10 sierpnia 2026 roku firma Meta zaprezentowała Muse Glimmer – model o 30 miliardach parametrów z otwartymi wagami, dostępny na licencji Apache 2.0, zoptymalizowany pod kątem lokalnych agentów działających na sprzęcie konsumenckim. Równocześnie Mark Zuckerberg opublikował esej liczący około 6500 słów, w którym przedstawił swoją filozofię „osobistej superinteligencji dla każdego”.
Model Muse Glimmer został zbudowany metodą destylacji z większego modelu nauczyciela Muse Spark. Przeszedł on pretrening na logitach modelu nauczyciela, mid-trening na długich kontekstach i danych agencyjnych, a także post-trening łączący nadzorowane dostrajanie (supervised fine-tuning), destylację on-policy oraz uczenie wzmacniające (reinforcement learning) w obszarach rozumowania, kodowania i zadań agencyjnych. Okno kontekstowe modelu przekracza 120 tysięcy tokenów, obsługuje on multimodalne dane wejściowe i jest kompatybilny ze strukturami takimi jak OpenClaw.
Kluczowe optymalizacje obejmują 4-bitową kwantyzację, która zmniejsza zużycie pamięci do około 17–20 GB, oraz dekodowanie spekulacyjne z lekkim modelem szkicującym DFlash. Pozwala to na uruchomienie modelu na MacBookach M4/M5 Max lub kartach RTX 5090 z akceptowalną prędkością, umożliwiającą ciągłą pracę agentów bez konieczności korzystania z chmury.
W swoim eseju Zuckerberg przeciwstawia swoje stanowisko podejściu laboratoriów dążących do centralizacji. Twierdzi on, że równowaga sił nie jest osiągana poprzez jeden „zgodny” system superinteligentny, lecz poprzez szerokie rozpowszechnienie potężnych narzędzi wśród jednostek. Jako przykłady podaje osobistego agenta działającego 24/7 nad zdrowiem, finansami i relacjami; narzędzia do wynalazków i tworzenia biznesu; spersonalizowanego korepetytora; czy wkład w odkrycia naukowe poprzez otwarte biologiczne modele Biohub.
Metodologia oceny Muse Glimmer obejmuje benchmarki takie jak DeepSearch QA, MCP-Atlas, τ-Bench i SWE-Bench, a także testy niezawodnego użycia narzędzi, odzyskiwania po błędach i rozumienia multimodalnego. Szczegółowe tabele porównawcze z modelami Gemma4-31B i Qwen3.6-27B są jednak w otwartym dostępie ograniczone; pełna metodologia odsyła do wewnętrznego raportu Meta.
W porównaniu z poprzednimi otwartymi wydaniami Meta (seria Llama) akcent przesunął się na scenariusze agencyjne i lokalne wykonywanie, a nie tylko na ogólne zdolności językowe. Różni się to od strategii OpenAI i Anthropic, gdzie zaawansowane modele pozostają zamknięte lub dostępne wyłącznie poprzez API. Równolegle chińskie laboratoria (DeepSeek, Moonshot) aktywnie wypuszczają otwarte modele, zwiększając presję na amerykańskich graczy.
Wydanie modelu 30B z otwartymi wagami oraz nacisk na lokalnych agentów obniża barierę dla programistów i badaczy, umożliwiając eksperymentowanie z długoterminowymi przepływami pracy bez zależności od dostawców chmurowych. Może to przyspieszyć pojawienie się spersonalizowanych agentów, ale jednocześnie rodzi pytania dotyczące kontroli nad ich niewłaściwym wykorzystaniem w obszarach cyberbezpieczeństwa i biozagrożeń przy szerokiej dystrybucji.
Pozostaje niejasne, na ile Muse Glimmer rzeczywiście zbliża się do możliwości modeli granicznych (frontier capabilities) w złożonych, wieloetapowych zadaniach w porównaniu z większymi, zamkniętymi modelami, oraz jak społeczność niezależnie zweryfikuje deklarowane parametry po jego udostępnieniu na Hugging Face. Kolejne prace prawdopodobnie będą testować rzeczywistą odporność na błędy (failure recovery) oraz długoterminową spójność (coherence) agentów w realnych scenariuszach.
Otwarte wydanie Muse Glimmer i esej Zuckerberga wspólnie podkreślają, że Meta stawia na rozproszenie mocy obliczeniowych jako mechanizm bezpieczeństwa i postępu, pozostawiając pole dla niezależnej weryfikacji i udoskonalania modelu przez społeczność.
