla rodziny modeli Muse . CNBC donosiło w styczniu 2026 roku, że Wang kieruje jednostką AI TBD Meta, budującą następcę Llamy o kryptonimie Avocado .

Dostępność i wsparcie od dnia premiery

Muse Glimmer jest dostępny do pobrania na Hugging Face pod adresem meta-models/Muse-Glimmer-30B na licencji Apache 2.0 . Ma wsparcie od dnia premiery w:

• Ollama – ściągnij i uruchom lokalnie za pomocą jednego polecenia
• LM Studio – obsługiwany do lokalnej inferencji z GUI
• SGLang – 230+ tok/s na RTX 5090
• llama.cpp – społecznościowe konwersje GGUF dostępne od dnia premiery
• NVIDIA NIM – zoptymalizowana inferencja poprzez framework mikroserwisów NVIDIA
• AMD ROCm – oficjalne wsparcie dla Ryzen AI Max i kart Radeon

Wczesne doniesienia społeczności pokazują, że nawet RTX 3090 (24 GB) może uruchomić skwantowany model Q4_K_XL z DFlash i oknem kontekstu 262K, używając około 22-23 GB VRAM .