Meta在8月10日釋出了新的開源多模態模型Muse Glimmer，該模型專為本地智慧體（agentic）用例設計，引數規模為30B，採用Apache 2.0許可證。這一發布標誌著Meta在開源大模型領域的迴歸，其前代模型Llama系列曾引領開源社群。Muse Glimmer從更大的Muse模型蒸餾而來，旨在平衡效能與部署效率，適合隱私敏感的應用場景，如編碼輔助、文件分析、個人助理，以及類似Claw或Hermes的智慧體設定。Hugging Face在釋出當天即提供了對transformers、llama.cpp、vLLM、Inference Endpoints等庫的day-0支援，並展示了多個演示，包括將OpenClaw連線到Muse Glimmer，以及讓模型自我量化、部署、最佳化和研究Hub等趣味用例。

在架構上，Muse Glimmer是一個稠密的30B引數模型，包含一個2B的ViT風格視覺編碼器（Perception Encoder）和一個28B的文本解碼器。視覺編碼器採用2幀×3通道×14×14的patch化處理，經過線性投影和插值絕對位置嵌入後，送入50層、含GELU MLP的視覺塔。注意力模式採用三層視窗注意力加一層全注意力的組合，並應用2D RoPE。畫素洗牌操作將相鄰2×2空間token合併，使影像token數量減少4倍。影片則逐幀通過同一編碼器處理。文本解碼器採用混合注意力機制，交替使用三個滑動視窗層（視窗大小2048 token，使用旋轉位置嵌入）和一個全注意力層（無位置嵌入），重複13次共52層。此外，模型採用門控分組查詢注意力（GQA），每個鍵值頭由16個查詢頭共享，將KV快取記憶體減少16倍，從而加快生成速度並降低成本。模型還應用了Q-K歸一化和額外的查詢縮放，以穩定注意力logits。

除了主視覺語言模型，Muse Glimmer還配備了一個基於DFlash實現的投機解碼草稿模組，該模組可選，能在增加一定記憶體開銷的情況下顯著加速生成，尤其適用於結構化內容生成如程式碼。

在基準測試中，Muse Glimmer與Gemma4-31B Thinking Mode和Qwen3.6-27B Thinking Mode進行了對比。在通用智慧體任務中，Muse Glimmer在MCP Atlas上得分為75.5，高於Gemma4的54.2和Qwen3.6的62.5；在DeepSearch QA上為74.6，同樣領先；在τ³-Banking上為23.5，優於對比模型；在WildClawBench上為47.6，高於Gemma4的37.6但低於Qwen3.6的43.2（注：此處原文資料有誤，Qwen3.6為43.2，但表格中顯示為43.2，實際應為43.2，但Muse Glimmer仍領先）；在GDPval-AA上為953，低於Qwen3.6的1141；在GAIA2上為43.3，領先；在SkillsBench上為44.3，低於Qwen3.6的46.6；在OSWorld-Verified上為65.9，低於Qwen3.6的75.6。在智慧體編碼任務中，Muse Glimmer在SWE-Bench Pro上為51.2，領先；在SWE-Bench Verified上為76.0，低於Qwen3.6的77.2；在TerminalBench上為51.7，領先；在SciCode上為43.6，略高於Gemma4的43.4。在多模態任務中，Muse Glimmer在Charxiv Reasoning上為78.8，領先；在ScreenSpot Pro上為75.4，低於對比模型；在OmniDocBench v1.5上為75.8，高於Gemma4但低於Qwen3.6；在MMMU Pro上為74，低於Qwen3.6的74（注：原文為74，但Qwen3.6為74，實際相同）。在安全測試中，Muse Glimmer的CI Memories Violation為26.4，高於Gemma4的12.1，但低於Qwen3.6的53.4；Siren AgentDojo攻擊成功率為28.4，低於Qwen3.6的40.3。在通用能力與推理方面，Muse Glimmer在IFBench上為77.0，領先；在AIME 2026上為94.7，領先；在GPQA Diamond上為83.5，低於Gemma4的85.7；在Humanity's Last Exam上為22.0，低於對比模型；在AA-LCR上為80.0，領先；在Beam 128K上為65.1，領先。

總體而言，Muse Glimmer在多項智慧體相關基準上表現強勁，尤其在編碼和工具呼叫任務上，其本地部署特性為開發者提供了新的選擇。Hugging Face的全面支援進一步降低了採用門檻，有望推動開源智慧體生態的發展。