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
Meta จัดส่งสองรูปแบบที่ผ่านการ quantize โดยใช้ K-Quant และวัดผลกับ 15 เบนช์มาร์ก :
อย่างไรก็ตาม ห้องปฏิบัติการอิสระยังไม่ได้ทำซ้ำข้อเรียกร้องเรื่องความเสื่อมถอยโดยรวมนี้
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
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
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
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
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
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
Muse Glimmer สามารถดาวน์โหลดได้จาก Hugging Face ที่ meta-models/Muse-Glimmer-30B ภายใต้ลิขสิทธิ์ Apache 2.0 รองรับตั้งแต่วันแรกใน:
รายงานจากชุมชนเบื้องต้นแสดงให้เห็นว่าแม้แต่ RTX 3090 (24 GB) ก็สามารถรันโมเดล Q4_K_XL ที่ควอนไทซ์แล้วพร้อม DFlash และหน้าต่างบริบท 262K โดยใช้ VRAM ประมาณ 22-23 GB
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
Meta จัดส่งสองรูปแบบที่ผ่านการ quantize โดยใช้ K-Quant และวัดผลกับ 15 เบนช์มาร์ก :
อย่างไรก็ตาม ห้องปฏิบัติการอิสระยังไม่ได้ทำซ้ำข้อเรียกร้องเรื่องความเสื่อมถอยโดยรวมนี้
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
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
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
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
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
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
Muse Glimmer สามารถดาวน์โหลดได้จาก Hugging Face ที่ meta-models/Muse-Glimmer-30B ภายใต้ลิขสิทธิ์ Apache 2.0 รองรับตั้งแต่วันแรกใน:
รายงานจากชุมชนเบื้องต้นแสดงให้เห็นว่าแม้แต่ RTX 3090 (24 GB) ก็สามารถรันโมเดล Q4_K_XL ที่ควอนไทซ์แล้วพร้อม DFlash และหน้าต่างบริบท 262K โดยใช้ VRAM ประมาณ 22-23 GB