2026年8月10日，Meta发布了Muse Glimmer，这是一款拥有300亿参数、采用Apache 2.0开源许可证的模型，专门针对在消费级硬件上运行的本地代理进行了优化。与此同时，马克·扎克伯格发表了一篇约6500字的文章，阐述了他“人人享有个人超级智能”的哲学理念。
Muse Glimmer模型是基于其大型教师模型Muse Spark，通过蒸馏方法构建的。它经历了在教师模型对数上的预训练、在长上下文和代理数据上的中期训练，以及在推理、编码和代理任务领域结合了监督微调、策略蒸馏和强化学习的后期训练。该模型的上下文窗口超过12万个token，支持多模态输入，并兼容OpenClaw等框架。
其关键优化包括4位量化，将内存消耗降低至约17-20 GB；以及结合轻量级草稿模型DFlash进行的推测解码。这使得该模型能够在MacBook M4/M5 Max或RTX 5090上以可接受的速度运行，从而支持代理在不依赖云服务的情况下持续工作。
扎克伯格在文章中将自己的立场与那些追求中心化的实验室方法进行了对比。他主张，力量的平衡并非通过一个单一的“对齐”超级智能系统来实现，而是通过将强大的工具广泛分配给每个人。他举例说，这包括一个24/7全天候关注健康、财务和人际关系的个人代理；用于发明创造和创业的工具；个性化辅导老师；以及通过Biohub等开放生物模型促进科学发现。
Muse Glimmer的评估方法涵盖了DeepSearch QA、MCP-Atlas、τ-Bench和SWE-Bench等基准测试，以及工具可靠使用、错误恢复和多模态理解方面的测试。然而，与Gemma4-31B和Qwen3.6-27B的详细对比表格公开信息有限；完整的评估方法参考了Meta的内部报告。
与Meta此前的开源版本（Llama系列）相比，此次发布的重点已从通用语言能力转向了代理场景和本地执行。这与OpenAI和Anthropic的策略形成对比，后者的先进模型仍处于封闭状态或仅通过API提供访问。与此同时，中国实验室（如DeepSeek、月之暗面）正积极发布开源模型，加剧了对美国参与者的竞争压力。
发布300亿参数的开源模型并强调本地代理，降低了开发者和研究人员的门槛，使他们能够在不依赖云服务商的情况下，试验长期工作流程。这或许能加速个性化代理的普及，但同时，其广泛应用也引发了关于网络安全和生物风险滥用控制的担忧。
目前尚不清楚，Muse Glimmer在复杂多步任务中与更大规模的闭源模型相比，其前沿能力究竟达到了何种程度；以及在Hugging Face上发布后，社区将如何独立验证其宣称的各项指标。接下来的研究工作，可能会在实际场景中测试代理的故障恢复真实韧性以及长期一致性。
Muse Glimmer的开源发布以及扎克伯格的文章共同强调，Meta将能力分布式作为实现安全和进步的机制，为社区独立验证和完善模型留下了空间。
