2026年8月10日，Meta發布了Muse Glimmer，這是一個擁有300億參數且開放權重的模型，採用Apache 2.0許可，專為在消費者硬體上運行在地代理而優化。同時，馬克·祖克柏發表了一篇約6500字的論文，闡述了「人人享有個人超級智慧」的理念。
Muse Glimmer模型是透過從更大規模的教師模型Muse Spark進行蒸餾而建構的。它經歷了基於教師模型logit的預訓練，在中期訓練中結合了長上下文和代理數據，並在推理、編碼和代理任務領域，透過監督式微調、在線策略蒸餾和強化學習的組合進行了後續訓練。其上下文窗口超過12萬個tokens，模型支援多模態輸入，並與OpenClaw等框架相容。
其關鍵優化包括4位元量化，將記憶體消耗降低至約17-20 GB，以及使用輕量級草稿模型DFlash進行推測解碼。這使得模型能夠在MacBook M4/M5 Max或RTX 5090上以可接受的速度運行，以支援代理在無需雲端服務的情況下持續運作。
在該論文中，祖克柏將自己的立場與那些尋求中心化發展的實驗室方法形成對比。他主張，力量的平衡並非透過單一「對齊」的超級智慧系統來實現，而是透過將強大工具廣泛分配給每個個體。例子包括：全天候處理健康、財務和人際關係的個人代理；用於發明創造和商業發展的工具；個人化家教；以及透過Biohub等開放生物模型對科學發現做出貢獻。
Muse Glimmer的評估方法涵蓋了DeepSearch QA、MCP-Atlas、τ-Bench和SWE-Bench等基準測試，以及對工具的可靠使用、錯誤恢復和多模態理解的測試。然而，與Gemma4-31B和Qwen3.6-27B的詳細比較表格在公開資料中有所限制；完整的評估方法則引用了Meta的內部報告。
相較於Meta以往的開源版本（如Llama系列），這次的重點已從僅僅注重通用語言能力，轉移至代理情境和在地執行。這與OpenAI和Anthropic的策略不同，後兩者的先進模型仍保持閉源或僅透過API提供。與此同時，中國的實驗室（如DeepSeek、Moonshot）也積極發布開源模型，加劇了對美國業者的競爭壓力。
開放300億參數模型及其對在地代理的強調，降低了開發者和研究人員的門檻，讓他們能夠在不依賴雲端供應商的情況下，試驗長期工作流程。這可能會加速個人化代理的出現，但同時也引發了在廣泛傳播下，如何控制網路安全和生物風險濫用的問題。
目前仍不清楚Muse Glimmer在複雜多步驟任務中，相較於更大的閉源模型，是否真的接近前沿能力，以及社區將如何在Hugging Face發布後獨立驗證其宣稱的指標。未來的工作可能會在實際情境中測試其故障恢復的真實穩健性以及代理的長期連貫性。
Muse Glimmer的開源發布以及祖克柏的論文共同強調，Meta將能力分配視為一種安全和進步的機制，為社群提供了獨立驗證和改進模型的空間。
