Nach mehr als einem Jahr mit Schwerpunkt auf geschlossenen Modellen belebt Meta seine Open-Weight-Strategie mit der Veröffentlichung von Muse Glimmer wieder – einem 30-Milliarden-Parameter-Modell, das für lokale, agentenbasierte Workflows konzipiert ist. Der Schritt kommt zu einem Zeitpunkt, da Unternehmen zunehmend danach streben, KI näher an ihren Daten zu betreiben und eine stärkere Kontrolle über ihre Infrastruktur zu behalten – ein Trend, der nicht nur durch Überlegungen zur Kosteneffizienz, sondern auch durch Anforderungen an Datensouveränität und regulatorische Compliance angetrieben wird, die reine Cloud-Bereitstellungen für sensible Workloads unpraktikabel machen.

Am Montag unter der Apache-2.0-Lizenz – einer der freizügigsten Open-Source-Lizenzen, die kommerzielle Nutzung, Modifikation und Weiterverbreitung ohne Copyleft-Verpflichtungen erlaubt – von Meta Superintelligence Labs veröffentlicht, ist Muse Glimmer für den Betrieb auf einem Mac oder PC mit einer einzelnen GPU optimiert. Das Modell bewältigt komplexe, mehrstufige agentenbasierte Workloads, darunter Programmierung, Webrecherche und Debugging-Aufgaben.

Der Start erfolgt nur eine Woche nach der Vorstellung von Muse Spark 1.1, einem geschlossenen Modell für fortgeschrittenes Reasoning und komplexe Agenten-Aufgaben. Die aufeinanderfolgenden Veröffentlichungen signalisieren, dass Meta im Open-Model-Markt wettbewerbsfähig bleiben will, während chinesische KI-Anbieter mit preis- und leistungswettbewerbsfähigen Alternativen an Zugkraft gewinnen.

Glimmer markiert zudem eine teilweise Rückkehr zur Open-Model-Philosophie, die Meta 2023 mit dem Launch des Llama-Foundation-Modells begründet hat und das zu einer der am häufigsten heruntergeladenen Open-Weight-Modellfamilien wurde. Seitdem hat das Unternehmen Llama jedoch schrittweise weniger betont, selbst nach der Veröffentlichung der vierten Generation vor etwa einem Jahr.

Eine hybride Strategie

Anstatt einer vollständigen Kehrtwende sehen Analysten Meta einen Dual-Track-Ansatz verfolgen.

„Ich glaube nicht, dass Meta einfach zu Open-Modellen zurückkehrt“, sagte Sid Nag, Präsident und Chief Research Officer bei Tekonyx. Er erklärte, dass Meta darauf abzielt, seine geschlossenen Modelle wettbewerbsfähig mit den Angeboten der Frontier-AI-Labs zu halten, während Open-Modelle verwendet werden, um die Reichweite zu vergrößern – insbesondere bei Unternehmen außerhalb seines Social-Media-Ökosystems. Der Ansatz ähnelt der Strategie von Google, bei der die offenen Gemma-Modelle die geschlossene Gemini-Linie ergänzen.

Während das Timing von Metas Veröffentlichungen mit einer Welle wettbewerbsfähiger chinesischer Open-Modelle von Anbietern wie Moonshot und Alibaba zusammenfällt, besetzt Glimmer eine eigene Nische. Mit 30 Milliarden Parametern ist es deutlich kleiner als einige beliebte neue chinesische Modelle, die eine Billion oder mehr Parameter aufweisen.

„Dies ist ein sehr schlankes, leichtgewichtiges Modell, das hauptsächlich auf Ihrem Desktop läuft“, sagte Arun Chandrasekaran, Analyst bei Gartner. „Meta geht kleiner, und Meta geht direkt an den Edge der Endgeräte, auf denen die KI läuft. Es ist in erster Linie dafür gedacht, mehr lokale Desktop-gebundene Agenten-Workflows abzudecken, anstatt wie ein eher zentralisiertes Cloud-basiertes Modell zu fungieren.“

Chandrasekaran wies darauf hin, dass Meta genau beobachtet hat, wie Unternehmen KI einsetzen, insbesondere angesichts des Erfolgs von OpenClaw – mittlerweile unter dem OpenAI-Dach – und Anthropics Claude Cowork.

„Die Menschen wollen diese Modelle dort laufen lassen, wo die Daten am nächsten sind, wo der Workflow am nächsten ist“, sagte Chandrasekaran. „Dazu will Meta Teil dieses Ökosystems sein, Meta will das ermöglichen, Meta will hoffentlich mehr Mitarbeitern im Unternehmen befähigen, KI lokaler zu nutzen.“

Unternehmensnachfrage nach Kontrolle und Kosteneffizienz

Das lokale Betreiben von Modellen spiegelt auch ein breiteres Bedürfnis der Unternehmen nach Kontrolle wider. Nag wies darauf hin, dass viele Organisationen nach domänenspezifischen Modellen suchen, die die meisten Frontier-Modell-Anbieter kaum liefern können – mit Ausnahme von Anthropic, das Cowork genutzt hat, um Unternehmen anzuziehen, die maßgeschneiderte Lösungen suchen.

Open-Modelle bieten zudem überzeugende Inference-Ökonomie, sagte Nag. „Das Training eines Frontier-Modells kostet viel Geld, das Ausführen von Millionen von Enterprise-Inference-Workloads kostet im Laufe der Zeit noch mehr“, erklärte er. „Durch die Veröffentlichung der Weights lässt Meta die Kunden einen Großteil der Infrastrukturkosten tragen, anstatt jeden Workload selbst zu betreiben.“

Trotz dieser Vorteile warnte Chandrasekaran, dass Meta noch erhebliche Arbeit bevorsteht, um eine nennenswerte Unternehmensakzeptanz zu erreichen. „Es muss diese Plattformschicht über dem Modell aufbauen, denn das ist es, was Unternehmen wollen“, sagte er. „Meta sollte auch bessere Fähigkeiten im Bereich Sicherheit und rechtliche Freistellung für Unternehmen bieten.“

Da sich der Wettbewerb verschärft – mit sowohl chinesischen Open-Modellen als auch U.S.-Frontier-Labs, die um die Aufmerksamkeit der Unternehmen ringen – positioniert Metas duale Strategie aus schlanken, Edge-fähigen Open-Modellen neben leistungsstarken geschlossenen Systemen das Unternehmen gleichzeitig in mehreren Segmenten des KI-Marktes.