Meta AI presenta Muse Glimmer: un modelo agéntico de 30B de pesos abiertos para GPU de consumo

Meta ha lanzado Muse Glimmer, un modelo multimodal de 30 mil millones de parámetros destilado de Muse Spark, optimizado para flujos de trabajo de agentes locales siempre activos, y distribuido bajo Apache 2.0. En precisión completa, un modelo de 30B necesita más de 55 GB de memoria, pero Meta lo comprime a aproximadamente precisión de 4 bits y añade decodificación especulativa a nivel de bloque, lo que permite ejecutarlo en una GPU de consumo o en un Mac sin necesidad de conexión a red. La colección de Hugging Face incluye pesos BF16, cuantizaciones GGUF k-quants, builds de ExecuTorch y el redactor DFlash. Muse Glimmer es un transformador causal denso con un codificador de percepción, que utiliza atención de consulta agrupada con 32 cabezas de consulta y 2 cabezas de clave-valor, y una longitud de contexto de más de 131.072. El entrenamiento implicó destilación de logits sobre las salidas de Muse Spark, entrenamiento intermedio con datos de agentes de contexto largo, y post-entrenamiento con ajuste fino supervisado y aprendizaje por refuerzo. La versión comprimida ocupa menos de 20 GB para el modelo de lenguaje, cabiendo en entornos de 24 GB o 32 GB. Hay dos builds cuantizados disponibles: K-Quant-Dynamic apunta a 32 GB de VRAM con una degradación media del 0,2%, y K-Quant-17GB apunta a 24 GB de VRAM con un 1,0%. DFlash, un redactor de difusión de bloques, predice 16 tokens en una sola pasada hacia adelante, logrando una aceleración de 3,1 veces en RTX 5090. Los benchmarks muestran que Muse Glimmer lidera en MCP Atlas (75,5), DeepSearch QA (74,6), Gaia2 (43,3), SWE-Bench Pro (51,2) y AIME 2026 (94,7), pero queda por detrás de Qwen3.6-27B en OSWorld-Verified (65,9 frente a 75,6) y TerminalBench 2.1. En cuanto a seguridad, la tasa de éxito de ataque en Siren AgentDojo es del 28,4 con una utilidad de 94,2, y Meta clasifica el riesgo químico/biológico, cibernético y de pérdida de control como moderado o inferior.