Po ponad roku stawiania na modele zamknięte Meta wznawia strategię otwartych wag wraz z premierą Muse Glimmer, modelu o 30 miliardach parametrów, zaprojektowanego do lokalnych, agentowych przepływów pracy. Ruch ten pojawia się w momencie, gdy przedsiębiorstwa coraz częściej chcą uruchamiać AI bliżej swoich danych i zachować większą kontrolę nad infrastrukturą — trend napędzany nie tylko względami kosztowymi, lecz także wymaganiami dotyczącymi suwerenności danych i presją zgodności regulacyjnej, które sprawiają, że wdrożenia wyłącznie w chmurze są niepraktyczne w przypadku wrażliwych obciążeń.

Udostępniony w poniedziałek na licencji Apache 2.0 — jednej z najbardziej liberalnych licencji open source, pozwalającej na wykorzystanie komercyjne, modyfikację i redystrybucję bez obowiązków copyleft — przez Meta Superintelligence Labs, Muse Glimmer jest zoptymalizowany do działania na Macu lub PC wyposażonym w pojedynczy GPU. Model obsługuje złożone, wieloetapowe zadania agentowe, w tym kodowanie, research w sieci i debugowanie.

Premiera następuje zaledwie tydzień po tym, jak Meta wprowadziła Muse Spark 1.1, model zamknięty przeznaczony do zaawansowanego rozumowania i złożonych zadań agentowych. Kolejne premiery wskazują, że Meta zamierza utrzymać konkurencyjność na rynku modeli otwartych w czasie, gdy chińscy dostawcy AI zyskują popularność dzięki alternatywom konkurującym ceną i wydajnością.

Glimmer oznacza także częściowy powrót do filozofii modeli otwartych, którą Meta zapoczątkowała w 2023 roku wraz z premierą modelu bazowego Llama, który stał się jedną z najczęściej pobieranych rodzin modeli z otwartymi wagami. Od tego czasu jednak firma stopniowo ograniczała znaczenie Llama, mimo wydania czwartej generacji modelu około rok temu.

Podejście hybrydowe

Zamiast całkowitego zwrotu analitycy widzą u Meta strategię dwutorową.

„Nie sądzę, aby Meta po prostu wracała do modeli otwartych” — powiedział Sid Nag, prezes i dyrektor ds. badań w Tekonyx. Wyjaśnił, że Meta chce utrzymać swoje modele zamknięte konkurencyjne wobec ofert z czołowych laboratoriów AI, jednocześnie wykorzystując modele otwarte do poszerzania zasięgu — szczególnie wśród przedsiębiorstw spoza swojego ekosystemu mediów społecznościowych. Podejście to przypomina strategię Google, w której otwarte modele Gemma uzupełniają zamkniętą linię Gemini.

Choć moment premiery nowych modeli Meta zbiega się z falą konkurencyjnych chińskich modeli otwartych od dostawców takich jak Moonshot i Alibaba, Glimmer zajmuje odrębną niszę. Przy 30 miliardach parametrów jest znacznie mniejszy niż niektóre popularne nowe modele chińskie, które mogą pochwalić się ponad bilionem parametrów.

„To bardzo odchudzony, lekki model, który działa głównie na komputerze stacjonarnym” — powiedział Arun Chandrasekaran, analityk w Gartner. „Meta idzie w stronę mniejszych modeli i bezpośrednio w kierunku edge urządzeń końcowych, na których działa AI. Ma on przede wszystkim obsługiwać bardziej lokalne, stacjonarne przepływy pracy agentowej, a nie bardziej scentralizowany model oparty na chmurze.”

Chandrasekaran dodał, że Meta uważnie obserwuje, w jaki sposób przedsiębiorstwa wdrażają AI, zwłaszcza w świetle sukcesu OpenClaw — obecnie pod parasolem OpenAI — oraz Anthropic Claude Cowork.

„Ludzie chcą uruchamiać te modele jak najbliżej miejsca, gdzie znajdują się dane, jak najbliżej miejsca, gdzie przebiega przepływ pracy” — powiedział Chandrasekaran. „W tym celu Meta chce być częścią tego ekosystemu, Meta chce to umożliwiać, Meta chce mieć nadzieję, że da większej liczbie pracowników w przedsiębiorstwach możliwość uruchamiania AI bardziej lokalnie.”

Potrzeba kontroli i efektywności kosztowej

Uruchamianie modeli lokalnie odzwierciedla także szersze zapotrzebowanie przedsiębiorstw na kontrolę. Nag zauważył, że wiele organizacji poszukuje modeli specyficznych dla domeny, czego większość dostawców czołowych modeli nie potrafi skutecznie zapewnić — z wyjątkiem Anthropic, które wykorzystało Cowork do przyciągania przedsiębiorstw szukających rozwiązań dostosowanych do potrzeb.

Otwarte modele oferują również korzystną ekonomię inferencji, powiedział Nag. „Trenowanie czołowego modelu kosztuje bardzo dużo pieniędzy, a uruchamianie milionów obciążeń inferencyjnych w przedsiębiorstwach z czasem kosztuje jeszcze więcej” — wyjaśnił. „Udostępniając wagi, Meta pozwala klientom ponosić znaczną część kosztów infrastruktury zamiast samodzielnie obsługiwać każde obciążenie.”

Mimo tych zalet Chandrasekaran ostrzegł, że Meta wciąż ma przed sobą znaczną pracę, aby zdobyć istotną adopcję w przedsiębiorstwach. „Musi zbudować warstwę platformową nad modelem, ponieważ tego właśnie chcą przedsiębiorstwa” — powiedział. „Meta powinna także zapewnić lepsze możliwości w zakresie bezpieczeństwa i prawnej indemnifikacji dla przedsiębiorstw.”

Wraz z nasilaniem się konkurencji — gdy zarówno chińskie modele otwarte, jak i amerykańskie laboratoria frontier zabiegają o uwagę przedsiębiorstw — dwutorowa strategia Meta, łącząca lekkie modele otwarte wdrażane na edge z ciężkimi systemami zamkniętymi, pozycjonuje firmę równolegle w wielu segmentach rynku AI.