Muse Glimmer

Muse Glimmer 是 Meta 于 2026 年 8 月 10 日发布的 30B 参数开源智能体多模态模型，采用 Apache 2.0 协议。它从 Meta 更大的 Muse Spark 模型蒸馏而来，专门为常驻本地智能体工作流设计：规划、工具调用、结果检查与故障恢复。模型接受文本与图片交错输入，4-bit 量化后可在单张消费级 GPU（24GB 目标）上运行，无需联网，是私有本地编程智能体的可靠默认选择。

核心功能

• 智能体原生训练：围绕智能体循环（规划、调工具、解读结果、故障恢复）构建，而非单纯聊天。
• 多模态输入：约 18 亿参数的 ViT-G/14 感知编码器，可与文本一起理解截图、图表、文档，每张图片最多 4096 个视觉 token。
• 本地运行：稠密 30B 模型（总参数约 296 亿）、131,072+ token 上下文、Apache 2.0 协议、无需联网。
• 24GB 目标：4-bit 量化让语言模型压缩到 20GB 以下，为 KV 缓存、视觉编码器与草稿模型留出 24GB/32GB 空间。
• DFlash 投机解码：2.56B 块扩散草稿模型一次前向预测 16 个 token 并由主模型并行验证；RTX 5090 上解码速度最高提升 3.1 倍。
• Day-0 生态：发布即支持 transformers、llama.cpp、vLLM、Ollama、LM Studio、SGLang、MLX、ExecuTorch。

模型规格

评测亮点

• BionicBench（LM Studio 独立评测）：任务完成率 83.3%，Gemma 4 31B 与 Qwen3.6-27B 均为 77.7%。
• 智能体领先项：在 MCP Atlas、DeepSearch QA、SWE-Bench Pro 上领先对标模型。
• 权衡：在多小时长会话的 OSWorld-Verified、TerminalBench 2.1、SkillsBench 上落后于 Qwen3.6-27B。

适用场景

• 私有本地编程智能体：完全离线运行工具调用智能体，数据不出本机。
• 文档与屏幕理解：智能体边读截图、图表、文档边调用工具。
• 个人助手：Claw/Hermes 式部署，需要长程上下文与多模态感知。
• 成本敏感管线：LLM 作为裁判与重复评测类工作负载，本地运行成本极低。

优势

1. 真正本地智能体：30B 多模态智能体适配单张消费级 GPU，协议完全宽松。
2. 一体化技术栈：量化、投机解码、运行时协同设计，而非事后拼装。
3. Meta 生态：官方 GGUF、ExecuTorch、transformers 支持，并有 AMD、Arm、Dell、Intel、NVIDIA 硬件合作伙伴。

使用技巧

1. 24GB 卡先用 K-Quant-17GB：先验证纯文本性能，再逐步加入视觉与 DFlash，同时留意显存余量。
2. 智能体循环里启用 DFlash：投机解码对长推理链与多步工具调用收益最大。
3. 数小时终端会话选 Qwen3.6-27B：Glimmer 擅长范围明确的工具使用，超长自主运行上竞品领先。

总结

Muse Glimmer 为本地智能体开发者提供了第一个现实的默认选择：协议宽松、多模态、智能体原生的 30B 模型，能跑在已有硬件上。如果你想要不依赖云的私有常驻编码与工具调用智能体，它是当前同类中最强的开源选项。