10 серпня 2026 року компанія Meta представила Muse Glimmer — модель із 30 мільярдами параметрів та відкритими вагами за ліцензією Apache 2.0, оптимізовану для роботи локальних агентів на споживчому обладнанні. Одночасно Марк Цукерберг оприлюднив есе обсягом близько 6500 слів, де виклав філософію «персонального суперінтелекту для кожного».
Модель Muse Glimmer створено методом дистиляції від більшої учительської моделі Muse Spark.
Вона пройшла попереднє навчання на логітах учительської моделі, проміжне навчання (mid-training) на довгих контекстах та агентських даних, а також пост-навчання з комбінацією керованого донавчання (supervised fine-tuning), on-policy дистиляції та навчання з підкріпленням (reinforcement learning) у сферах міркувань, кодування та агентських завдань. Контекстне вікно моделі перевищує 120 тисяч токенів, вона підтримує мультимодальний ввід і сумісна зі scaffold’ами, такими як OpenClaw.
Ключові оптимізації включають 4-бітну квантизацію, що знижує споживання пам'яті до приблизно 17–20 ГБ, та спекулятивне декодування з легкою моделлю-чернеткою DFlash. Це дозволяє запускати модель на MacBook M4/M5 Max або RTX 5090 з прийнятною швидкістю для безперервної роботи агентів без використання хмарних сервісів.
У своєму есе Цукерберг протиставляє власну позицію підходу лабораторій, які прагнуть до централізації. Він стверджує, що баланс сил досягається не через єдину «вирівняну» суперінтелектуальну систему, а завдяки широкому розподілу потужних інструментів між окремими особами.
Серед прикладів: персональний агент, що працює цілодобово над питаннями здоров'я, фінансів та відносин; інструменти для винаходів і створення бізнесу; персоналізований репетитор; а також внесок у наукові відкриття через відкриті біологічні моделі Biohub.
Методологія оцінки Muse Glimmer охоплює бенчмарки DeepSearch QA, MCP-Atlas, τ-Bench та SWE-Bench, а також тести на надійне використання інструментів, відновлення після помилок та мультимодальне розуміння. Однак детальні порівняльні таблиці з Gemma4-31B та Qwen3.6-27B у відкритому доступі є обмеженими, а повна методологія відсилає до внутрішнього звіту Meta.
Порівняно з попередніми відкритими релізами Meta (серія Llama), акцент змістився на агентські сценарії та локальне виконання, а не лише на загальні мовні можливості. Це відрізняється від стратегії OpenAI та Anthropic, де просунуті моделі залишаються закритими або доступні лише через API. Водночас китайські лабораторії (DeepSeek, Moonshot) активно випускають відкриті моделі, посилюючи тиск на американських гравців.
Випуск 30B-моделі з відкритими вагами та акцент на локальних агентах знижує бар'єр для розробників та дослідників, дозволяючи експериментувати з довгостроковими робочими процесами (workflow) без залежності від хмарних провайдерів. Це може прискорити появу персоналізованих агентів, але водночас порушує питання щодо контролю за зловживанням у сфері кібербезпеки та біоризиків при широкому розповсюдженні.
Залишається незрозумілим, наскільки Muse Glimmer справді наближається до передових (frontier) можливостей у складних багатоетапних завданнях порівняно із закритими моделями більшого розміру, а також як спільнота незалежно верифікуватиме заявлені показники після релізу на Hugging Face. Наступні роботи, ймовірно, перевірятимуть реальну стійкість до відмов (failure recovery) та довгострокову послідовність (coherence) агентів у реальних сценаріях.
Відкритий реліз Muse Glimmer та есе Цукерберга разом підкреслюють, що Meta робить ставку на розподіл потужностей як механізм безпеки та прогресу, залишаючи простір для незалежної перевірки та доопрацювання моделі спільнотою.
