Meta Muse Glimmer: 30-miliardowy model open-weight do lokalnych agentów AI

Muse Glimmer to nowy model AI open-weight od Meta — model o 30 miliardach parametrów na licencji Apache 2.0, stworzony do uruchamiania zawsze aktywnych agentów AI na własnym laptopie, a nie w chmurze. Pojawił się 10 sierpnia 2026 roku z Meta Superintelligence Labs, jako destylacja większego modelu Muse Spark, i mieści się na jednym konsumenckim GPU. To powrót Meta do otwartych wydań z wyraźnym założeniem: przyszłość agentów jest mała, prywatna i lokalna. Oto czym jest Muse Glimmer, jak wypada w benchmarkach, jakiego sprzętu wymaga i gdzie znajduje zastosowanie.

Czym jest Muse Glimmer?

Muse Glimmer to gęsty multimodalny model o 30 miliardach parametrów z Meta Superintelligence Labs, wydany na permisywnej licencji Apache 2.0 z wagami dostępnymi na Hugging Face. Meta opisuje go jako zoptymalizowany pod kątem zawsze aktywnych lokalnych przepływów pracy agentów — lokalnych agentów, wywoływania funkcji, lokalnego kodowania i oceny LLM-as-a-judge — wystarczająco mały, by działać na Macu lub PC z jednym konsumenckim GPU.

Kontekst ma znaczenie. Meta porównuje Muse Glimmer z Gemma od Google i Qwen od Alibaby, a nie z gigantami frontierowymi, pozycjonując go jako lidera w swojej klasie rozmiarowej i stawiając zakład, że przyszłość to nie tylko ogromne systemy chmurowe, ale też mniejsze modele działające na własnym sprzęcie.

Meta zapowiada również otwarte wagi dla Muse Spark 1.2, swojego mocniejszego modelu bazowego — Muse Glimmer jest więc prawdopodobnie pierwszym z nowej rodziny open-weight, a nie jednorazowym wydaniem. (CNBC)

Specyfikacja w skrócie

Kilka z tych punktów wymaga rozwinięcia — szczególnie benchmarki i kwestia lokalnego sprzętu, która jest sednem całego wydania.

Jak Meta go wytrenowała

Muse Glimmer to efekt destylacji: pakuje wiedzę większego modelu w coś wystarczająco małego, by działać w domu. Według karty modelu Meta, trening przebiegał w trzech fazach:

• Pre-trening na wynikach Muse Spark z użyciem destylacji logitów, z podobnym zestawem danych jak model nauczyciel.
• Mid-trening na danych z dłuższym kontekstem i bogatszymi śladami rozumowania, bardziej ukierunkowanych na agentów, wraz z danymi organicznymi.
• Post-trening łączący nadzorowane dostrajanie z destylacją on-policy i uczeniem przez wzmacnianie w domenach ogólnych, rozumowania, kodowania i agentowych. (Meta AI)

Meta twierdzi, że oceniła model w ramach swojego Advanced AI Scaling Framework i zbadała go pod kątem wydania open-weight we wszystkich istotnych kategoriach bezpieczeństwa.

Do czego służy Muse Glimmer

Meta prezentuje go jako prawdziwego agenta, a nie chatbota. Wyróżniane możliwości bezpośrednio odpowiadają rzeczywistym przepływom pracy agentów:

• Kompletne wykonywanie zadań w benchmarkach takich jak DeepSearch QA, MCP-Atlas, 𝜏-Bench i SWE-Bench — działanie wewnątrz scaffoldów (rusztowań), pisanie i debugowanie kodu oraz rozwiązywanie wieloetapowych żądań od początku do końca.
• Niezawodne korzystanie z narzędzi — wywoływanie funkcji z precyzyjnymi schematami w trakcie długich przepływów pracy.
• Wieloetapowe rozumowanie na długich horyzontach, utrzymywanie spójnych planów przez rozbudowane zadania.
• Odzyskiwanie po błędach — gdy wywołanie narzędzia nie powiedzie się lub zwróci nieoczekiwany wynik, model jest wytrenowany do diagnozowania i ponownych prób zamiast zatrzymywania się.
• Wejście multimodalne przez enkoder percepcji ~1,8B, dzięki czemu agenci mogą interpretować zrzuty ekranu, wykresy i dokumenty obok konwersacji.
• Kontrolowany wysiłek — suwak do wymiany głębokości rozumowania na szybkość.

Testerzy ze społeczności szczególnie wyróżnili wywoływanie narzędzi jako wyjątkowe jak na ten rozmiar — to możliwość, która ma największe znaczenie, gdy model jest silnikiem autonomicznego agenta.

Benchmarki: jak wypada na tle konkurencji

Meta pozycjonuje Muse Glimmer wobec dwóch modeli open-weight tej samej klasy — Gemma4-31B i Qwen3.6-27B — i raportuje mocne wyniki agentowe jak na model 30B. Relacje z premiery wskazują, że przewyższa oba w benchmarkach takich jak MCP Atlas i SWE-Bench Pro. Deklarowane wyniki:

Dwie uczciwe zastrzeżenia. Po pierwsze, to liczby podane przez producenta w dniu premiery — Meta ma tu historię, wcześniej przyznając, że używała wyspecjalizowanych, niepublikowanych wariantów do poprawy niektórych wyników benchmarkowych Llama 4. Traktuj tabelę jako punkt wyjścia, nie werdykt. Po drugie, wyniki wobec Qwen są mieszane w niektórych benchmarkach kodowania i agentów desktopowych; Muse Glimmer nie dominuje we wszystkich kategoriach. Uczciwa ocena: jest konkurencyjny lub wiodący w swojej klasie rozmiarowej w zadaniach agentowych, ale nie jest pogromcą modeli frontierowych.

Uruchamianie Muse Glimmer lokalnie

Tu wydanie zasługuje na miano „lokalnego agenta". W pełnej precyzji model 30B potrzebuje ponad 55 GB pamięci — więcej niż jakikolwiek konsumencki GPU. Oficjalna kwantyzacja ~4-bitowa Meta kompresuje model językowy do poniżej 20 GB, pozostawiając miejsce na pamięć podręczną KV, enkoder percepcji i drafter spekulatywnego dekodowania w obwiedni 24 GB lub 32 GB. Meta twierdzi, że kompresja wprowadza minimalne lub zerowe pogorszenie w zadaniach agentowych.

Oznacza to działanie na zwykłym sprzęcie — MacBooku lub pojedynczym RTX 5090 — z obsługą od pierwszego dnia w lokalnych narzędziach AI takich jak Ollama, LM Studio i vLLM.

Aby zachować responsywność, Muse Glimmer jest dostarczany z lekkim drafterem DFlash — małą siecią towarzyszącą, która proponuje całe bloki tokenów naraz, które główny model weryfikuje równolegle. Meta raportuje znaczące przyspieszenia dzięki temu spekulatywnemu dekodowaniu przy zachowaniu identycznej jakości wyników, mierzone na MacBookach M4-Max i M5-Max oraz RTX 5090.

Zasięg wdrożenia jest szeroki: llama.cpp, ExecuTorch i MLX dla urządzeń brzegowych; vLLM i SGLang do serwowania w skali; Together AI, Fireworks AI i OpenRouter dla dostępu hostowanego; oraz PyTorch TorchTitan do fine-tuningu. (Meta AI)

Polityka stojąca za premierą

Muse Glimmer to nie tylko produkt — to narzędzie lobbingowe. Mark Zuckerberg połączył premierę z esejem argumentującym, że USA musi przewodzić ekosystemowi open-source AI, i że amerykańskie laboratoria napotykają dodatkowe przeszkody — głównie ograniczenia dotyczące danych treningowych — których zagraniczni rywale nie mają. Jego recepta: wyrównanie szans w kraju zamiast zakazu zagranicznych modeli, które odrzucił jako nieskuteczne. Otwarcie popierał destylację — tę samą technikę, która dała Muse Glimmer.

Podtekst to wyścig, o którego wynik Meta się obawia. Chińscy deweloperzy wyznaczają teraz tempo w open-weight AI, z modelami takimi jak Kimi K3 od Moonshot i Qwen od Alibaby na czele, a DeepSeek wydający jedne z najtańszych w uruchomieniu wydajnych modeli. Muse Glimmer to odpowiedź Meta — wydajny, możliwy do pobrania system w tym samym stylu.

Jest też kąt inwestorski. Meta stara się uspokoić rynek, że jej ogromne wydatki na AI — prognoza capex do 145 miliardów dolarów w tym roku — przynoszą efekty, i że Superintelligence Labs, powołane w zeszłym roku pod kierownictwem Alexandr Wang, robi postępy wobec OpenAI i Anthropic. Otwarte wagi to część tej strategii zbudowana po to, by zdobywać deweloperów i przychylność, a nie bezpośrednie przychody.

To godne uwagi odwrócenie kursu. Meta zdawała się przechodzić na model własnościowy w ostatniej fazie Muse Spark, by gonić zamkniętych rywali; gdy koszty wnioskowania rosną, a przedsiębiorstwa chcą kontroli, wraca na otwartą ścieżkę.

Podsumowanie

Muse Glimmer to dzisiejszy nagłówek: 30-miliardowy model lokalnego agenta open-weight na licencji Apache 2.0, który możesz pobrać już teraz, z zapowiedzią otwartych wag Muse Spark 1.2 jako kolejnego kroku. Chodzi mniej o pokonanie GPT czy Claude na poziomie frontierowym, a bardziej o mocnych, prywatnych agentów na urządzeniu — niezawodne korzystanie z narzędzi i wieloetapowe rozumowanie mieszczące się na jednym konsumenckim GPU. Jeśli twój plan obejmuje agentów działających lokalnie i przechowujących dane na własnym sprzęcie, Muse Glimmer powinien znaleźć się na liście obok Gemma i Qwen.

Uruchom model open-weight lokalnie z prawdziwą pracą

Model taki jak Muse Glimmer ma znaczenie dopiero wtedy, gdy jest podłączony do prawdziwej pracy — narzędzi, plików, kodu i wieloetapowych planów — a nie okna czatu. Do tego służy agnostyczna modelowo platforma multi-agentowa. Eigent to open-source'owa desktopowa aplikacja Cowork, która uruchamia siłę roboczą AI lokalnie, dzięki czemu możesz podłączyć najlepszy model open-weight do każdego zadania i trzymać wrażliwe dane na własnym sprzęcie. Zobacz, jak agenci mogą przeglądać PR-y na GitHub od początku do końca, a następnie pobierz Eigent, by to wypróbować.

Często zadawane pytania

Czym jest Meta Muse Glimmer?

Muse Glimmer to multimodalny model open-weight o 30 miliardach parametrów z Meta Superintelligence Labs, wydany 10 sierpnia 2026 roku na licencji Apache 2.0. Jest destylowany z większego modelu Meta Muse Spark i zoptymalizowany pod kątem zawsze aktywnych lokalnych agentów AI działających na jednym konsumenckim GPU.

Czy Muse Glimmer jest naprawdę open source?

Meta udostępniła wagi na Hugging Face na permisywnej licencji Apache 2.0, która pozwala na pobieranie, modyfikowanie, samodzielne hostowanie i użytek komercyjny. Jest to bardziej permisywne niż starsze licencje społecznościowe Llama. Meta zapowiedziała również, że otwarte wagi dla mocniejszego modelu Muse Spark 1.2 pojawią się jako kolejny krok.

Jakiego sprzętu potrzebuję do uruchomienia Muse Glimmer?

W pełnej precyzji BF16 model potrzebuje około 55–60 GB pamięci. Oficjalna kwantyzacja ~4-bitowa Meta zmniejsza go do poniżej 20 GB, więc mieści się w obwiedni 24 GB lub 32 GB — na jednym wysokiej klasy konsumenckim GPU jak RTX 5090 lub wydajnym MacBooku. Działa od pierwszego dnia na Ollama, LM Studio i vLLM.

Jak Muse Glimmer wypada na tle Gemma i Qwen?

Meta porównuje go z Gemma4-31B i Qwen3.6-27B i raportuje mocne wyniki agentowe jak na swój rozmiar — na przykład 75,5 w MCP Atlas wobec 54,2 i 62,5. Wyniki wobec Qwen są mieszane w niektórych zadaniach kodowania i agentów desktopowych, a wszystkie liczby są podane przez producenta przy premierze, więc traktuj je jako punkt wyjścia.

Czym jest Muse Spark 1.2?

Muse Spark 1.2 to mocniejszy model bazowy Meta — większy brat, z którego destylowany jest Muse Glimmer. Zuckerberg powiedział, że Meta otworzy wagi dla Muse Spark 1.2, rozszerzając powrót do otwartych wydań poza mniejszy model Glimmer.

Czy mogę używać Muse Glimmer z platformą multi-agentową?

Tak. Ponieważ jest open-weight i możliwy do samodzielnego hostowania z obsługą od pierwszego dnia w lokalnych środowiskach uruchomieniowych, agnostyczna modelowo platforma taka jak Eigent może kierować zadania agentów do Muse Glimmer, trzymając dane na własnym sprzęcie — przydatne gdy liczy się prywatność lub działanie na urządzeniu.