Especificações Técnicas

O Muse Glimmer é um transformer causal denso (não é um modelo de Mistura de Especialistas) com um codificador de percepção ViT-G/14 dedicado de ~1,8 bilhão de parâmetros para entrada multimodal . Ele possui 52 camadas, uma dimensão oculta de 6.656, e 32 cabeças de consulta com um padrão de Atenção a Grupos de Consultas (GQA) de 16:1 .

O modelo em precisão total requer cerca de 55 GB de VRAM, mas a Meta o disponibiliza com quantização de 4 bits, que comprime o modelo para menos de 20 GB .

Variantes de VRAM Quantizadas

A Meta oferece duas configurações quantizadas, ambas construídas com K-Quant e medidas em 15 benchmarks :

• K-Quant-Dinâmico — voltado para ~32 GB de VRAM, com apenas 0,2% de degradação média em relação à precisão total
• K-Quant-17GB — voltado para ~24 GB de VRAM (modelo tem menos de 20 GB), com degradação média de 1,0%

Laboratórios independentes ainda não reproduziram essas alegações agregadas de degradação .

Decodificação Especulativa DFlash e Taxa de Transferência Local

Para resolver o problema de latência de rodar um modelo de 30B localmente, a Meta emparelha o Muse Glimmer com o DFlash — um pequeno rascunho de decodificação especulativa de cinco camadas que propõe blocos de 16 tokens de uma só vez, que o modelo principal então verifica em paralelo .

A Meta relata a seguinte taxa de transferência no modelo quantizado de 17 GB com tamanho de lote 1 e decodificação gananciosa :

O SGLang relatou 236,4 tok/s no mesmo hardware RTX 5090 em uma medição separada no dia do lançamento . Testes independentes iniciais em uma RTX 5090 com llama.cpp às vezes relatam números mais baixos (por exemplo, ~137 tok/s), sugerindo que o valor de 233+ tok/s requer otimizações específicas .

Capacidades de Agente

O Muse Glimmer não é primariamente um chatbot — é um agente de IA local projetado para fluxos de trabalho autônomos . A Meta o ajustou explicitamente para planejar, chamar ferramentas e se recuperar de seus próprios erros . Ele suporta o Protocolo de Contexto de Modelo (MCP) nativamente e se integra a frameworks de agentes populares .

Os principais casos de uso incluem: chamada de funções, codificação local, sessões longas de uso de ferramentas, avaliação LLM-como-juiz, análise de documentos e assistentes pessoais .

Desempenho em Benchmarks vs. Concorrentes

A Meta publicou comparações diretas contra o Google Gemma 4 31B e o Alibaba Qwen 3.6 27B (ambos em modo de raciocínio/pensamento) :

O Muse Glimmer lidera na maioria dos benchmarks agênticos, incluindo MCP Atlas (75,5 vs. 62,5 do Qwen) e DeepSearch QA (74,6 vs. 71,1) . Ele também pontua 94,7 no AIME 2026, liderando ambos os concorrentes .

Ressalva: Uma análise de terceiros observa que o Glimmer fica atrás do Qwen 3.6 27B no TerminalBench 2.1 (51,7 vs. 60,7) e no OSWorld-Verificado (65,9 vs. 75,6), e tem uma tendência a recusar certas tarefas de automação de SO .

Destilação do Muse Spark

O Muse Glimmer foi destilado do Muse Spark (o modelo frontier maior e fechado da Meta) usando destilação de logits durante o pré-treinamento, seguido por ajuste fino supervisionado e RLHF . O próprio Muse Spark permanece fechado — disponível apenas como uma API hospedada — tornando o Glimmer a destilação de peso aberto para usuários que desejam implantação local . A Meta indicou que um lançamento aberto do Muse Spark pode seguir .

Contexto Estratégico: Superinteligência para Todos

O Muse Glimmer é o produto mais claro até agora da visão de Mark Zuckerberg de "superinteligência pessoal" — IA poderosa rodando localmente em dispositivos pessoais, livre de custos de nuvem, taxas de assinatura ou dados saindo do dispositivo . O TechCrunch o chamou de "a imagem mais clara até agora" dessa visão .

O lançamento ocorre após meses de turbulência interna após o lançamento decepcionante do Llama 4 na primavera de 2026, após o qual a Meta parecia ter abandonado a IA de peso aberto. O Muse Glimmer reabre essa estratégia .

O Investimento de US$ 14,3 Bilhões na Scale AI

Em junho de 2025, a Meta investiu US$ 14,3 bilhões na empresa de rotulagem de dados Scale AI, adquirindo uma participação de ~49% . O negócio trouxe o CEO de 28 anos da Scale, Alexandr Wang, para liderar a nova divisão de "Superinteligência" da Meta . O investimento visava garantir dados de treinamento de alta qualidade e talento para a família de modelos Muse . A CNBC reportou em janeiro de 2026 que Wang estava liderando a unidade de IA TBD da Meta, que construía um sucessor para o Llama, com o codinome Avocado .

Disponibilidade e Suporte no Dia do Lançamento

O Muse Glimmer pode ser baixado do Hugging Face em meta-models/Muse-Glimmer-30B sob a licença Apache 2.0 . Ele tem suporte no dia do lançamento em:

• Ollama — baixe e execute localmente com um único comando
• LM Studio — suportado para inferência local baseada em GUI
• SGLang — 230+ tok/s na RTX 5090
• llama.cpp — conversões GGUF da comunidade disponíveis no dia
• NVIDIA NIM — inferência otimizada via estrutura de microsserviços da NVIDIA
• AMD ROCm — suporte oficial para Ryzen AI Max e GPUs Radeon

Relatos iniciais da comunidade mostram que até mesmo uma RTX 3090 (24 GB) pode rodar o modelo quantizado Q4_K_XL com DFlash e uma janela de contexto de 262K usando cerca de 22-23 GB de VRAM .

Especificações Técnicas

O Muse Glimmer é um transformer causal denso (não é um modelo de Mistura de Especialistas) com um codificador de percepção ViT-G/14 dedicado de ~1,8 bilhão de parâmetros para entrada multimodal . Ele possui 52 camadas, uma dimensão oculta de 6.656, e 32 cabeças de consulta com um padrão de Atenção a Grupos de Consultas (GQA) de 16:1 .

O modelo em precisão total requer cerca de 55 GB de VRAM, mas a Meta o disponibiliza com quantização de 4 bits, que comprime o modelo para menos de 20 GB .

Variantes de VRAM Quantizadas

A Meta oferece duas configurações quantizadas, ambas construídas com K-Quant e medidas em 15 benchmarks :

• K-Quant-Dinâmico — voltado para ~32 GB de VRAM, com apenas 0,2% de degradação média em relação à precisão total
• K-Quant-17GB — voltado para ~24 GB de VRAM (modelo tem menos de 20 GB), com degradação média de 1,0%

Laboratórios independentes ainda não reproduziram essas alegações agregadas de degradação .

Decodificação Especulativa DFlash e Taxa de Transferência Local

Para resolver o problema de latência de rodar um modelo de 30B localmente, a Meta emparelha o Muse Glimmer com o DFlash — um pequeno rascunho de decodificação especulativa de cinco camadas que propõe blocos de 16 tokens de uma só vez, que o modelo principal então verifica em paralelo .

A Meta relata a seguinte taxa de transferência no modelo quantizado de 17 GB com tamanho de lote 1 e decodificação gananciosa :

O SGLang relatou 236,4 tok/s no mesmo hardware RTX 5090 em uma medição separada no dia do lançamento . Testes independentes iniciais em uma RTX 5090 com llama.cpp às vezes relatam números mais baixos (por exemplo, ~137 tok/s), sugerindo que o valor de 233+ tok/s requer otimizações específicas .

Capacidades de Agente

O Muse Glimmer não é primariamente um chatbot — é um agente de IA local projetado para fluxos de trabalho autônomos . A Meta o ajustou explicitamente para planejar, chamar ferramentas e se recuperar de seus próprios erros . Ele suporta o Protocolo de Contexto de Modelo (MCP) nativamente e se integra a frameworks de agentes populares .

Os principais casos de uso incluem: chamada de funções, codificação local, sessões longas de uso de ferramentas, avaliação LLM-como-juiz, análise de documentos e assistentes pessoais .

Desempenho em Benchmarks vs. Concorrentes

A Meta publicou comparações diretas contra o Google Gemma 4 31B e o Alibaba Qwen 3.6 27B (ambos em modo de raciocínio/pensamento) :

O Muse Glimmer lidera na maioria dos benchmarks agênticos, incluindo MCP Atlas (75,5 vs. 62,5 do Qwen) e DeepSearch QA (74,6 vs. 71,1) . Ele também pontua 94,7 no AIME 2026, liderando ambos os concorrentes .

Ressalva: Uma análise de terceiros observa que o Glimmer fica atrás do Qwen 3.6 27B no TerminalBench 2.1 (51,7 vs. 60,7) e no OSWorld-Verificado (65,9 vs. 75,6), e tem uma tendência a recusar certas tarefas de automação de SO .

Destilação do Muse Spark

O Muse Glimmer foi destilado do Muse Spark (o modelo frontier maior e fechado da Meta) usando destilação de logits durante o pré-treinamento, seguido por ajuste fino supervisionado e RLHF . O próprio Muse Spark permanece fechado — disponível apenas como uma API hospedada — tornando o Glimmer a destilação de peso aberto para usuários que desejam implantação local . A Meta indicou que um lançamento aberto do Muse Spark pode seguir .

Contexto Estratégico: Superinteligência para Todos

O Muse Glimmer é o produto mais claro até agora da visão de Mark Zuckerberg de "superinteligência pessoal" — IA poderosa rodando localmente em dispositivos pessoais, livre de custos de nuvem, taxas de assinatura ou dados saindo do dispositivo . O TechCrunch o chamou de "a imagem mais clara até agora" dessa visão .

O lançamento ocorre após meses de turbulência interna após o lançamento decepcionante do Llama 4 na primavera de 2026, após o qual a Meta parecia ter abandonado a IA de peso aberto. O Muse Glimmer reabre essa estratégia .

O Investimento de US$ 14,3 Bilhões na Scale AI

Em junho de 2025, a Meta investiu US$ 14,3 bilhões na empresa de rotulagem de dados Scale AI, adquirindo uma participação de ~49% . O negócio trouxe o CEO de 28 anos da Scale, Alexandr Wang, para liderar a nova divisão de "Superinteligência" da Meta . O investimento visava garantir dados de treinamento de alta qualidade e talento para a família de modelos Muse . A CNBC reportou em janeiro de 2026 que Wang estava liderando a unidade de IA TBD da Meta, que construía um sucessor para o Llama, com o codinome Avocado .

Disponibilidade e Suporte no Dia do Lançamento

O Muse Glimmer pode ser baixado do Hugging Face em meta-models/Muse-Glimmer-30B sob a licença Apache 2.0 . Ele tem suporte no dia do lançamento em:

• Ollama — baixe e execute localmente com um único comando
• LM Studio — suportado para inferência local baseada em GUI
• SGLang — 230+ tok/s na RTX 5090
• llama.cpp — conversões GGUF da comunidade disponíveis no dia
• NVIDIA NIM — inferência otimizada via estrutura de microsserviços da NVIDIA
• AMD ROCm — suporte oficial para Ryzen AI Max e GPUs Radeon

Relatos iniciais da comunidade mostram que até mesmo uma RTX 3090 (24 GB) pode rodar o modelo quantizado Q4_K_XL com DFlash e uma janela de contexto de 262K usando cerca de 22-23 GB de VRAM .