Vào ngày 10 tháng 8 năm 2026, Meta đã phát hành Muse Glimmer, một mô hình 30 tỷ tham số với trọng số nguồn mở theo giấy phép Apache 2.0, được tối ưu hóa để vận hành các tác nhân cục bộ trên phần cứng tiêu dùng. Cùng thời điểm đó, Mark Zuckerberg cũng công bố một bài tiểu luận dài khoảng 6.500 từ, trình bày triết lý về "siêu trí tuệ cá nhân cho mọi người".
Mô hình Muse Glimmer được xây dựng bằng phương pháp chưng cất từ mô hình lớn hơn là Muse Spark. Nó đã trải qua quá trình tiền huấn luyện trên các logit của mô hình nguồn, huấn luyện giữa kỳ trên ngữ cảnh dài và dữ liệu tác nhân, cũng như hậu huấn luyện kết hợp tinh chỉnh có giám sát (supervised fine-tuning), chưng cất theo chính sách (on-policy distillation) và học tăng cường (reinforcement learning) trong các lĩnh vực suy luận, mã hóa và tác vụ tác nhân. Cửa sổ ngữ cảnh của mô hình này vượt quá 120 nghìn token, hỗ trợ đầu vào đa phương thức và tương thích với các khung kiến trúc như OpenClaw.
Các tối ưu hóa chính bao gồm lượng tử hóa 4-bit, giúp giảm mức tiêu thụ bộ nhớ xuống còn khoảng 17–20 GB, và giải mã dự đoán (speculative decoding) với mô hình phác thảo nhẹ DFlash. Điều này cho phép chạy mô hình trên MacBook M4/M5 Max hoặc RTX 5090 với tốc độ chấp nhận được, đảm bảo các tác nhân hoạt động liên tục mà không cần đến đám mây.
Trong bài tiểu luận của mình, Zuckerberg đã đối lập quan điểm của ông với cách tiếp cận tập trung hóa mà nhiều phòng thí nghiệm đang theo đuổi. Ông lập luận rằng sự cân bằng quyền lực không đến từ một hệ thống siêu trí tuệ "được căn chỉnh" duy nhất, mà thông qua việc phân phối rộng rãi các công cụ mạnh mẽ đến từng cá nhân. Các ví dụ được đưa ra là: một tác nhân cá nhân hoạt động 24/7 chăm sóc sức khỏe, tài chính và các mối quan hệ; các công cụ cho sáng chế và khởi nghiệp; một gia sư cá nhân hóa; và sự đóng góp vào các khám phá khoa học thông qua các mô hình sinh học mở Biohub.
Phương pháp đánh giá Muse Glimmer bao gồm các điểm chuẩn DeepSearch QA, MCP-Atlas, τ-Bench và SWE-Bench, cùng với các bài kiểm tra về khả năng sử dụng công cụ đáng tin cậy, phục hồi sau lỗi và hiểu biết đa phương thức. Tuy nhiên, các bảng so sánh chi tiết với Gemma4-31B và Qwen3.6-27B ở dạng công khai còn hạn chế; phương pháp luận đầy đủ được đề cập trong một báo cáo nội bộ của Meta.
So với các bản phát hành nguồn mở trước đây của Meta (chuỗi Llama), trọng tâm đã chuyển sang các kịch bản tác nhân và thực thi cục bộ, thay vì chỉ tập trung vào khả năng ngôn ngữ tổng quát. Điều này khác biệt so với chiến lược của OpenAI và Anthropic, nơi các mô hình tiên tiến vẫn được giữ kín hoặc chỉ có thể truy cập qua API. Song song đó, các phòng thí nghiệm Trung Quốc (DeepSeek, Moonshot) cũng đang tích cực phát hành các mô hình nguồn mở, làm tăng áp lực cạnh tranh lên các nhà phát triển Mỹ.
Việc phát hành mô hình 30 tỷ tham số với trọng số nguồn mở và việc nhấn mạnh vào các tác nhân cục bộ giúp giảm rào cản cho các nhà phát triển và nghiên cứu, cho phép họ thử nghiệm với các quy trình làm việc dài hạn mà không phụ thuộc vào nhà cung cấp dịch vụ đám mây. Điều này có thể đẩy nhanh sự ra đời của các tác nhân cá nhân hóa, nhưng đồng thời cũng đặt ra những vấn đề về kiểm soát việc lạm dụng trong lĩnh vực an ninh mạng và các rủi ro sinh học khi được phổ biến rộng rãi.
Vẫn chưa rõ liệu Muse Glimmer có thực sự tiệm cận các khả năng "frontier" trong các tác vụ phức tạp nhiều bước so với các mô hình đóng lớn hơn hay không, và cộng đồng sẽ xác minh độc lập các số liệu được công bố sau khi phát hành trên Hugging Face như thế nào. Các nghiên cứu tiếp theo có thể sẽ kiểm tra khả năng phục hồi sau lỗi thực tế và tính nhất quán dài hạn của các tác nhân trong các kịch bản thực tế.
Việc phát hành Muse Glimmer dưới dạng nguồn mở và bài tiểu luận của Zuckerberg cùng nhấn mạnh rằng Meta đang đặt cược vào việc phân phối sức mạnh như một cơ chế đảm bảo an toàn và thúc đẩy tiến bộ, đồng thời mở ra cơ hội cho cộng đồng kiểm tra và tinh chỉnh mô hình một cách độc lập.
