10 अगस्त, 2026 को मेटा ने म्यूज़ ग्लिमर (Muse Glimmer) जारी किया, जो Apache 2.0 लाइसेंस के तहत एक ओपन-वेट (open-weights) 30-बिलियन पैरामीटर मॉडल है। इसे उपभोक्ता हार्डवेयर पर स्थानीय एजेंटों के संचालन के लिए अनुकूलित किया गया है। इसी के साथ मार्क ज़करबर्ग ने लगभग 6500 शब्दों का एक निबंध प्रकाशित किया, जिसमें उन्होंने "सभी के लिए व्यक्तिगत सुपर-इंटेलिजेंस" के अपने दर्शन को रेखांकित किया।
म्यूज़ ग्लिमर मॉडल को एक बड़े 'शिक्षक' मॉडल, म्यूज़ स्पार्क (Muse Spark) से डिस्टिलेशन पद्धति का उपयोग करके बनाया गया है। इसे शिक्षक के लॉगिट्स पर प्री-ट्रेन किया गया, लंबे संदर्भों और एजेंट डेटा पर मिड-ट्रेनिंग की गई, और रीज़निंग (reasoning), कोडिंग (coding) तथा एजेंट कार्यों के क्षेत्रों में पर्यवेक्षित फाइन-ट्यूनिंग (supervised fine-tuning), ऑन-पॉलिसी डिस्टिलेशन (on-policy distillation) और रीइन्फोर्समेंट लर्निंग (reinforcement learning) के संयोजन के साथ पोस्ट-ट्रेनिंग भी की गई।
इसका संदर्भ विंडो 120 हज़ार से अधिक टोकन का है, यह मॉडल मल्टीमोडल इनपुट को सपोर्ट करता है और OpenClaw जैसे स्केफोल्ड (scaffold) के साथ संगत है।
प्रमुख अनुकूलन में 4-बिट क्वांटिज़ेशन (quantization) शामिल है, जो मेमोरी की खपत को लगभग 17-20 जीबी तक कम करता है, और हल्के ड्राफ्टर मॉडल DFlash के साथ स्पेक्युलेटिव डिकोडिंग (speculative decoding) भी है। यह मॉडल को मैकबुक एम4/एम5 मैक्स (MacBook M4/M5 Max) या आरटीएक्स 5090 (RTX 5090) पर क्लाउड के बिना एजेंटों के निरंतर संचालन के लिए स्वीकार्य गति से चलाने की अनुमति देता है।
अपने निबंध में, ज़करबर्ग केंद्रीकरण की ओर प्रयासरत प्रयोगशालाओं के दृष्टिकोण के विपरीत अपनी स्थिति रखते हैं। उनका तर्क है कि शक्ति का संतुलन किसी एक "संरेखित" सुपर-इंटेलिजेंट प्रणाली के माध्यम से नहीं, बल्कि व्यक्तियों के बीच शक्तिशाली उपकरणों के व्यापक वितरण से प्राप्त होता है।
इसके उदाहरणों में स्वास्थ्य, वित्त और संबंधों पर 24/7 काम करने वाला व्यक्तिगत एजेंट, नवाचार और व्यवसाय निर्माण के लिए उपकरण, एक व्यक्तिगत ट्यूटर, और Biohub जैसे खुले जैविक मॉडलों के माध्यम से वैज्ञानिक खोजों में योगदान शामिल हैं।
म्यूज़ ग्लिमर के मूल्यांकन की कार्यप्रणाली में डीपसर्च क्यूए (DeepSearch QA), एमसीपी-एटलस (MCP-Atlas), τ-बेंच (τ-Bench) और एसडब्ल्यूई-बेंच (SWE-Bench) जैसे बेंचमार्क शामिल हैं। इसमें उपकरणों के विश्वसनीय उपयोग, त्रुटियों से उबरने और मल्टीमोडल समझ के परीक्षण भी शामिल हैं। हालांकि, Gemma4-31B और Qwen3.6-27B के साथ विस्तृत तुलनात्मक तालिकाएँ सार्वजनिक रूप से सीमित हैं; पूरी कार्यप्रणाली मेटा की आंतरिक रिपोर्ट को संदर्भित करती है।
मेटा के पिछले ओपन-सोर्स रिलीज़ (लामा-सीरीज़) की तुलना में, ध्यान अब केवल सामान्य भाषाई क्षमताओं पर नहीं, बल्कि एजेंट-आधारित परिदृश्यों और स्थानीय निष्पादन पर केंद्रित हो गया है। यह OpenAI और Anthropic की रणनीति से भिन्न है, जहाँ उन्नत मॉडल बंद रहते हैं या केवल API के माध्यम से उपलब्ध हैं।
इसके समानांतर, चीनी प्रयोगशालाएँ (डीपसीक, मूनशॉट) भी सक्रिय रूप से ओपन मॉडल जारी कर रही हैं, जिससे अमेरिकी खिलाड़ियों पर दबाव बढ़ रहा है।
ओपन-वेट के साथ 30B-मॉडल का विमोचन और स्थानीय एजेंटों पर ज़ोर डेवलपर्स और शोधकर्ताओं के लिए बाधाओं को कम करता है, जिससे वे क्लाउड प्रदाताओं पर निर्भरता के बिना दीर्घकालिक वर्कफ़्लो के साथ प्रयोग कर सकें। यह व्यक्तिगत एजेंटों के उदय को तेज़ कर सकता है, लेकिन साथ ही व्यापक प्रसार के दौरान साइबर सुरक्षा और जैव-जोखिम (biorisks) के क्षेत्रों में दुरुपयोग के नियंत्रण के बारे में भी सवाल उठाता है।
यह अस्पष्ट है कि म्यूज़ ग्लिमर वास्तव में बड़े आकार के बंद मॉडलों की तुलना में जटिल मल्टी-स्टेप कार्यों में अग्रदूत क्षमताओं के कितना करीब आता है, और Hugging Face पर रिलीज़ के बाद समुदाय घोषित मेट्रिक्स को स्वतंत्र रूप से कैसे सत्यापित करेगा। आगामी कार्य वास्तविक परिदृश्यों में एजेंटों की विफलता रिकवरी (failure recovery) की वास्तविक स्थिरता और दीर्घकालिक सुसंगतता (long-term coherence) का परीक्षण करेंगे।
म्यूज़ ग्लिमर का ओपन-सोर्स रिलीज़ और ज़करबर्ग का निबंध दोनों मिलकर इस बात पर ज़ोर देते हैं कि मेटा सुरक्षा और प्रगति के तंत्र के रूप में शक्ति के वितरण पर दांव लगा रहा है, जिससे समुदाय को मॉडल के स्वतंत्र सत्यापन और आगे के विकास के लिए अवसर मिल रहा है।
