Meta анонсировала Muse Glimmer, новый 30-миллиардный параметрический AI-модель, доступный под лицензией Apache 2.0. Эта модель предназначена для работы на потребительских графических процессорах (GPU) и может использоваться для локального кодирования, вызова функций и работы с локальными агентами. В отличие от облачных моделей, которые требуют постоянного доступа к сети и центральной инфраструктуры, Muse Glimmer нацелен на задачи, требующие локального развертывания, включая создание персональных агентов, имеющих доступ к расписаниям, сообщениям, файлам и другим приватным данным.

Преимущества Muse Glimmer в сравнении с конкурентами

Meta провела тестирование Muse Glimmer на нескольких бенчмарках, где модель продемонстрировала превосходство над конкурентами, такими как Gemma4-31B и Qwen3.6-27B. В частности, Muse Glimmer достигла 75.5 баллов на MCP Atlas, в то время как Gemma4-31B набрала 54.2, а Qwen3.6-27B — 62.5. В тесте DeepSearch QA Muse Glimmer также показала лучший результат — 74.6, по сравнению с 61.7 у Gemma4-31B и 71.1 у Qwen3.6-27B.

Результаты в области кодирования

В области кодирования Muse Glimmer продемонстрировала хорошие результаты, лидируя на SWE-Bench Pro с 51.2 балла. Gemma4-31B набрала 36.9, а Qwen3.6-27B — 50.2. Однако в других тестах, таких как SWE-Bench Verified и TerminalBench 2.1, Qwen3.6-27B показала лучшие результаты, что подчеркивает необходимость тщательной настройки и определения команд и репозиториев, доступных для агента.

Мультимодальные возможности

Muse Glimmer поддерживает интерлеированные текст и изображения благодаря специальному энкодеру восприятия. Это позволяет агентам интерпретировать скриншоты, графики и документы в процессе общения. В тесте Charxiv Reasoning Muse Glimmer также показала высокие результаты, набрав 78.8 баллов, что выше, чем у Gemma4-31B и Qwen3.6-27B.

Безопасность и надежность

Meta также представила данные по безопасности Muse Glimmer. В тесте CI Memories модель показала уровень нарушений 26.4 и уровень охвата 64.8, что лучше, чем у Qwen3.6-27B с 53.4 и 66.9 соответственно. В тесте Siren AgentDojo Muse Glimmer продемонстрировала уровень успешных атак 28.4 и уровень полезности 94.2, что также говорит о ее надежности.

Общие способности и выводы

Muse Glimmer продемонстрировала высокие результаты в четырех из шести тестов на общие способности и рассуждения. В тесте IFBench модель набрала 77.0, что выше, чем у Gemma4-31B и Qwen3.6-27B. Эти результаты подчеркивают конкурентоспособность Muse Glimmer среди аналогичных моделей.

Технические характеристики и требования

Meta сообщает, что полная версия модели с 30 миллиардами параметров требует более 55 ГБ памяти. Однако Muse Glimmer использует квантование весов на уровне 4 бита, что позволяет снизить требования до менее чем 20 ГБ. Это оставляет место для кэширования и других компонентов, необходимых для работы модели.

Доступность и интеграция

Публичные веса Muse Glimmer уже доступны на платформе Hugging Face, а интеграции с такими инструментами, как llama.cpp, MLX и ExecuTorch, ожидаются в ближайшие дни. Это открывает новые возможности для разработчиков, желающих использовать локальные AI-агенты в своих проектах.