Na meer dan een jaar prioriteit te hebben gegeven aan gesloten modellen, herleeft Meta zijn open-weight strategie met de release van Muse Glimmer, een model van 30 miljard parameters dat is ontworpen voor lokale, agentic workflows. De stap komt nu bedrijven in toenemende mate AI dichter bij hun data willen draaien en meer controle willen houden over hun infrastructuur — een trend die niet alleen wordt aangedreven door kostenoverwegingen, maar ook door eisen op het gebied van datasoevereiniteit en naleving van regelgeving die cloud-only implementaties onpraktisch maken voor gevoelige workloads.

Maandag uitgebracht onder de Apache 2.0-licentie — een van de meest vrije open-bronlicenties, die commercieel gebruik, aanpassing en herverdeling toestaat zonder copyleft-verplichtingen — door Meta Superintelligence Labs, is Muse Glimmer geoptimaliseerd om te draaien op een Mac of pc die is uitgerust met een enkele GPU. Het model verwerkt complexe, meerstaps agentic workloads, waaronder programmeertaken, webonderzoek en debugging.

De lancering volgt slechts een week nadat Meta Muse Spark 1.1 introduceerde, een gesloten model gericht op geavanceerd redeneren en complexe agentic taken. De opeenvolgende releases signaleren dat Meta concurrerend wil blijven op de open modelmarkt in een tijd waarin Chinese AI-leveranciers aan terrein winnen met prijs- en prestatieconcurrerende alternatieven.

Glimmer markeert ook een gedeeltelijke terugkeer naar de open-modelfilosofie die Meta in 2023 pionierde met de lancering van het Llama-fundamentmodel, dat uitgroeide tot een van de meest gedownloade open-weight modelfamilies. Sindsdien heeft het bedrijf Llama echter geleidelijk minder nadruk gelegd, zelfs na de release van de vierde generatie ongeveer een jaar geleden.

Een Hybride Strategie

In plaats van een volledige omkering zien analisten Meta een tweesporenbenadering volgen.

"Ik denk niet dat Meta simpelweg teruggaat naar open modellen," zei Sid Nag, president en chief research officer bij Tekonyx. Hij legde uit dat Meta ernaar streeft zijn gesloten modellen concurrerend te houden met aanbiedingen van frontier AI-labs, terwijl het open modellen inzet om zijn bereik te vergroten — met name onder bedrijven buiten zijn socialemedia-ecosysteem. De benadering weerspiegelt de strategie van Google, waarbij de open Gemma-modellen de gesloten Gemini-lijn aanvullen.

Hoewel de timing van de releases van Meta samenvalt met een golf van concurrerende Chinese open modellen van leveranciers zoals Moonshot en Alibaba, neemt Glimmer een duidelijke niche in. Met 30 miljard parameters is het aanzienlijk kleiner dan sommige populaire nieuwe Chinese modellen, die meer dan een biljoen parameters claimen.

"Dit is een zeer slank, lichtgewicht model dat voornamelijk op je desktop draait," zei Arun Chandrasekaran, een analist bij Gartner. "Meta gaat kleiner, en Meta gaat direct naar de rand van de eindpuntapparaten waar de AI draait. Het is voornamelijk bedoeld om meer lokale desktopgebonden agentic workloads te dekken, in plaats van een meer gecentraliseerd cloudbased model."

Chandrasekaran merkte op dat Meta nauwlettend in de gaten houdt hoe bedrijven AI inzetten, vooral in het licht van het succes van OpenClaw — nu onder de paraplu van OpenAI — en Anthropic's Claude Cowork.

"Mensen willen deze modellen draaien zo dicht mogelijk bij waar de data is, zo dicht mogelijk bij waar de workflow is," zei Chandrasekaran. "Daarom wil Meta deel uitmaken van dat ecosysteem, wil Meta dat mogelijk maken, wil Meta hopelijk meer werknemers in bedrijven in staat stellen om AI lokaler te draaien."

Bedrijfsbehoefte aan Controle en Kostenefficiëntie

Modellen lokaal draaien weerspiegelt ook een bredere behoefte bij bedrijven aan controle. Nag wees erop dat veel organisaties op zoek zijn naar domeinspecifieke modellen, die de meeste frontier-modelaanbieders moeilijk kunnen leveren — met uitzondering van Anthropic, dat Cowork heeft ingezet om bedrijven aan te trekken die op zoek zijn naar op maat gemaakte oplossingen.

Open modellen bieden ook aantrekkelijke inference-economie, zei Nag. "Het trainen van een frontier-model kost veel geld, het draaien van miljoenen bedrijfs-inference-workloads kost in de loop der tijd nog meer," legde hij uit. "Door weights vrij te geven, laat Meta klanten een groot deel van de infrastructuurkosten dragen in plaats van elke workload zelf te draaien."

Ondanks deze voordelen waarschuwde Chandrasekaran dat Meta nog aanzienlijk werk te wachten staat om betekenisvolle bedrijfsadoptie te behalen. "Het moet die platformlaag bovenop het model bouwen, omdat dat is wat bedrijven willen," zei hij. "Meta moet ook betere mogelijkheden bieden op het gebied van beveiliging en juridische vrijwaring voor bedrijven."

Naarmate het concurrerende landschap intensifieert — met zowel Chinese open modellen als Amerikaanse frontier-labs die strijden om de aandacht van bedrijven — positioneert Meta's dubbele strategie van slanke edge-inzetbare open modellen naast zwaargewicht gesloten systemen het tegelijkertijd in meerdere segmenten van de AI-markt.