Meta AI 发布 Muse Glimmer：适用于消费级 GPU 的 300 亿参数开放权重智能体模型

Meta发布了Muse Glimmer，这是一个300亿参数的多模态模型，从Muse Spark蒸馏而来，针对常驻本地代理工作流进行了调优，并以Apache 2.0许可证发布。在全精度下，300亿参数的模型需要超过55GB的内存，但Meta将其压缩到大约4比特精度，并增加了块级投机解码，使其能够在单个消费级GPU或Mac上运行，无需网络调用。Hugging Face集合包含BF16权重、GGUF k-quants、ExecuTorch构建以及DFlash草稿模型。Muse Glimmer是一个具有感知编码器的密集因果Transformer，使用分组查询注意力，具有32个查询头和2个KV头，上下文长度超过131072。训练过程包括对Muse Spark输出的logit蒸馏，使用长上下文代理密集型数据进行中期训练，以及使用监督微调和强化学习进行后期训练。压缩版本的语言模型占用不到20GB，适合24GB或32GB的内存容量。提供了两种量化构建：K-Quant-Dynamic针对32GB显存，平均退化0.2%；K-Quant-17GB针对24GB显存，退化1.0%。DFlash是一种块扩散草稿模型，一次前向传播预测16个token，在RTX 5090上实现了3.1倍的加速。基准测试显示，Muse Glimmer在MCP Atlas（75.5）、DeepSearch QA（74.6）、Gaia2（43.3）、SWE-Bench Pro（51.2）和AIME 2026（94.7）上领先，但在OSWorld-Verified（65.9对75.6）和TerminalBench 2.1上落后于Qwen3.6-27B。在安全性方面，Siren AgentDojo攻击成功率为28.4，实用性为94.2，Meta将化学/生物、网络和失控风险评为中等或更低。