Dopo oltre un anno di priorità ai modelli chiusi, Meta sta rilanciando la propria strategia open-weight con il rilascio di Muse Glimmer, un modello da 30 miliardi di parametri progettato per flussi di lavoro agentici locali. La mossa arriva mentre le aziende cercano sempre più di eseguire l’AI più vicino ai propri dati e di mantenere un controllo più rigoroso sulla propria infrastruttura, una tendenza guidata non solo da considerazioni di costo ma anche da requisiti di sovranità dei dati e pressioni di conformità normativa che rendono impraticabili le implementazioni esclusivamente cloud per i carichi di lavoro sensibili.

Rilasciato lunedì con licenza Apache 2.0 — una delle licenze open-source più permissive, che consente uso commerciale, modifica e redistribuzione senza obblighi di copyleft — da Meta Superintelligence Labs, Muse Glimmer è ottimizzato per funzionare su un Mac o PC dotato di una singola GPU. Il modello gestisce carichi di lavoro agentici complessi e multi-step, incluse attività di coding, ricerca sul web e debugging.

Il lancio segue di appena una settimana l’introduzione di Muse Spark 1.1, un modello chiuso destinato a reasoning avanzato e a compiti agentici complessi. Le uscite ravvicinate indicano che Meta intende restare competitiva nel mercato dei modelli aperti in un momento in cui i vendor cinesi di AI stanno guadagnando terreno con alternative competitive in termini di prezzo e prestazioni.

Glimmer segna anche un ritorno parziale alla filosofia dei modelli aperti che Meta ha introdotto nel 2023 con il lancio del foundation model Llama, diventato una delle famiglie di modelli open-weight più scaricate. Da allora, tuttavia, l’azienda ha progressivamente ridotto l’enfasi su Llama, nonostante abbia rilasciato la quarta generazione circa un anno fa.

Un approccio ibrido

Più che una svolta totale, gli analisti vedono Meta impegnata in un approccio su due binari.

“Non penso che Meta stia semplicemente tornando ai modelli aperti”, ha detto Sid Nag, presidente e chief research officer di Tekonyx. Ha spiegato che Meta punta a mantenere competitivi i propri modelli chiusi rispetto alle offerte dei frontier AI lab, utilizzando al contempo i modelli aperti per ampliare la propria portata, in particolare verso le aziende al di fuori del proprio ecosistema di social media. L’approccio richiama la strategia di Google, in cui i modelli aperti Gemma affiancano la linea chiusa Gemini.

Sebbene la tempistica dei nuovi rilasci di Meta coincida con un’ondata di modelli aperti cinesi competitivi di vendor come Moonshot e Alibaba, Glimmer occupa una nicchia distinta. Con 30 miliardi di parametri, è molto più piccolo di alcuni nuovi modelli cinesi popolari, che vantano oltre un trilione di parametri.

“Si tratta di un modello molto snello e leggero che gira principalmente sul desktop”, ha detto Arun Chandrasekaran, analista di Gartner. “Meta sta andando verso modelli più piccoli e direttamente verso l’edge dei dispositivi endpoint su cui l’AI è in esecuzione. È pensato principalmente per coprire flussi di lavoro agentici locali legati al desktop, piuttosto che un modello cloud più centralizzato.”

Chandrasekaran ha osservato che Meta ha seguito con attenzione il modo in cui le aziende distribuiscono l’AI, soprattutto alla luce del successo di OpenClaw, ora sotto l’ombrello di OpenAI, e di Claude Cowork di Anthropic.

“Le persone vogliono eseguire questi modelli il più vicino possibile ai dati, il più vicino possibile al workflow”, ha detto Chandrasekaran. “A questo proposito, Meta vuole far parte di quell’ecosistema, Meta vuole abilitarlo, Meta vuole auspicabilmente consentire a più lavoratori in azienda di usare l’AI in modo più locale.”

Domanda enterprise di controllo ed efficienza dei costi

L’esecuzione locale dei modelli riflette anche un più ampio interesse delle aziende per il controllo. Nag ha sottolineato che molte organizzazioni cercano modelli specifici per dominio, che la maggior parte dei fornitori di modelli frontier fatica a offrire, fatta eccezione per Anthropic, che ha sfruttato Cowork per attrarre imprese in cerca di soluzioni su misura.

I modelli aperti offrono anche una migliore economia dell’inference, ha detto Nag. “Addestrare un modello frontier costa molto denaro, eseguire milioni di workload di inference enterprise costa ancora di più nel tempo”, ha spiegato. “Rilasciando i pesi, Meta lascia che siano i clienti a sostenere gran parte del costo dell’infrastruttura invece di gestire ogni workload internamente.”

Nonostante questi vantaggi, Chandrasekaran ha avvertito che Meta ha ancora molto lavoro da fare per ottenere un’adozione enterprise significativa. “Deve costruire quel livello di piattaforma sopra il modello, perché è questo che le aziende vogliono”, ha detto. “Meta dovrebbe inoltre offrire migliori capacità in materia di sicurezza e di indennizzo legale per le imprese.”

Con l’intensificarsi del panorama competitivo — tra modelli aperti cinesi e frontier lab statunitensi in competizione per l’attenzione delle aziende — la strategia a doppio binario di Meta, basata su modelli aperti leggeri e distribuibili all’edge insieme a sistemi chiusi di fascia alta, la posiziona simultaneamente in più segmenti del mercato AI.