Meta выпустила Muse Glimmer: 30-миллиардную открытую модель с весами для on-device AI-агентов
Ключевые выводы
- •Muse Glimmer — это агентная ИИ-модель с 30 миллиардами параметров, выпущенная Meta по лицензии Apache 2.0, допускающей коммерческое использование, модификацию и распространение.
- •Модель обучалась по трехэтапному конвейеру, использующему logit distillation от более крупной модели-учителя Muse Spark, затем агентно-ориентированный mid-training и post-training с reinforcement learning.
- •Результаты бенчмарков показывают, что Muse Glimmer конкурентоспособна с моделями схожего размера, такими как Gemma4-31B и Qwen3.6-27B, на агентных задачах, включая многократное использование инструментов, QA с веб-поиском и задачи программной инженерии.
- •Meta применила примерно 4-битную квантизацию, уменьшив размер модели до менее чем 20 GB и обеспечив работу в реальном времени на потребительском оборудовании, включая MacBook M4-Max, M5-Max и системы RTX-5090.
- •Модель поддерживает мультимодальный ввод через специальный perception encoder, работает более чем на 100 языках и совместима с фреймворками агентной оркестрации, такими как OpenClaw.
Meta выпустила Muse Glimmer — агентную ИИ-модель с 30 миллиардами параметров, распространяемую по разрешительной лицензии Apache 2.0, которая допускает коммерческое использование, модификацию и распространение с минимальными ограничениями. Разработанная Meta Superintelligence Labs, модель создана для работы как полноценный автономный агент — с планированием, вызовом инструментов, самопроверкой и восстановлением после сбоев — при этом оставаясь достаточно компактной для локального запуска на потребительском оборудовании, требующем всего 24 GB видеопамяти.
Весы модели уже доступны на Hugging Face. В ближайшие дни должны появиться интеграции с широко используемыми движками и платформами инференса, включая Ollama, LM Studio, vLLM, SGLang, Together AI, Fireworks AI и OpenRouter.
Этот релиз продолжает практику Meta по открытой публикации базовых исследований в области ИИ и нацелен на растущий спрос на локальные, постоянно работающие агентные сценарии, не зависящие от облачной связи или внешней инфраструктуры. Полный запуск агентов на устройстве позволяет устранить расходы на API за каждый токен, убрать сетевую задержку из циклов рассуждений агента и не выводить чувствительные данные за пределы машины пользователя — сочетание, важное для корпоративных внедрений с повышенными требованиями к конфиденциальности, автономных сред и приложений, где критична задержка вызова инструментов менее секунды. Этот шаг также усиливает конкуренцию в экосистеме open-weight ИИ, где семейство Llama от Meta, линейка Gemma от Google, серия Qwen от Alibaba и модели Mistral соперничают за разработческое внедрение как в облачных, так и в edge-сценариях.
Introducing Muse Glimmer, an open-weight 30B-parameter model optimized for local, always-on agent workflows. Muse Glimmer delivers strong performance on key agentic use cases and benchmarks compared with leading models in its size category, and is designed to run entirely on… pic.twitter.com/mI4z91GPnE
— AI at Meta (@AIatMeta) August 10, 2026
Архитектура, обучение и локальная оптимизация
Muse Glimmer была создана на основе специализированной архитектуры и нового рецепта дистилляции, предназначенного для переноса агентного рассуждения из значительно более крупной модели-учителя, называемой Muse Spark, в более эффективный форм-фактор. Дистилляция стала стандартным инструментом в наборе методов сжатия моделей, позволяя более компактным системам приближать распределения выходов и шаблоны рассуждений гораздо более крупных систем. Конвейер обучения состоял из трех этапов:
- Pre-training через logit distillation на выходах модели-учителя.
- Mid-training на данных с расширенным контекстом и высокой долей агентных сценариев, дополненных trace рассуждений.
- Post-training, сочетающий supervised fine-tuning с on-policy distillation и reinforcement learning в общих, кодинговых и агентных доменах.
Перед выпуском модель была оценена в рамках Meta's Advanced AI Scaling Framework.
Производительность в бенчмарках и возможности
Результаты бенчмарков показывают конкурентоспособную производительность по сравнению с аналогами схожего размера, включая Gemma4-31B и Qwen3.6-27B, на задачах вроде DeepSearch QA, MCP-Atlas, τ-Bench и SWE-Bench. Примечательно, что набор оценок делает акцент на агентных рабочих нагрузках — многократном использовании инструментов, QA с опорой на веб-поиск и реальных задачах программной инженерии — а не на статических тестах знаний, что отражает более широкий сдвиг отрасли к измерению динамических агентных способностей моделей, а не только фактического запоминания.
Помимо базового рассуждения, Muse Glimmer поддерживает мультимодальный ввод через специальный perception encoder, многоязычную работу на более чем 100 языках и совместимость с паттернами агентной оркестрации, такими как OpenClaw.
Локальное развертывание и квантизация
Чтобы обеспечить практическое локальное развертывание, Meta применила методы quantization, сжимающие модель примерно до 4-битной точности и уменьшающие ее размер до менее чем 20 GB. Это оставляет достаточно памяти для KV cache, image encoder и легкого speculative decoding drafter на базе DFlash, который параллельно предлагает блоки токенов для ускорения генерации без изменения качества вывода.
Meta протестировала конфигурацию на оборудовании MacBook M4-Max, M5-Max и RTX-5090, сообщив о скоростях, достаточных для плавного общения и взаимодействия агента в реальном времени полностью на устройстве. Выбор проверочного оборудования охватывает Apple Silicon и высокопроизводительные потребительские GPU NVIDIA, отражая две доминирующие потребительские стеки инференса и подчеркивая намерение Meta сделать модель доступной на наиболее распространенных рабочих станциях разработчиков, а не только на дата-центровом оборудовании.
