Meta открывает исходный код Muse Glimmer 30B для запуска локальных ИИ-агентов на потребительском оборудовании

Вступ

Meta випустила Muse Glimmer — модель з відкритою вагою на 30 мільярдів параметрів, розроблену для локальних, постійно запущених AI-агентів.

Модель була представлена лабораторією суперінтелекту Meta 10 серпня 2026 року, а її ваги доступні під ліберальною ліцензією Apache License 2.0.

Muse Glimmer орієнтована на інший спосіб розгортання, ніж хмарні фронтирні моделі, які сьогодні використовує більшість людей.

Їй не потрібно надсилати кожен запит, скріншот, документ чи виклик інструмента до хостингового API моделі. Замість цього вона розроблена для безпосереднього запуску на Mac або ПК з відповідним споживчим обладнанням.

Meta позиціонує її для таких завдань:

• Локальні персональні агенти.
• Виклики функцій та інструментів.
• Багатокрокові робочі процеси.
• Програмування та налагодження.
• Розуміння скріншотів і документів.
• Робочі процеси з файлами.
• Довготривалі міркування.
• Оцінювання з використанням LLM як судді.

Модель приймає текстові та зображувальні входи та генерує текстові виходи. Вона може інтерпретувати скріншоти, діаграми, документи та інші візуальні входи завдяки спеціалізованому перцептивному енкодеру.

Її навчальні дані охоплюють понад 100 мов.

Основна ідея проста:

Персональний контекст
+ Локальна модель
+ Інструменти
+ Довготривалий агентний цикл
=
AI-помічник, який працює без хмарної моделі

Такий локально-орієнтований дизайн особливо важливий для агентів, яким може знадобитися доступ до особистих даних, таких як файли, повідомлення, розклади та робочі документи.

Однак «офлайн-модель» не слід розуміти як «усі агентні завдання можуть працювати офлайн». Muse Glimmer сама по собі може працювати без мережі, але агенти, які викликають хмарні календарі, надсилають електронні листи, шукають в інтернеті або використовують інші віддалені сервіси, все одно потребують відповідного мережевого з'єднання та облікових даних.

Muse Glimmer — це модель на 30B, дистильована з Muse Spark

Початковий звіт AIBase описував Glimmer як відкриту версію ранньої Muse Spark від Meta.

Це твердження близьке за духом, але технічно неточне.

Офіційний опис Meta називає Muse Glimmer дистильованою з Muse Spark.

Модель побудована за допомогою багатоетапного процесу навчання, який переносить можливості з більшої моделі-вчителя в меншу архітектуру, оптимізовану для локального обладнання.

Meta описує три основні етапи навчання:

1. Попереднє навчання: Glimmer навчається на виходах Muse Spark за допомогою логіт-дистиляції (logit distillation) зі схожою сумішшю даних.
2. Проміжне навчання: Meta додає довший контекст і більше агентно-інтенсивних даних, включаючи багатші траєкторії міркувань.
3. Фінальне навчання: Команда поєднує контрольоване тонке налаштування, внутрішньополітичну дистиляцію та навчання з підкріпленням для загальних, розумових, кодувальних та агентних завдань.

Таким чином, взаємозв'язок можна краще підсумувати так:

Muse Spark
    ↓
Виходи вчителя та міркування
    ↓
Дистиляція + агентно-орієнтоване навчання
    ↓
Muse Glimmer 30B

Glimmer — це не просто прямий завантажуваний збіг ваг того самого чекпоінта Spark.

Це окрема, менша модель, оптимізована під обмеження локальних міркувань.

Архітектура та ключові характеристики

Поточна картка моделі Meta вказує приблизно 29,6 мільярда загальних параметрів, включаючи візуальний енкодер.

Модель є щільною, а не сумішшю експертів (Mixture-of-Experts).

Це ускладнює локальне розгортання, оскільки всі ваги моделі необхідно завантажувати під час інференсу.

Meta в основному вирішує цю проблему за допомогою квантування.

Модель на 30B, розроблена для розміщення в 24 ГБ або 32 ГБ VRAM

У повній точності модель такого масштабу потребує більше пам'яті, ніж може запропонувати типовий споживчий GPU.

Meta заявляє, що повноточна модель потребує понад 55 ГБ пам'яті, а її еталонна ціль для повної точності — конфігурація з 64 ГБ VRAM.

Для локального розгортання Meta надає варіанти з квантуванням приблизно до 4 біт.

Офіційне порівняння виглядає так:

*Meta повідомляє про середнє зниження показників точності за 15 поширеними бенчмарками.

Стиснуті ваги мовної моделі можуть бути зменшені до менш ніж 20 ГБ, залишаючи місце для:

• KV-кешу.
• Перцептивного енкодера.
• DFlash-моделі чернетки.
• Накладних витрат на виконання.

Ця інженерна зміна уможливлює запуск щільної мультимодальної моделі-агента на 30B на висококласному споживчому пристрої.

«Споживче обладнання» все ще потребує пояснення контексту.

Порівняно з дата-центровими кластерами, вимоги до пам'яті в 24 ГБ або 32 ГБ є досяжними, але це не конфігурація бюджетного ноутбука.

Повна модель все ще вимоглива.

Побудована для багатокрокових агентних робочих процесів

Muse Glimmer позиціонується не в першу чергу як легка чат-модель.

Meta навчала та оцінювала її з акцентом на виконання агентних завдань.

У картці моделі виділено кілька ключових можливостей.

Наскрізне виконання завдань

Glimmer розроблена для виконання цілих завдань, а не для зупинки після однієї відповіді.

Агент може:

Зрозуміти мету
→ Скласти план
→ Викликати інструмент
→ Перевірити результат
→ Переглянути план
→ Викликати інший інструмент
→ Завершити завдання

Це особливо корисно для сценаріїв, де правильна відповідь залежить від проміжних дій.

Надійне використання інструментів

Модель навчена викликати функції за структурованими патернами в розширених робочих процесах.

Це робить її придатною для систем, що надають доступ до таких інструментів:

• Файли.
• Команди оболонки.
• Бази даних.
• Календарі.
• Документи.
• Браузери.
• Внутрішні застосунки.

Сама модель не отримує автоматичного доступу до цих систем.

Агентна інфраструктура визначає, які інструменти існують і які права доступу має модель.

Багатокрокові міркування

Glimmer підтримує безперервне планування в довших робочих процесах.

Вона також підтримує чотири рівні інтенсивності міркувань:

Низький
Середній
Високий
Надзвичайно високий

Meta рекомендує використовувати рівні «високий» або «надзвичайно високий» для складніших завдань з кодування, міркувань та агентної діяльності.

Коли затримка важливіша за глибокі міркування, нижчі рівні можуть бути доречнішими.

Відновлення після збоїв

Однією з найважливіших характеристик агента є здатність продовжувати роботу після збою виклику інструмента.

Meta заявляє, що Glimmer навчена діагностувати неочікувані результати та повторювати спробу, а не зупинятися негайно.

Для довготривалих локальних помічників це так само важливо, як і початкова продуктивність на бенчмарках.

Реальні інструменти дають збої.

Файли переміщуються. Команди повертають помилки. API-виклики закінчуються за таймаутом. Програми можуть не компілюватися.

Агент, який не може відновитися, перетворює кожну дрібну невдачу на переривання, що потребує втручання людини.

Текстові та зображувальні входи роблять скріншоти кориснішими

Muse Glimmer містить спеціалізований візуальний енкодер приблизно на 1,8 мільярда параметрів.

Це дозволяє їй обробляти змішані текстові та зображувальні входи.

Meta особливо підкреслює сценарії, що включають:

• Скріншоти.
• Діаграми.
• Документи.
• Візуальні інтерфейси.

Это особенно важно для компьютерных операционных агентов.

Локальные агенты могут проверять скриншоты приложений и использовать этот визуальный контекст в следующем шаге рассуждений.

Ollama приводит следующие примеры:

• Создание приложения на основе вайрфрейма.
• Компьютерные операционные рабочие процессы, управляемые скриншотами.
• Чтение чеков, документов и диаграмм.

Видео не является нативно оптимизированным входным модальностью.

В карточке модели Meta указано, что видео можно обрабатывать как отдельные кадры, но модель не оптимизирована явно для понимания видео.

Аудиовход и аудиовыход также не поддерживаются.

Охват более 100 обучающих языков

AIBase сообщает, что Glimmer поддерживает текстовые и графические взаимодействия и охватывает обучающие данные на более чем 100 языках.

Карточка модели Meta подтверждает, что её обучающие данные охватывают более 100 языков.

Это не означает гарантии одинаковой производительности на всех языках.

Meta прямо отмечает, что модель не оценивалась на каждом языке из её предобучающих данных, и за пределами основных поддерживаемых языков производительность может быть ниже.

Для локальных многоязычных приложений разработчикам следует напрямую тестировать целевой язык, а не предполагать равномерное качество.

DFlash ускоряет цикл локального агента

Рабочие процессы локальных агентов могут казаться медленными, поскольку одна задача может требовать нескольких раундов рассуждений и вызовов инструментов.

Мелкие задержки, повторяющиеся на 20 или 50 шагах агента, становятся заметными.

Muse Glimmer поставляется с лёгким сопутствующим моделём спекулятивного декодирования на основе DFlash.

Черновая модель предлагает блок будущих токенов.

Затем основная модель Glimmer параллельно проверяет эти предложенные токены.

Упрощённый процесс выглядит так:

DFlash черновик блока
→ Muse Glimmer проверка
→ Правильные токены принимаются
→ Ошибочные токены исправляются

Meta сообщает, что модель DFlash может черновить блок из 16 токенов за один прямой проход.

Её цель — уменьшить последовательное узкое место в обычном процессе генерации токенов.

Meta сообщает о скорости декодирования своей модели K-Quant-17GB в сочетании с квантованной черновой моделью DFlash:

|
| Apple M5 Max | 26.6 ток/с | 50.2 ток/с | 1.8× |
| Apple M4 Max | 23.7 ток/с | 37.8 ток/с | 1.5× |

Это измерения, сообщённые Meta.

Компания заявляет, что тесты использовали жадное декодирование с размером пакета 1, измерения на M4/M5 выполнялись через ExecuTorch, а на RTX 5090 — через llama.cpp.

Фактическая скорость в приложениях будет зависеть от следующих факторов:

• Длина подсказки.
• Размер контекста.
• Метод квантования.
• Задержка инструментов.
• Оборудование.
• Среда выполнения.
• Входные изображения.
• Интенсивность рассуждений.
• Включено ли спекулятивное декодирование.

Производительность на эталонных тестах

Meta сравнила Muse Glimmer с другими моделями открытого веса того же размерного класса, включая Gemma4-31B и Qwen3.6-27B.

Некоторые сообщённые компанией результаты включают:

Общая производительность конкурентоспособна, но не является абсолютным лидером.

Например, собственные графики Meta показывают, что в нескольких эталонных тестах другие модели опережают Glimmer.

Это ожидаемо.

Основное позиционирование продукта Muse Glimmer — не «лучшие результаты во всех эталонных тестах».

А комбинация следующих элементов:

Агентные возможности
+
Многомодальный ввод
+
Локальное выполнение
+
Открытый вес
+
Ориентация на потребительскую память

Методология эталонных тестов требует контекстуального понимания

Meta также опубликовала отдельный документ по методологии оценки.

В нём указано, что сравнительные данные могут поступать из смеси следующих источников:

• Внутреннее воспроизведение.
• Самостоятельно сообщённые результаты поставщика модели.
• Artificial Analysis.

Агентные эталонные тесты особенно чувствительны к следующим факторам:

• Системные подсказки.
• Каркас агента.
• Определения инструментов.
• Ограничения по времени или числу раундов.
• Настройки выборки.
• Среда выполнения.

Таблицы эталонных тестов — полезные доказательства.

Но их не следует рассматривать как доказательство того, что данная модель оптимальна в каждом реальном развёртывании агента.

Локальная конфиденциальность — главный стратегический сценарий применения

Оригинальный текст акцентирует внимание на личной конфиденциальности.

Это также одна из важнейших причин для запуска агента локально.

Полезный личный агент может нуждаться в доступе к:

• Локальным документам.
• Сообщениям.
• Заметкам.
• Рабочим файлам.
• Скриншотам.
• Личному расписанию.
• Состоянию приложений.
• Контексту частных проектов.

Отправка всех этих материалов в удалённый модельный сервис формирует совершенно иной паттерн потоков данных, чем обработка на устройстве пользователя.

Muse Glimmer спроектирован так, чтобы основной цикл рассуждений мог оставаться локальным.

В официальном документе с рецептами Muse Glimmer от Meta указано, что локально-приоритетный рецепт может работать без следующих условий:

• Облачная инфраструктура.
• Управляемый инференс.
• API-ключи.
• Доступ в сеть.

Это может уменьшить объём личных данных, покидающих устройство.

Локальность не означает автоматическую конфиденциальность

Это различие по-прежнему важно.

Локальная модель может подключаться к инструментам, отправляющим данные в другие места.

Например:

Локальная модель Glimmer
→ Облачный почтовый сервис
→ Удалённый календарь
→ Веб-поиск
→ Сторонние MCP-серверы

В такой системе инференс модели является локальным, но рабочий процесс не полностью офлайн.

Конфиденциальность зависит от полной

архитектуры агента.

Разработчикам следует проверять:

• Права инструментов.
• Удалённые конечные точки.
• Журналы.
• Постоянную память.
• Доступ к браузеру.
• Доступ к оболочке.
• Учётные данные.
• Телеметрию.
• Поведение плагинов или MCP.

Локальный инференс — полезный примитив конфиденциальности, но не универсальная гарантия.

Личный агент работает даже без сети

Для рабочих процессов, полностью построенных на локальных ресурсах, Muse Glimmer продолжает работать при отсутствии сети.

Локальный личный агент теоретически может обрабатывать следующие задачи:

• Поиск по локальным заметкам.
• Переорганизация файлов.
• Суммирование офлайн-документов.
• Составление черновиков сообщений для последующей отправки.
• Написание и отладка локального кода.
• Извлечение информации из скриншотов.
• Создание локальных отчётов.
• Управление локальными списками задач.

Именно это Meta подразумевает, описывая Glimmer как постоянно доступную локальную агентную модель.

Модель остаётся доступной без ожидания облачной конечной точки.

Это также позволяет избежать поплатежных API-расходов за инференс после того, как пользователь оплатил оборудование и электроэнергию.

Модель по-прежнему требует каркаса агента

Загрузка Muse Glimmer не создаёт автоматически полноценного личного помощника.

Модель — лишь компонент.

Полезному агенту всё ещё требуется среда выполнения.

Типичные компоненты включают:

Muse Glimmer
+
Системные инструкции
+
Определения инструментов
+
Цикл агента
+
Контроль разрешений
+
Память
+
Локальные или удалённые приложения

Карточка модели Meta указывает, что Glimmer совместима с такими оркестрационными схемами агентов, как OpenClaw и Hermes Agent.

Meta также выпустила Muse Glimmer

Руководство по использованию, охватывающее:

• Быстрый старт.
• Основы работы с инструментами.
• Рецепты для агентов.
• Инференс-серверы.
• Развёртывание на конкретном оборудовании.
• Альтернативы хостинга.

Это делает данный релиз более ценным, чем просто публикация весов.

Быстрый старт с Ollama на Apple Silicon

Ollama добавила раннюю поддержку Muse Glimmer 10 августа.

На момент написания статьи в примечаниях к релизу Ollama указано, что первоначальная поддержка реализована через движок MLX на Apple Silicon.

Ожидается, что в дальнейшем появятся дополнительные оптимизации для Apple Silicon, NVIDIA, AMD и других платформ.

Установите текущую версию Ollama и выполните:

ollama run muse-glimmer:30b-mlx

Для поддерживаемых интеграций с кодинг-агентами документация Ollama содержит примеры, например:

ollama launch claude --model muse-glimmer:30b-mlx

Для OpenClaw:

ollama launch openclaw --model muse-glimmer:30b-mlx

Для Hermes:

ollama launch hermes --model muse-glimmer:30b-mlx

Поскольку поддержка локального выполнения быстро развивается после выпуска новой модели, перед предположениями о наличии тех же тегов моделей и поддержке бэкенда на Windows, Linux, NVIDIA или AMD ознакомьтесь с последней документацией Ollama.

Запуск модели с помощью vLLM

На текущей странице модели Hugging Face представлено краткое руководство по началу работы с vLLM.

Установите vLLM:

pip install vllm

Запустите сервер Muse Glimmer:

vllm serve "meta-models/Muse-Glimmer-30B"

Созданный сервер предоставляет API, совместимый с OpenAI.

Это упрощает подключение для приложений, которые уже умеют вызывать локальные чат-эндпоинты в стиле OpenAI.

Для обслуживания в полной точности требуется значительно больше памяти, чем для квантованных версий на 24 ГБ/32 ГБ.

Варианты развёртывания.

Выбирайте артефакты модели и среду выполнения в зависимости от реально доступного оборудования.

Запуск с использованием SGLang

На официальной странице модели также указан путь через SGLang:

pip install sglang

Затем:

python3 -m sglang.launch_server \
    --model-path "meta-models/Muse-Glimmer-30B" \
    --host 0.0.0.0 \
    --port 30000

После этого модель можно вызывать через OpenAI-совместимый эндпоинт локального сервера.

Запуск модели через Docker

На текущей странице интеграции Hugging Face также указано:

docker model run hf.co/meta-models/Muse-Glimmer-30B

Развёртывание на основе Docker может упростить упаковку, однако совместимость с оборудованием, требования к памяти и поддержка среды выполнения должны быть проверены на целевой машине.

Выпущенные артефакты: не только BF16 чекпоинт

Коллекция Meta на Hugging Face в настоящее время включает несколько официальных артефактов:

1. Muse-Glimmer-30B — веса BF16 для исследований и тонкой настройки.
2. Muse-Glimmer-30B-GGUF — официальные файлы K-quant для локального инференса.
3. Muse-Glimmer-30B-ExecuTorch-PTE — для сборок на устройствах, включая решения для Metal.
4. Muse-Glimmer-30B-assistant — вспомогательная модель для спекулятивного декодирования DFlash.

Карточка модели Meta показывает, что в релиз входят:

• Веса BF16 полной точности.
• Два 4-битных квантованных варианта.
• Чертёжная модель DFlash.
• Перцептивный энкодер.

Все они выпущены под лицензией Apache 2.0.

Это гораздо удобнее для разработчиков, чем публикация одного большого исследовательского чекпоинта.

Локальное кодирование — основной целевой сценарий

Кодирование — один из наиболее очевидных случаев использования локальных агентов.

Кодинг-агентам обычно требуется доступ к:

• Репозиториям кода.
• Локальным файлам.
• Оболочке (shell).
• Инструментам сборки.
• Тестам.
• Выводам компилятора.
• Скриншотам или макетам.

Сохранение этих материалов локально может быть привлекательным в следующих сценариях:

• Проприетарное программное обеспечение.
• Внутренний код предприятия.
• Неопубликованные продукты.
• Чувствительные клиентские проекты.
• Изолированные сети или среды с низкой связностью.

Meta оценивала Glimmer на таких задачах кодирования, как SWE-Bench и TerminalBench, и указывает кодинг-агентов среди ожидаемых случаев использования.

Тем не менее локальное развертывание не устраняет обычные риски, связанные с кодинг-агентами.

Модель, имеющая доступ к оболочке или право записи в файлы, может:

• Удалять файлы.
• Изменять конфигурации.
• Выполнять небезопасные команды.
• Устанавливать недоверенные зависимости.
• Раскрывать данные через подключённые инструменты.

Контроль разрешений и песочница остаются необходимыми.

Meta рекомендует дополнительные меры предосторожности для реальных операций

Карточка модели Meta не описывает Glimmer как автономную систему, которой можно предоставить неограниченный доступ.

Она рекомендует развертывать модель как часть более широкой системы с соответствующими контексту мерами защиты.

Для сценариев использования агентов Meta особо рекомендует внедрять такие меры контроля, как подтверждение человеком необратимых действий.

Это особенно важно для задач, включающих:

• Отправку электронных писем.
• Удаление данных.
• Публикацию контента.
• Перевод денежных средств.
• Изменение производственной инфраструктуры.
• Изменение параметров безопасности.

Локальная модель может снизить зависимость от облака, но агент всё равно должен быть спроектирован с осторожностью.

Оценка готовности: средняя или ниже

Meta заявляет, что общие возможности Muse Glimmer ниже, чем у Muse Spark, и поэтому она не достигает определения передового ИИ в соответствии с

Расширенной структурой Meta для передового ИИ.

Тем не менее Meta провела оценку этого открытого релиза в рамках своего процесса Preparedness.

Карточка модели содержит следующие оценки:

Meta указывает, что выводы по кибербезопасности и потере контроля являются оценочными, частично потому, что Glimmer в целом слабее, чем Muse Spark 1.0, который получил те же оценки в этих областях.

Это собственные оценки безопасности Meta, а не независимая сертификация.

Компания также признаёт, что тестирование не может охватить все сценарии.

Персональный суперинтеллект — более масштабная стратегия

В заключительной части статьи AIBase Muse Glimmer связывается с концепцией персонального суперинтеллекта Марка Цукерберга.

Эта связь является официальной.

Meta неоднократно позиционировала свои последние модели и продукты следующим образом: передовой ИИ должен помогать отдельным людям достигать своих целей, а не концентрировать интеллект в руках нескольких компаний или правительств.

В статье Цукерберга от 10 августа «Будущее принадлежит каждому» он утверждает, что передовой ИИ должен быть широко распространён.

Среди сценариев, где персональные агенты могут помочь, он перечисляет:

• Межличностные отношения.
• Здоровье.
• Карьеру.
• Финансы.
• Ведение домашнего хозяйства.
• Обучение.
• Творчество.
• Новый бизнес.

Он также заявил, что Meta намерена предоставлять эти инструменты бесплатно или по максимально низкой цене, включая бесплатные версии для миллиардов людей.

Muse Glimmer — это практическая демонстрация части этой философии:

Мощная модель агента
→ Загружаемые веса
→ Локальный инференс
→

Пользовательский контроль аппаратного обеспечения

Стратегия балансировки власти через открытые модели

Аргумент Цукерберга выходит за рамки удобства для разработчиков.

Он рассматривает открытый ИИ как способ уменьшения концентрации власти.

Логика следующая:

Несколько организаций контролируют самые мощные ИИ
→ Интеллект становится централизованным

Многие могут запускать мощные модели
→ Возможности становятся более распределёнными

Является ли это путём к лучшим результатам безопасности — спорный вопрос.

Цукерберг считает, что широкий доступ может создать систему сдержек и противовесов.

Другие полагают, что высокоспособные открытые модели также могут повысить риск злоупотреблений, поскольку после широкого распространения весов некоторые меры безопасности будет трудно обеспечить.

Тот факт, что Muse Glimmer — не самая мощная модель Meta, имеет решающее значение в этой дискуссии.

Собственные оценки Preparedness от Meta показывают, что Glimmer значительно слабее, чем Muse Spark, и оценивают её риски как низкие или ниже среднего по ключевым категориям передовых угроз.

Это делает её относительно низкорисковой отправной точкой для реализации локальной/открытой стратегии.

Стратегия Meta в отношении открытых и закрытых моделей более гибкая, чем предполагает исходная статья

Статья AIBase представляет простую дихотомию:

Muse Glimmer = открытая модель
Muse Spark = закрытая модель

Это точно описывает часть текущей ситуации с продуктами Meta, но как долгосрочная стратегия это слишком статично.

Muse Spark изначально была выпущена через Meta AI и приватное бета-API, а не как загружаемые веса.

Glimmer — это открытые веса.

Однако заявление Цукерберга от 10 августа также указывает, что теперь, когда Meta Superintelligence Labs работает, Meta возобновит публикацию некоторых открытых моделей.

Современные сообщения вокруг того же анонса также упоминали, что Meta планирует выпустить больше версий Muse с открытыми весами.

Поэтому более точное понимание:

Meta использует различные режимы доступа для разных уровней возможностей и продуктов, публично обязуясь продолжать открытые релизы в будущем.

Делать вывод, что Meta решила навсегда оставить свои более мощные модели Muse закрытыми, — слишком категорично.

Почему локальные агенты критически важны для конкуренции в потребительском ИИ

Облачные ИИ имеют явные преимущества:

• Доступ к огромным вычислительным мощностям.
• Быстрое обновление моделей.
• Централизованная инструментальная инфраструктура.
• Проще поддерживать сверхбольшие передовые модели.

Локальные ИИ предлагают другой набор преимуществ:

• Конфиденциальность логического вывода.
• Возможность работы офлайн.
• Нет платы за токены в облаке.
• Более низкая сетевая задержка для некоторых рабочих процессов.
• Прямой доступ к локальным данным.
• Больший контроль для разработчиков.

Muse Glimmer заслуживает внимания, потому что пытается перенести мощные агентные возможности на локальную сторону этого компромисса.

Её цель — не маленький помощник, отвечающий на несколько заданных вопросов.

А модель, способная:

• Планировать.
• Использовать инструменты.
• Восстанавливаться после сбоев.
• Понимать скриншоты.
• Писать код.
• Обрабатывать длинные контексты.
• Выполнять многошаговые задачи.

Именно здесь важна цель развёртывания на 24 ГБ / 32 ГБ.

Она делает агентные возможности доступными на устройствах, которые отдельные разработчики и продвинутые пользователи реально могут приобрести.

Что подтверждено, а что требует дальнейшего уточнения

Часто задаваемые вопросы

Что такое Meta Muse Glimmer?

Muse Glimmer — это открытая мультимодальная модель с примерно 30 миллиардами параметров от Meta Superintelligence Labs. Она оптимизирована для локальных агентных рабочих процессов, использования инструментов, программирования, понимания скриншотов, рассуждений с длинным контекстом и многошаговых задач.

Готово.

Muse Glimmer является открытой?

Meta выпустила веса модели и связанные артефакты под разрешительной лицензией Apache 2.0 и описала этот релиз как открытый/с открытыми весами. С технической точностью её обычно называют моделью с открытыми весами, поскольку основной выпущенный артефакт — это обученная модель.

Сколько VRAM нужно для Muse Glimmer?

Официальные квантованные версии Meta нацелены на 32 ГБ VRAM для K-Quant-Dynamic и 24 ГБ для K-Quant-17GB. Полная точность модели требует более 55 ГБ памяти; в карточке модели Meta указана целевая конфигурация 64 ГБ.

Может ли Muse Glimmer работать полностью офлайн?

Да. Модель может выполнять локальный логический вывод без облачной модели или интернет-соединения. Однако если агент использует веб-поиск, облачную почту, удалённые календари, онлайн-базы данных или другие интернет-инструменты, для выполнения этих вызовов инструментов потребуется подключение к сети.

Поддерживает ли Muse Glimmer изображения?

Да. Она оснащена специализированным кодировщиком восприятия с примерно 1,8 миллиарда параметров, который принимает текстовые и графические входные данные. Она может анализировать скриншоты, диаграммы, документы и другие визуальные материалы.

Можно ли запустить Muse Glimmer через Ollama?

Да. Ollama добавила предварительную поддержку Muse Glimmer на своём движке MLX для Apple Silicon. На момент выпуска Ollama заявила, что позже появятся дополнительные оптимизации и поддержка платформ, поэтому пользователям другого оборудования следует проверять последние примечания к релизам.

Является ли Muse Glimmer открытой версией Muse Spark?

Не совсем. Muse Glimmer дистиллирована из Muse Spark и обучена как отдельная модель на 30B для локальных агентных рабочих нагрузок. Она наследует возможности более крупной модели-учителя, но это не просто чекпоинт Spark с открытой лицензией.

Что такое DFlash в Muse Glimmer?

DFlash — это вспомогательная модель спекулятивного декодирования, которая предлагает блоки будущих токенов для параллельной проверки основной моделью. Meta сообщает, что в своих тестовых конфигурациях DFlash ускоряет декодирование в 1,5 раза на M4 Max, в 1,8 раза на M5 Max и в 3,1 раза на RTX 5090.

Связанные инструменты

• Muse Glimmer на Hugging Face: Официальная карточка модели Meta с весами BF16, архитектурой, бенчмарками, инструкциями по безопасности и примерами развёртывания.
• Muse Glimmer Cookbook: Официальные рецепты Meta для локальных агентов, вызовов инструментов, серверов логического вывода и развёртывания на конкретном оборудовании.
• [Ollama](https://ollama.

com/blog/muse-glimmer)：локальный рантайм для моделей с ранней поддержкой Muse Glimmer и интеграцией агентов.

• llama.cpp：широко используемый локальный рантайм для инференса, поддерживаемый экосистемой GGUF от Muse Glimmer.
• vLLM：сервер инференса с высокой пропускной способностью, предоставляющий официальный пример обслуживания Muse Glimmer.
• SGLang：фреймворк для инференса и обслуживания, поддерживаемый текущей страницей модели Muse Glimmer.
• ExecuTorch：периферийный рантайм инференса PyTorch, используемый Meta для замера производительности Muse Glimmer на оборудовании Apple.
• LM Studio：настольная среда для поиска и запуска локальных моделей, включая модели, совместимые с Muse Glimmer.

Квантизация.

Связанные ссылки

• Meta: запуск Muse Glimmer：официальное объявление Meta Superintelligence Labs от 10 августа.
• Официальная карточка модели Muse Glimmer：основные спецификации, бенчмарки, лицензия, цели квантизации, предполагаемое использование и информация о безопасности.
• Коллекция моделей Muse Glimmer：набор артефактов BF16, GGUF, ExecuTorch и DFlash от Meta.
• Методология оценки Muse Glimmer：подробная методология Meta по бенчмаркам агентов, кодирования, мультимодальности, рассуждений и безопасности.
• Статья о DFlash：исследовательская статья, описывающая метод спекулятивного декодирования с блочной диффузией, используемый в Glimmer.
• Центр разработчиков Meta AI：официальный вход в AI-модели Meta, инструменты разработчика и ресурсы Muse.
• Будущее принадлежит каждому：заявление Марка Цукерберга от августа 2026 года о персональном сверхинтеллекте, открытом ИИ, доступности, приемлемой цене и децентрализации.

Резюме

Muse Glimmer — это новая модель с открытыми весами размером 30B от Meta Superintelligence Labs, предназначенная для локальных, постоянно работающих ИИ-агентов. Она дистиллирована из Muse Spark, а не является прямой открытой копией Spark, и интегрирует мультимодальный ввод, вызов инструментов, кодирование, длинноконтекстные рассуждения, восстановление после сбоев и поддержку более 100 обучающих языков.

Основной инженерный фокус — локальное развертывание. Meta предоставляет конфигурации квантизации, спроектированные для сред с памятью 24 ГБ и 32 ГБ, окно контекста 128K+ и сопутствующую модель спекулятивного декодирования под названием DFlash, которая, по заявлению компании, значительно ускоряет генерацию.

Локальное выполнение даёт разработчикам больше контроля над приватными файлами и личным контекстом, одновременно снижая зависимость от управляемого инференса. Однако это не делает автоматически все рабочие процессы с подключёнными агентами приватными или офлайн; удалённые электронная почта, календари, браузеры, сервисы MCP и другие службы по-прежнему создают свои собственные потоки данных.

Этот запуск также соответствует более широкой стратегии Meta по персональному сверхинтеллекту. Цукерберг считает, что передовой ИИ должен быть широко распространён, доступен бесплатно или по приемлемой цене и всё больше контролироваться отдельными людьми, а не сосредоточен в руках нескольких институтов.

Значение Muse Glimmer не в том, что модель 30B заменяет крупнейшие облачные модели, а в том, что серьёзные мультимодальные возможности агентов переходят на оборудование, которое индивидуальные разработчики и продвинутые пользователи могут владеть и контролировать.