Meta เปิดตัว Muse Glimmer: โมเดล AI น้ำหนัก 30B พารามิเตอร์ ทำงานบนการ์ดจอทั่วไปเครื่องเดียว

เมื่อวันที่ 10 สิงหาคม 2026 Meta Superintelligence Labs ปล่อย Muse Glimmer — โมเดล AI แบบโอเพนเวทขนาด ~29.6 พันล้านพารามิเตอร์ ที่สามารถรันบนการ์ดจอสำหรับผู้บริโภคทั่วไปเครื่องเดียว โดยไม่ต้องเชื่อมต่อคลาวด์ใดๆ นี่คือโมเดลโอเพนเวทตัวแรกของ Meta ในรอบกว่าหนึ่งปี ซึ่งส่งสัญญาณกลับสู่รากฐานโอเพนซอร์ส หลังจากความผิดหวังจากการเปิดตัว Llama 4

สเปกสำคัญ

Muse Glimmer เป็น dense causal transformer (ไม่ใช่ Mixture-of-Experts) พร้อมตัวเข้ารหัสการรับรู้ ViT-G/14 ขนาด ~1.8B พารามิเตอร์สำหรับอินพุตแบบมัลติโมดัล มี 52 ชั้น ขนาด Hidden 6,656 และ 32 query heads พร้อม Grouped Query Attention แบบ 16:1

สเปก	รายละเอียด
พารามิเตอร์ทั้งหมด	~29.6B (ภาษา 27.8B + ภาพ ~1.8B)
หน้าต่างบริบท	131,072+ โทเค็น (สูงสุด 262K ในบางการตั้งค่า)
อินพุตมัลติโมดัล	ข้อความ + รูปภาพ ผ่านตัวเข้ารหัสการรับรู้เฉพาะ
ลิขสิทธิ์	Apache 2.0 — อนุญาตให้ใช้เชิงพาณิชย์ แก้ไข และแจกจ่ายต่อ
ทำงานแบบออฟไลน์	รันบนการ์ดจอทั่วไปหรือ Mac เครื่องเดียว ไม่ต้องใช้คลาวด์
ข้อมูลหยุดเรียนรู้	4 มกราคม 2026
ข้อมูลฝึกสอน	ครอบคลุมมากกว่า 100 ภาษา

โมเดลความแม่นยำเต็มต้องใช้ VRAM ~55 GB แต่ Meta จัดส่งแบบ 4-bit quantization ที่บีบอัดโมเดลให้ต่ำกว่า 20 GB

รูปแบบ VRAM แบบ Quantized

Meta จัดส่งสองรูปแบบที่ผ่านการ quantize โดยใช้ K-Quant และวัดผลกับ 15 เบนช์มาร์ก :

• K-Quant-Dynamic — ต้องการ VRAM ~32 GB ค่าเฉลี่ยความเสื่อมถอยเพียง 0.2% เทียบกับความแม่นยำเต็ม
• K-Quant-17GB — ต้องการ VRAM ~24 GB (โมเดลต่ำกว่า 20 GB) ค่าเฉลี่ยความเสื่อมถอย 1.0%

อย่างไรก็ตาม ห้องปฏิบัติการอิสระยังไม่ได้ทำซ้ำข้อเรียกร้องเรื่องความเสื่อมถอยโดยรวมนี้

DFlash Speculative Decoding และปริมาณงานท้องถิ่น

เพื่อแก้ปัญหาความหน่วงในการรันโมเดล 30B บนเครื่องท้องถิ่น Meta จับคู่ Muse Glimmer กับ DFlash — ดราฟเตอร์แบบ speculative-decoding ขนาดเล็ก 5 ชั้น ที่เสนอ 16 โทเค็นพร้อมกัน จากนั้นโมเดลหลักจะตรวจสอบแบบขนาน

Meta รายงานปริมาณงานบนโมเดลควอนไทซ์ขนาด 17 GB ที่ batch size 1 ด้วย greedy decoding :

ฮาร์ดแวร์	พื้นฐาน (tok/s)	พร้อม DFlash (tok/s)	ความเร็วเพิ่มขึ้น
NVIDIA RTX 5090	74.9	233.4	3.1x
Apple M5 Max	26.6	50.2	1.9x
Apple M4 Max	23.7	37.8	1.6x

SGLang รายงาน 236.4 tok/s บน RTX 5090 ตัวเดียวกันในการวัดวันแรกที่แยกต่างหาก การทดสอบอิสระเบื้องต้นบน RTX 5090 กับ llama.cpp บางครั้งให้ตัวเลขต่ำกว่า (เช่น ~137 tok/s) ซึ่งชี้ว่าตัวเลข 233+ tok/s นั้นต้องใช้การปรับแต่งเฉพาะ

ความสามารถแบบเอเจนต์

Muse Glimmer ไม่ใช่แชทบอทเป็นหลัก — มันคือ เอเจนต์ AI ท้องถิ่น ที่ออกแบบมาสำหรับเวิร์กโฟลว์อัตโนมัติ Meta ปรับแต่งมันมาเพื่อ วางแผน เรียกใช้เครื่องมือ และกู้คืนจากข้อผิดพลาดของตัวเอง รองรับ Model Context Protocol (MCP) โดยธรรมชาติและผสานรวมกับเฟรมเวิร์กเอเจนต์ยอดนิยม

กรณีการใช้งานหลัก: การเรียกใช้ฟังก์ชัน, การเขียนโค้ดท้องถิ่น, การใช้เครื่องมือเป็นเวลานาน, การประเมิน LLM-as-a-judge, การวิเคราะห์เอกสาร และผู้ช่วยส่วนตัว

ประสิทธิภาพเบนช์มาร์กเทียบกับคู่แข่ง

Meta เผยแพร่การเปรียบเทียบโดยตรงกับ Google's Gemma 4 31B และ Alibaba's Qwen 3.6 27B (ทั้งคู่ในโหมดคิด/ใช้เหตุผล) :

เบนช์มาร์ก	Muse Glimmer 30B	Gemma 4 31B	Qwen 3.6 27B	สิ่งที่ทดสอบ
MCP Atlas (Public)	75.5	54.2	62.5	การใช้ MCP หลายรอบกับเซิร์ฟเวอร์ 20+ ตัว
DeepSearch QA	74.6	61.7	71.1	การวิจัยเว็บอัตโนมัติ
SWE-Bench Pro	51.2	36.9	50.2	งานซอฟต์แวร์ระดับ Repository ที่ยาก
SWE-Bench Verified	76.0	66.6	77.2	งานเขียนโค้ดที่ตรวจสอบแล้ว
AIME 2026 (คณิตศาสตร์)	94.7	89.2	94.1	การใช้เหตุผลทางคณิตศาสตร์
τ³-Banking (เอเจนต์)	23.5	15.1	16.7	งานธนาคารแบบเอเจนต์
OSWorld-Verified	65.9	58.5	75.6	ระบบอัตโนมัติเดสก์ท็อป OS
Terminal-Bench 2.1	51.7	43.4	60.7	งาน Terminal/ระบบ

Muse Glimmer เป็นผู้นำในเบนช์มาร์กเอเจนต์ส่วนใหญ่ รวมถึง MCP Atlas (75.5 เทียบกับ 62.5 ของ Qwen) และ DeepSearch QA (74.6 เทียบกับ 71.1) นอกจากนี้ยังทำคะแนน 94.7 ใน AIME 2026 ซึ่งนำหน้าคู่แข่งทั้งสอง

ข้อควรระวัง: การวิเคราะห์จากบุคคลที่สามชี้ว่า Glimmer ตามหลัง Qwen 3.6 27B ใน TerminalBench 2.1 (51.7 เทียบกับ 60.7) และ OSWorld-Verified (65.9 เทียบกับ 75.6) และมีแนวโน้มที่จะปฏิเสธงานระบบอัตโนมัติระดับ OS บางอย่าง

การกลั่นจาก Muse Spark

Muse Glimmer ถูก กลั่นจาก Muse Spark (โมเดลระดับแนวหน้าที่ปิดของ Meta) โดยใช้ Logit Distillation ระหว่าง Pre-training ตามด้วย Supervised Fine-Tuning และ RLHF Muse Spark เองยังคงปิดอยู่ — มีให้เฉพาะเป็น API โฮสต์ — ทำให้ Glimmer เป็นการกลั่นแบบโอเพนเวทสำหรับผู้ใช้ที่ต้องการใช้งานบนเครื่องท้องถิ่น Meta บ่งชี้ว่าการปล่อยโอเพนซอร์สของ Muse Spark อาจตามมา

บริบทเชิงกลยุทธ์: ซูเปอร์อินเทลลิเจนซ์สำหรับทุกคน

Muse Glimmer เป็นผลผลิตที่ชัดเจนที่สุดของวิสัยทัศน์ของ Mark Zuckerberg ที่เรียกว่า "Personal Superintelligence" — AI อันทรงพลังที่ทำงานบนอุปกรณ์ส่วนตัวท้องถิ่น ปราศจากค่าคลาวด์ ค่าสมาชิก หรือข้อมูลออกจากอุปกรณ์ TechCrunch เรียกมันว่า "ภาพที่ชัดเจนที่สุด" ของวิสัยทัศน์นั้น

การปล่อยโมเดลนี้เกิดขึ้นหลังความวุ่นวายภายในเป็นเวลาหลายเดือนหลังการเปิดตัว Llama 4 ที่น่าผิดหวังในฤดูใบไม้ผลิปี 2026 ซึ่งหลังจากนั้น Meta ดูเหมือนจะละทิ้ง AI แบบโอเพนเวท Muse Glimmer กลับมาเปิดกลยุทธ์นั้นอีกครั้ง

การลงทุน 14.3 พันล้านดอลลาร์ใน Scale AI

ในเดือนมิถุนายน 2025 Meta ลงทุน 14.3 พันล้านดอลลาร์ ในบริษัทติดป้ายข้อมูล Scale AI โดยเข้าถือหุ้น ~49% ข้อตกลงนี้นำ CEO วัย 28 ปีของ Scale อย่าง Alexandr Wang มาบริหารแผนก "Superintelligence" ใหม่ของ Meta การลงทุนมีเป้าหมายเพื่อรักษาข้อมูลฝึกสอนคุณภาพสูงและบุคลากรสำหรับตระกูลโมเดล Muse CNBC รายงานในเดือนมกราคม 2026 ว่า Wang เป็นผู้นำหน่วย AI TBD ของ Meta ซึ่งกำลังสร้างตัวต่อจาก Llama ซึ่งมีชื่อรหัสว่า Avocado

ช่องทางการใช้งานและการสนับสนุนวันแรก

Muse Glimmer สามารถดาวน์โหลดได้จาก Hugging Face ที่ meta-models/Muse-Glimmer-30B ภายใต้ลิขสิทธิ์ Apache 2.0 รองรับตั้งแต่วันแรกใน:

• Ollama — ดึงและรันบนเครื่องท้องถิ่นด้วยคำสั่งเดียว
• LM Studio — รองรับการอนุมานผ่าน GUI ท้องถิ่น
• SGLang — 230+ tok/s บน RTX 5090
• llama.cpp — การแปลง GGUF ของชุมชนพร้อมใช้ในวันแรก
• NVIDIA NIM — การอนุมานที่ปรับแต่งผ่านเฟรมเวิร์กไมโครเซอร์วิสของ NVIDIA
• AMD ROCm — รองรับอย่างเป็นทางการสำหรับ Ryzen AI Max และ Radeon GPU

รายงานจากชุมชนเบื้องต้นแสดงให้เห็นว่าแม้แต่ RTX 3090 (24 GB) ก็สามารถรันโมเดล Q4_K_XL ที่ควอนไทซ์แล้วพร้อม DFlash และหน้าต่างบริบท 262K โดยใช้ VRAM ประมาณ 22-23 GB