في 10 أغسطس 2026، أطلقت Meta نموذج Muse Glimmer — وهو نموذج بـ 30 مليار بارامتر بأوزان مفتوحة بموجب ترخيص Apache 2.0، ومُحسَّن لعمل الوكلاء المحليين على أجهزة المستهلكين. وفي الوقت نفسه، نشر مارك زوكربيرغ مقالاً يبلغ طوله حوالي 6500 كلمة، عرض فيه فلسفة «الذكاء الفائق الشخصي للجميع».
بُني نموذج Muse Glimmer باستخدام طريقة التقطير من نموذج تعليمي أكبر هو Muse Spark. وقد خضع للتدريب المسبق على مخرجات (logits) النموذج التعليمي، والتدريب المتوسط (mid-training) على سياقات طويلة وبيانات الوكلاء، بالإضافة إلى التدريب اللاحق باستخدام مزيج من الضبط الدقيق الخاضع للإشراف (supervised fine-tuning)، والتقطير القائم على السياسة (on-policy distillation)، والتعلم التعزيزي (reinforcement learning) في مجالات الاستنتاج والبرمجة ومهام الوكلاء. تتجاوز نافذة السياق 120 ألف رمز، ويدعم النموذج الإدخال متعدد الوسائط وهو متوافق مع هياكل الدعم (scaffolds) مثل OpenClaw.
تشمل التحسينات الرئيسية تكميم (quantization) بـ 4 بت، مما يقلل من استهلاك الذاكرة إلى حوالي 17–20 جيجابايت، وفك التشفير التخميني (speculative decoding) باستخدام نموذج مسودة خفيف هو DFlash. وهذا يسمح بتشغيل النموذج على أجهزة MacBook M4/M5 Max أو RTX 5090 بسرعة مقبولة لعمل الوكلاء بشكل مستمر دون الحاجة إلى السحابة.
في المقال، يضع زوكربيرغ موقفه في مقابل نهج المختبرات التي تسعى إلى المركزية. وهو يؤكد أن توازن القوى لا يتحقق من خلال نظام ذكاء فائق «مُحاذى» موحد، بل من خلال التوزيع الواسع للأدوات القوية بين الأفراد. ومن الأمثلة على ذلك: وكيل شخصي يعمل 24/7 على الصحة والشؤون المالية والعلاقات؛ وأدوات للاختراع وتأسيس الأعمال؛ ومعلم شخصي؛ والمساهمة في الاكتشافات العلمية من خلال نماذج Biohub البيولوجية المفتوحة.
تتضمن منهجية تقييم Muse Glimmer معايير DeepSearch QA وMCP-Atlas وτ-Bench وSWE-Bench، بالإضافة إلى اختبارات الاستخدام الموثوق للأدوات، والتعافي من الأخطاء، والفهم متعدد الوسائط. ومع ذلك، فإن جداول المقارنة التفصيلية مع Gemma4-31B وQwen3.6-27B المتاحة للجمهور محدودة؛ حيث تحيل المنهجية الكاملة إلى تقرير داخلي لشركة Meta.
بالمقارنة مع الإصدارات المفتوحة السابقة من Meta (سلسلة Llama)، تحول التركيز إلى سيناريوهات الوكلاء والتنفيذ المحلي، وليس فقط القدرات اللغوية العامة. وهذا يختلف عن استراتيجية OpenAI وAnthropic، حيث تظل النماذج المتقدمة مغلقة أو متاحة فقط عبر API. وبالتوازي مع ذلك، تعمل المختبرات الصينية (DeepSeek وMoonshot) بنشاط على إطلاق نماذج مفتوحة، مما يزيد الضغط على اللاعبين الأمريكيين.
إن إصدار نموذج 30B بأوزان مفتوحة والتركيز على الوكلاء المحليين يقلل من الحواجز أمام المطورين والباحثين، مما يسمح بالتجريب في تدفقات العمل طويلة الأمد دون الاعتماد على مزودي السحابة. قد يؤدي هذا إلى تسريع ظهور الوكلاء الشخصيين، ولكنه يثير في الوقت نفسه تساؤلات حول السيطرة على سوء الاستخدام في مجالات الأمن السيبراني والمخاطر البيولوجية مع الانتشار الواسع.
لا يزال من غير الواضح مدى اقتراب Muse Glimmer حقاً من قدرات النماذج الرائدة في المهام المعقدة متعددة الخطوات مقارنة بالنماذج المغلقة الأكبر حجماً، وكيف سيتحقق المجتمع بشكل مستقل من المؤشرات المعلنة بعد الإصدار على Hugging Face. ومن المرجح أن تختبر الأعمال القادمة المرونة الحقيقية للتعافي من الفشل والاتساق طويل الأمد للوكلاء في سيناريوهات واقعية.
يؤكد الإصدار المفتوح لنموذج Muse Glimmer ومقال زوكربيرغ معاً أن Meta تراهن على توزيع القدرات كآلية للأمان والتقدم، مما يترك المجال للمجتمع للتحقق المستقل وتطوير النموذج.
