Meta AI esittelee Muse Glimmerin: 30 miljardin parametrin avoin agenttimalli kuluttajanäytönohjaimille

Meta on julkaissut Muse Glimmerin, 30 miljardin parametrin multimodaalisen mallin, joka on tislattu Muse Sparkista, viritetty aina päällä oleviin paikallisiin agenttityönkulkuihin ja julkaistu Apache 2.0 -lisenssillä. Täydellä tarkkuudella 30B-malli tarvitsee yli 55 Gt muistia, mutta Meta pakkaa sen noin 4 bitin tarkkuuteen ja lisää lohkotason spekulatiivisen dekoodauksen, minkä ansiosta se toimii yhdellä kuluttajatason GPU:lla tai Macilla ilman verkkoyhteyttä. Hugging Face -kokoelma sisältää BF16-painot, GGUF k-quant-painot, ExecuTorch-rakennelmat ja DFlash-vedosmallin. Muse Glimmer on tiheä kausaalinen transformeri, jossa on havaintoenkooderi, ja se käyttää ryhmiteltyä kyselyhuomiota 32 kyselypäällä ja 2 KV-päällä sekä yli 131 072 tokenin kontekstipituutta. Koulutukseen kuului logitin tislaus Muse Sparkin tulosteista, keskivaiheen koulutus pidemmän kontekstin agenttivetoisella tiedolla sekä jälkikoulutus ohjatulla hienosäädöllä ja vahvistusoppimisella. Pakattu versio vie kielimallilta alle 20 Gt, joten se mahtuu 24 Gt tai 32 Gt muistiin. Saatavilla on kaksi kvantisoitua rakennelmaa: K-Quant-Dynamic tähtää 32 Gt VRAMiin keskimääräisellä 0,2 %:n heikkenemisellä, ja K-Quant-17GB tähtää 24 Gt VRAMiin 1,0 %:n heikkenemisellä. DFlash, lohkodiffuusio-vedosmalli, ennustaa 16 tokenia yhdellä läpiviennillä saavuttaen 3,1-kertaisen nopeutuksen RTX 5090:llä. Vertailuarvoissa Muse Glimmer johtaa MCP Atlasissa (75,5), DeepSearch QA:ssa (74,6), Gaia2:ssa (43,3), SWE-Bench Prossa (51,2) ja AIME 2026:ssa (94,7), mutta jää jälkeen Qwen3.6-27B:stä OSWorld-Verifiedissä (65,9 vs 75,6) ja TerminalBench 2.1:ssä. Turvallisuudessa Siren AgentDojo -hyökkäysten onnistumisprosentti on 28,4 hyödyllisyyden ollessa 94,2, ja Meta arvioi kemian/biologian, kyber- ja hallinnanmenetysriskit kohtalaisiksi tai alemmiksi.