После более чем года приоритетного развития закрытых моделей Meta возрождает свою стратегию открытых весов с выпуском Muse Glimmer — модели на 30 миллиардов параметров, предназначенной для локальных агентовых рабочих процессов. Этот шаг предпринят на фоне того, что предприятия всё чаще стремятся запускать ИИ ближе к своим данным и сохранять более жёсткий контроль над инфраструктурой — тенденция, обусловленная не только соображениями стоимости, но и требованиями к суверенитету данных, а также давлением регуляторов, что делает развёртывание исключительно в облаке непрактичным для чувствительных рабочих нагрузок.

Выпущенная в понедельник по лицензии Apache 2.0 — одной из наиболее либеральных лицензий открытого исходного кода, допускающей коммерческое использование, модификацию и распространение без обязательств copyleft — лабораторией Meta Superintelligence Labs, Muse Glimmer оптимизирована для работы на Mac или ПК, оснащённом одним GPU. Модель обрабатывает сложные многоэтапные агентовые рабочие нагрузки, включая программирование, веб-исследования и задачи отладки.

Запуск последовал всего через неделю после того, как Meta представила Muse Spark 1.1 — закрытую модель, нацеленную на продвинутые рассуждения и сложные агентовые задачи. Последовательные релизы сигнализируют о намерении Meta оставаться конкурентоспособной на рынке открытых моделей в то время, когда китайские поставщики ИИ набирают обороты благодаря альтернативам, конкурентоспособным по цене и производительности.

Glimmer также знаменует частичное возвращение к философии открытых моделей, которую Meta впервые применила в 2023 году с запуском базовой модели Llama, ставшей одним из наиболее широко загружаемых семейств моделей с открытыми весами. С тех пор, однако, компания постепенно сократила акцент на Llama, даже после выпуска четвёртого поколения примерно год назад.

Гибридная стратегия

Вместо полного разворота аналитики видят в действиях Meta двухколейный подход.

«Я не думаю, что Meta просто возвращается к открытым моделям», — заявил Сид Наг, президент и главный исследователь Tekonyx. Он объяснил, что Meta стремится сохранить конкурентоспособность своих закрытых моделей по сравнению с предложениями от fronTier ИИ-лабораторий, используя при этом открытые модели для расширения охвата — особенно среди предприятий вне своей экосистемы социальных платформ. Этот подход зеркален стратегии Google, где открытые модели Gemma дополняют закрытую линейку Gemini.

Хотя тайминг релизов Meta совпадает с волной конкурентоспособных китайских открытых моделей от таких поставщиков, как Moonshot и Alibaba, Glimmer занимает отчётливую нишу. При 30 миллиардах параметров она значительно меньше некоторых популярных новых китайских моделей, которые заявляют о триллионе и более параметров.

«Это очень компактная, лёгкая модель, которая в основном работает на вашем настольном компьютере», — сказал Арун Чандрасекаран, аналитик из Gartner. «Meta идёт в сторону уменьшения размеров и движется прямо к периферии конечных устройств, где работает ИИ. Она в первую очередь предназначена для покрытия локальных настольных агентовых рабочих процессов, а не для централизованной облачной модели».

Чандрасекаран отметил, что Meta внимательно следит за тем, как предприятия развёртывают ИИ, особенно в свете успеха OpenClaw — теперь под эгидой OpenAI — и Claude Cowork от Anthropic.

«Люди хотят запускать эти модели как можно ближе к месту нахождения данных, как можно ближе к рабочему процессу», — сказал Чандрасекаран. «С этой целью Meta хочет быть частью этой экосистемы, Meta хочет это обеспечить, Meta хочет, будем надеяться, расширить возможности большего числа сотрудников на предприятиях для более локального запуска ИИ».

Потребность предприятий в контроле и экономической эффективности

Локальный запуск моделей также отражает более широкий корпоративный запрос на контроль. Наг указал, что многие организации ищут предметно-ориентированные модели, которые большинство поставщиков fronTier-моделей с трудом могут предоставить — за исключением Anthropic, которая воспользовалась Cowork для привлечения предприятий, ищущих специализированные решения.

Открытые модели также предлагают весомые преимущества в экономике вывода, отметил Наг. «Обучение fronTier-модели стоит больших денег, а выполнение миллионов корпоративных нагрузок вывода со временем стоит ещё больше», — пояснил он. «Выпуская веса, Meta позволяет клиентам брать на себя большую часть затрат на инфраструктуру вместо того, чтобы самостоятельно оперировать каждой рабочей нагрузкой».

Несмотря на эти преимущества, Чандрасекаран предупредил, что Meta предстоит значительная работа для достижения существенного корпоративного внедрения. «Ей нужно создать платформенный слой поверх модели, потому что именно этого хотят предприятия», — сказал он. «Meta также должна предоставить более широкие возможности в области безопасности и юридической защиты для предприятий».

По мере усиления конкурентной среды — где китайские открытые модели и американские fronTier-лаборатории борются за внимание предприятий — двойная стратегия Meta с компактными периферийно-развёртываемыми открытыми моделями наряду с мощными закрытыми системами позиционирует её одновременно в нескольких сегментах рынка ИИ.