Pada 10 Agustus 2026, Meta merilis Muse Glimmer, sebuah model berbobot terbuka (open-weight) dengan 30 miliar parameter di bawah lisensi Apache 2.0, yang dioptimalkan untuk agen lokal pada perangkat keras konsumen. Bersamaan dengan itu, Mark Zuckerberg menerbitkan esai setebal sekitar 6.500 kata yang menguraikan filosofi "superinteligensi personal untuk semua orang".
Model Muse Glimmer dibangun menggunakan metode distilasi dari model "guru" yang lebih besar, Muse Spark. Model ini menjalani pra-pelatihan (pre-training) pada logit dari model guru, pelatihan pertengahan (mid-training) pada konteks panjang dan data agen, serta pasca-pelatihan (post-training) dengan kombinasi supervised fine-tuning, distilasi on-policy, dan pembelajaran penguatan (reinforcement learning) dalam domain penalaran, pengodean, dan tugas-tugas agen. Jendela konteksnya melebihi 120 ribu token, model ini mendukung masukan multimodal, dan kompatibel dengan kerangka kerja seperti OpenClaw.
Optimalisasi utamanya meliputi kuantisasi 4-bit, yang mengurangi konsumsi memori hingga sekitar 17–20 GB, dan speculative decoding dengan model draf ringan DFlash. Hal ini memungkinkan model untuk dijalankan pada MacBook M4/M5 Max atau RTX 5090 dengan kecepatan yang dapat diterima untuk operasi agen berkelanjutan tanpa bergantung pada komputasi awan.
Dalam esainya, Zuckerberg mengkontraskan posisinya dengan pendekatan laboratorium yang cenderung ke arah sentralisasi. Ia berpendapat bahwa keseimbangan kekuasaan tidak dicapai melalui sistem superinteligensi tunggal yang "selaras", melainkan melalui distribusi luas alat-alat canggih di antara individu. Contohnya termasuk agen personal yang bekerja 24/7 untuk kesehatan, keuangan, dan hubungan; alat untuk penemuan dan pengembangan bisnis; tutor yang dipersonalisasi; serta kontribusi pada penemuan ilmiah melalui model biologis terbuka Biohub.
Metodologi evaluasi Muse Glimmer mencakup benchmark DeepSearch QA, MCP-Atlas, τ-Bench, dan SWE-Bench, serta pengujian penggunaan alat yang andal, pemulihan dari kesalahan, dan pemahaman multimodal. Namun, tabel perbandingan terperinci dengan Gemma4-31B dan Qwen3.6-27B dalam akses publik masih terbatas; metodologi lengkap merujuk pada laporan internal Meta.
Dibandingkan dengan rilis terbuka Meta sebelumnya (seri Llama), fokus telah bergeser ke skenario agen dan eksekusi lokal, bukan hanya pada kemampuan bahasa umum. Pendekatan ini berbeda dengan strategi OpenAI dan Anthropic, di mana model canggih tetap tertutup atau hanya dapat diakses melalui API. Secara paralel, laboratorium Tiongkok (DeepSeek, Moonshot) secara aktif merilis model terbuka, meningkatkan tekanan pada pemain Amerika.
Peluncuran model 30B dengan bobot terbuka dan penekanan pada agen lokal ini menurunkan hambatan bagi pengembang dan peneliti, memungkinkan mereka untuk bereksperimen dengan alur kerja jangka panjang tanpa bergantung pada penyedia layanan cloud. Meskipun ini dapat mempercepat munculnya agen personal yang canggih, pada saat yang sama, hal ini menimbulkan pertanyaan tentang pengendalian penyalahgunaan di bidang keamanan siber dan bio-risiko jika disebarluaskan secara luas.
Masih belum jelas seberapa dekat Muse Glimmer dengan kemampuan 'frontier' dalam tugas multi-langkah yang kompleks dibandingkan dengan model tertutup yang lebih besar, dan bagaimana komunitas akan memverifikasi secara independen metrik yang diklaim setelah rilis di Hugging Face. Karya-karya selanjutnya kemungkinan akan menguji ketahanan pemulihan kegagalan (failure recovery) dan koherensi jangka panjang agen dalam skenario dunia nyata.
Rilis terbuka Muse Glimmer dan esai Zuckerberg secara bersama-sama menggarisbawahi bahwa Meta bertaruh pada distribusi kemampuan sebagai mekanisme keamanan dan kemajuan, membuka jalan bagi verifikasi independen dan penyempurnaan model oleh komunitas.
