Temel Özellikler

Muse Glimmer, bir yoğun nedensel dönüştürücü (Mixture-of-Experts değil) mimarisi kullanıyor ve çok modlu girdiler için özel bir ~1.8 milyar parametrelik ViT-G/14 algılama kodlayıcısına sahip . 52 katman, 6.656 gizli boyut ve 16:1 Gruplanmış Sorgu Dikkati desenine sahip 32 sorgu başlığı içeriyor .

Tam hassasiyetli model yaklaşık 55 GB VRAM gerektiriyor, ancak Meta modeli 4-bit niceleme ile birlikte sunuyor ve bu da modeli 20 GB'ın altına sıkıştırıyor .

Nicelenmiş VRAM Varyantları

Meta, K-Quant ile oluşturulmuş ve 15 farklı kriterle ölçülmüş iki adet nicelenmiş sürüm yayınladı :

• K-Quant-Dynamic — ~32 GB VRAM hedefler, tam hassasiyete kıyasla ortalama yalnızca %0.2 performans düşüşü
• K-Quant-17GB — ~24 GB VRAM hedefler (model 20 GB'ın altında), ortalama %1.0 performans düşüşü

Bağımsız laboratuvarlar bu toplam performans düşüşü iddialarını henüz doğrulamadı .

DFlash Spekülatif Kod Çözme ve Yerel Verim

30 milyar parametreli bir modeli yerelde çalıştırmanın getirdiği gecikme sorununu çözmek için Meta, Muse Glimmer'ı DFlash ile eşleştiriyor. Bu, aynı anda 16 tokenlik bloklar öneren küçük, beş katmanlı bir spekülatif kod çözme taslağı. Ana model daha sonra bu blokları paralel olarak doğruluyor .

Meta, 17 GB'lık nicelenmiş modelde, 1 partik boyutu ve açgözlü kod çözme ile aşağıdaki verimi rapor ediyor :

SGLang, aynı RTX 5090 donanımında ayrı bir 0. gün ölçümünde saniyede 236.4 token hızına ulaştığını bildirdi . Erken bağımsız testler, llama.cpp ile RTX 5090'da bazen daha düşük rakamlar (örneğin, ~137 token/s) gösteriyor; bu da 233+ token/s rakamının belirli optimizasyonlar gerektirdiğini gösteriyor .

Aracı Yetenekleri

Muse Glimmer öncelikle bir sohbet robotu değil; otonom iş akışları için tasarlanmış yerel bir yapay zeka ajanıdır . Meta, modeli açıkça plan yapacak, araçları çağıracak ve kendi hatalarından ders çıkaracak şekilde ayarladı . Model Bağlam Protokolü'nü (MCP) yerel olarak destekliyor ve popüler ajan çerçeveleriyle entegre oluyor .

Başlıca kullanım alanları arasında fonksiyon çağırma, yerel kodlama, uzun araç kullanma oturumları, yapay zeka yargıcı olarak değerlendirme, belge analizi ve kişisel asistanlar yer alıyor .

Rakiplere Karşı Benchmark Performansı

Meta, Google'ın Gemma 4 31B ve Alibaba'nın Qwen 3.6 27B modelleriyle (her ikisi de düşünme/akıl yürütme modunda) doğrudan karşılaştırmalar yayınladı :

Muse Glimmer, MCP Atlas (75.5'e karşı 62.5) ve DeepSearch QA (74.6'ya karşı 71.1) dahil olmak üzere çoğu ajan kriterinde lider durumda . Ayrıca AIME 2026'da 94.7 puan alarak her iki rakibini de geride bırakıyor .

Uyarı: Üçüncü taraf bir analiz, Glimmer'ın TerminalBench 2.1 (51.7'ye karşı 60.7) ve OSWorld-Verified (65.9'a karşı 75.6) testlerinde Qwen 3.6 27B'nin gerisinde kaldığını ve belirli işletim sistemi seviyesindeki otomasyon görevlerini reddetme eğiliminde olduğunu belirtiyor .

Muse Spark'tan Damıtma

Muse Glimmer, Meta'nın daha büyük, kapalı kaynak amiral gemisi modeli olan Muse Spark'tan ön eğitim sırasında logit damıtma kullanılarak damıtıldı ve ardından denetimli ince ayar ve RLHF uygulandı . Muse Spark'ın kendisi kapalı kalmaya devam ediyor ve yalnızca barındırılan bir API olarak kullanılabiliyor. Bu da Glimmer'ı yerel dağıtım isteyen kullanıcılar için açık kaynak damıtma modeli haline getiriyor . Meta, Muse Spark'ın açık kaynak bir sürümünün daha sonra gelebileceğini belirtti .

Stratejik Bağlam: Herkes İçin Süper Zeka

Muse Glimmer, Mark Zuckerberg'in "kişisel süper zeka" vizyonunun en somut ürünü: bulut maliyetleri, abonelik ücretleri veya cihazdan veri çıkışı olmadan kişisel cihazlarda çalışan güçlü bir yapay zeka . TechCrunch, bunu bu vizyonun "şimdiye kadarki en net resmi" olarak nitelendirdi .

Bu lansman, 2026 baharında Llama 4'ün hayal kırıklığı yaratan çıkışının ardından Meta'nın açık kaynak yapay zekayı terk etmiş gibi göründüğü aylar süren iç çalkantının ardından geldi. Muse Glimmer bu stratejiyi yeniden canlandırıyor .

14.3 Milyar Dolarlık Scale AI Yatırımı

Haziran 2025'te Meta, veri etiketleme firması Scale AI'ya 14.3 milyar dolar yatırım yaparak yaklaşık %49 hisse satın aldı . Anlaşma, Scale'ın 28 yaşındaki CEO'su Alexandr Wang'ı Meta'nın yeni "Süper Zeka" bölümünün başına getirdi . Yatırım, Muse model ailesi için yüksek kaliteli eğitim verisi ve yetenek güvence altına almayı amaçlıyordu . CNBC, Ocak 2026'da Wang'ın Llama'nın halefi olacak ve kod adı Avocado olan bir model geliştiren Meta'daki TBD AI birimini yönettiğini bildirdi .

Kullanılabilirlik ve 0. Gün Desteği

Muse Glimmer, Hugging Face'de meta-models/Muse-Glimmer-30B adresinden Apache 2.0 lisansıyla indirilebilir . Aşağıdaki platformlarda 0. gün desteğine sahiptir:

• Ollama — tek bir komutla çekip yerel olarak çalıştırma
• LM Studio — yerel GUI tabanlı çıkarım için destek
• SGLang — RTX 5090'da 230+ token/s
• llama.cpp — topluluk GGUF dönüşümleri aynı gün hazır
• NVIDIA NIM — NVIDIA'nın mikro hizmet çerçevesi üzerinden optimize edilmiş çıkarım
• AMD ROCm — Ryzen AI Max ve Radeon GPU'lar için resmi destek

Erken topluluk raporları, RTX 3090 (24 GB) gibi bir kartın bile Q4_K_XL nicelenmiş modeli DFlash ve 262K bağlam penceresiyle yaklaşık 22-23 GB VRAM kullanarak çalıştırabildiğini gösteriyor .

Temel Özellikler

Muse Glimmer, bir yoğun nedensel dönüştürücü (Mixture-of-Experts değil) mimarisi kullanıyor ve çok modlu girdiler için özel bir ~1.8 milyar parametrelik ViT-G/14 algılama kodlayıcısına sahip . 52 katman, 6.656 gizli boyut ve 16:1 Gruplanmış Sorgu Dikkati desenine sahip 32 sorgu başlığı içeriyor .

Tam hassasiyetli model yaklaşık 55 GB VRAM gerektiriyor, ancak Meta modeli 4-bit niceleme ile birlikte sunuyor ve bu da modeli 20 GB'ın altına sıkıştırıyor .

Nicelenmiş VRAM Varyantları

Meta, K-Quant ile oluşturulmuş ve 15 farklı kriterle ölçülmüş iki adet nicelenmiş sürüm yayınladı :

• K-Quant-Dynamic — ~32 GB VRAM hedefler, tam hassasiyete kıyasla ortalama yalnızca %0.2 performans düşüşü
• K-Quant-17GB — ~24 GB VRAM hedefler (model 20 GB'ın altında), ortalama %1.0 performans düşüşü

Bağımsız laboratuvarlar bu toplam performans düşüşü iddialarını henüz doğrulamadı .

DFlash Spekülatif Kod Çözme ve Yerel Verim

30 milyar parametreli bir modeli yerelde çalıştırmanın getirdiği gecikme sorununu çözmek için Meta, Muse Glimmer'ı DFlash ile eşleştiriyor. Bu, aynı anda 16 tokenlik bloklar öneren küçük, beş katmanlı bir spekülatif kod çözme taslağı. Ana model daha sonra bu blokları paralel olarak doğruluyor .

Meta, 17 GB'lık nicelenmiş modelde, 1 partik boyutu ve açgözlü kod çözme ile aşağıdaki verimi rapor ediyor :

SGLang, aynı RTX 5090 donanımında ayrı bir 0. gün ölçümünde saniyede 236.4 token hızına ulaştığını bildirdi . Erken bağımsız testler, llama.cpp ile RTX 5090'da bazen daha düşük rakamlar (örneğin, ~137 token/s) gösteriyor; bu da 233+ token/s rakamının belirli optimizasyonlar gerektirdiğini gösteriyor .

Aracı Yetenekleri

Muse Glimmer öncelikle bir sohbet robotu değil; otonom iş akışları için tasarlanmış yerel bir yapay zeka ajanıdır . Meta, modeli açıkça plan yapacak, araçları çağıracak ve kendi hatalarından ders çıkaracak şekilde ayarladı . Model Bağlam Protokolü'nü (MCP) yerel olarak destekliyor ve popüler ajan çerçeveleriyle entegre oluyor .

Başlıca kullanım alanları arasında fonksiyon çağırma, yerel kodlama, uzun araç kullanma oturumları, yapay zeka yargıcı olarak değerlendirme, belge analizi ve kişisel asistanlar yer alıyor .

Rakiplere Karşı Benchmark Performansı

Meta, Google'ın Gemma 4 31B ve Alibaba'nın Qwen 3.6 27B modelleriyle (her ikisi de düşünme/akıl yürütme modunda) doğrudan karşılaştırmalar yayınladı :

Muse Glimmer, MCP Atlas (75.5'e karşı 62.5) ve DeepSearch QA (74.6'ya karşı 71.1) dahil olmak üzere çoğu ajan kriterinde lider durumda . Ayrıca AIME 2026'da 94.7 puan alarak her iki rakibini de geride bırakıyor .

Uyarı: Üçüncü taraf bir analiz, Glimmer'ın TerminalBench 2.1 (51.7'ye karşı 60.7) ve OSWorld-Verified (65.9'a karşı 75.6) testlerinde Qwen 3.6 27B'nin gerisinde kaldığını ve belirli işletim sistemi seviyesindeki otomasyon görevlerini reddetme eğiliminde olduğunu belirtiyor .

Muse Spark'tan Damıtma

Muse Glimmer, Meta'nın daha büyük, kapalı kaynak amiral gemisi modeli olan Muse Spark'tan ön eğitim sırasında logit damıtma kullanılarak damıtıldı ve ardından denetimli ince ayar ve RLHF uygulandı . Muse Spark'ın kendisi kapalı kalmaya devam ediyor ve yalnızca barındırılan bir API olarak kullanılabiliyor. Bu da Glimmer'ı yerel dağıtım isteyen kullanıcılar için açık kaynak damıtma modeli haline getiriyor . Meta, Muse Spark'ın açık kaynak bir sürümünün daha sonra gelebileceğini belirtti .

Stratejik Bağlam: Herkes İçin Süper Zeka

Muse Glimmer, Mark Zuckerberg'in "kişisel süper zeka" vizyonunun en somut ürünü: bulut maliyetleri, abonelik ücretleri veya cihazdan veri çıkışı olmadan kişisel cihazlarda çalışan güçlü bir yapay zeka . TechCrunch, bunu bu vizyonun "şimdiye kadarki en net resmi" olarak nitelendirdi .

Bu lansman, 2026 baharında Llama 4'ün hayal kırıklığı yaratan çıkışının ardından Meta'nın açık kaynak yapay zekayı terk etmiş gibi göründüğü aylar süren iç çalkantının ardından geldi. Muse Glimmer bu stratejiyi yeniden canlandırıyor .

14.3 Milyar Dolarlık Scale AI Yatırımı

Haziran 2025'te Meta, veri etiketleme firması Scale AI'ya 14.3 milyar dolar yatırım yaparak yaklaşık %49 hisse satın aldı . Anlaşma, Scale'ın 28 yaşındaki CEO'su Alexandr Wang'ı Meta'nın yeni "Süper Zeka" bölümünün başına getirdi . Yatırım, Muse model ailesi için yüksek kaliteli eğitim verisi ve yetenek güvence altına almayı amaçlıyordu . CNBC, Ocak 2026'da Wang'ın Llama'nın halefi olacak ve kod adı Avocado olan bir model geliştiren Meta'daki TBD AI birimini yönettiğini bildirdi .

Kullanılabilirlik ve 0. Gün Desteği

Muse Glimmer, Hugging Face'de meta-models/Muse-Glimmer-30B adresinden Apache 2.0 lisansıyla indirilebilir . Aşağıdaki platformlarda 0. gün desteğine sahiptir:

• Ollama — tek bir komutla çekip yerel olarak çalıştırma
• LM Studio — yerel GUI tabanlı çıkarım için destek
• SGLang — RTX 5090'da 230+ token/s
• llama.cpp — topluluk GGUF dönüşümleri aynı gün hazır
• NVIDIA NIM — NVIDIA'nın mikro hizmet çerçevesi üzerinden optimize edilmiş çıkarım
• AMD ROCm — Ryzen AI Max ve Radeon GPU'lar için resmi destek

Erken topluluk raporları, RTX 3090 (24 GB) gibi bir kartın bile Q4_K_XL nicelenmiş modeli DFlash ve 262K bağlam penceresiyle yaklaşık 22-23 GB VRAM kullanarak çalıştırabildiğini gösteriyor .