Meta 开源 30B 本地 Agent 模型 Muse Glimmer

Meta 旗下 MSL（Meta Superintelligence Labs）团队正式开源了一款面向本地部署的 Agent 模型 Muse Glimmer，总参数约 296 亿，其中视觉编码器约 18 亿，上下文长度超过 13 万 Token，支持文本与图像输入。该模型经量化后可在单块 24GB 消费级显卡上运行，主打规划、工具调用、自我检查与故障恢复等本地 Agent 能力。Meta 同期预告，更大尺寸的 Muse Spark 1.2 开放权重版本也将在不久后发布。

模型架构与训练方法

Muse Glimmer 的设计目标是在本地硬件内存与算力受限的条件下，平衡多种 Agent 功能需求。Meta 将训练过程分为三个阶段：

• 先从更大的 Muse Spark 中蒸馏能力；
• 再加入长上下文与 Agent 任务训练；
• 最后通过监督微调、在线蒸馏与强化学习，强化推理、编程与工具调用能力。

简而言之，模型先由大模型示范做事方法，再把这套能力压缩到更小的体积中。

两层压缩：量化与推测解码

为了让 30B 级模型跑进消费级硬件，Meta 在 Muse Glimmer 上做了两层压缩：

• 量化：完整精度需超过 55GB 显存，17GB 版本可直接装入 24GB 显卡。Meta 官方数据显示，该版本在 15 项常用评测上平均准确率损失约 1%，在面向 32GB 设备的版本上损失约 0.2%。
• DFlash 推测解码：模型先一次性提出一组候选 Token，再由主模型并行核对。在 RTX 5090 上，生成速度从 74.9 Token/s 提升至 233.4 Token/s，约 3.1 倍加速；在 M4 Max 与 M5 Max 上也分别获得 1.5 倍和 1.8 倍加速。

基准表现与定位

在多个考察 Agent 能力的基准测试上，Muse Glimmer 略优于 Gemma4-31B 和 Qwen3.6-27B。但 Meta 自己也明确指出，Muse Glimmer 整体能力弱于 Muse Spark，未达到前沿 AI 标准。在 OSWorld-Verified、SWE-Bench Verified 和 TerminalBench 2.1 等测试中，Qwen3.6-27B 仍领先。这意味着 Muse Glimmer 并非同尺寸全能冠军，定位更接近低门槛本地 Agent。

扎克伯格的「开源宣言」

Muse Glimmer 只是开场。扎克伯格在一篇文章中将 AI 行业分成了两条路线：一端是将超级智能集中于少数实验室、企业与政府手中，另一端则是将能力广泛分发给每个人，让个人 Agent 与用户目标对齐。Meta 明确选择了后者，并承诺：

• 继续开源部分模型，发布标准由独立董事会审批，保留安全评估；
• 提供 Meta 自己也无法查看的「完全隐私模式」；
• 让超级智能以免费或尽可能低的价格覆盖数十亿人。

此前，英伟达方面曾提出开源倡议，强调开放权重模型对 AI 生态健康的重要性，硅谷多数 AI 公司签名支持，仅 Anthropic 未签。Muse Glimmer 的发布被视为 Meta 在开源路线上的回归信号，前 Meta 知名研究员 Yann LeCun 也迅速在评论区表达力挺。