Meta，欢迎重返开源群聊。
兜兜转转，Llama的开源剧本，由MSL接棒——
小扎的亿元俱乐部首次上新开源模型Muse Glimmer，主打消费级运行的本地Agent。
模型参数仅30B，经量化后，一块24GB的消费级显卡就能跑通。
小归小，但这次MSL开源的是一个真正能干活的Agent，拥有从规划、工具调用到自我检查和故障恢复的完整Agent能力。
BTW，这还是前菜：
Meta同时预告，Muse Spark 1.2的开放权重版本也将在不久后发布。
不仅如此，小扎还特意写了一篇小作文，内容就更直白了。
限制开源是大错特错！MSL已步入正轨，公司将恢复发布部分开放模型。
好好好！北美开源之光，小扎他又回来了！
这波老黄「开源协议」上大分：
Meta前知名同事LeCun也迅速赶到评论区力挺：
01、MSL接棒开源
Meta这次开源的是一款基础小钢炮模型。
模型卡显示，Muse Glimmer总计约296亿参数，其中包括一个约18亿参数的视觉编码器，上下文长度超13万Token，支持文本和图像输入。
可搭配单块消费级显卡运行，支持本地Agent、工具函数调用、本地代码开发、大模型裁判评测等各类应用场景。
简单来说，设计Muse Glimmer的目的就是在本地硬件内存和计算限制下，平衡Agent多种功能需求。
为此，Meta将训练过程分成了三个阶段：
先从更大的Muse Spark中蒸馏能力，再增加长上下文和Agent任务，最后通过监督微调、在线蒸馏和强化学习补足推理、编程与工具调用。
说白了，就是让大模型先示范怎么做，再把这套办事方法压进更小的模型里。
这里Meta做了两层压缩：
量化：
完整精度的300亿参数模型需要超过55GB内存，而17GB版本可以直接落进24GB显存。
Meta称，这一版本在15项常用评测上的平均准确率损失约为1%；面向32GB设备，平均损失约为0.2%。这意味着部署门槛得以大幅度降低。
DFlash推测解码：
普通模型一个Token一个Token往外吐，DFlash则先一次性提出一组候选Token，再由主模型并行核对。
根据测试，Muse Glimmer在RTX 5090上的生成速度由74.9 Token/s提升至233.4 Token/s，达到3.1倍；在M4 Max和M5 Max上也分别获得1.5倍和1.8倍加速。
官方测评里，Muse Glimmer的表现也相当不错。
在多个考察Agent能力的基准测试上，均略优于Gemma4-31B和Qwen3.6-27B。
不过它也不是同尺寸全能冠军。在OSWorld-Verified、SWE-Bench Verified和TerminalBench 2.1等测试中，Qwen3.6-27B仍然领 先。
Meta自己也明确表示，Muse Glimmer整体能力弱于Muse Spark，并未达到前沿AI标准。
所以Muse Glimmer最准确的定位是低门槛Agent，能力未必处处第 一，但该有的都有，而且24GB显存可用。
02、Muse Glimmer只是开场
事实上，Muse Glimmer还只是小扎重回开源路线的急先锋。
如果只看参数，这是一款工程取舍非常明确的本地模型，但如果把它和小扎的最新文章放在一起看，事情就变得有趣了起来。
扎克伯格在文章中将AI公司的选择分成了两边：
一边是把超级智能集中在少数实验室、企业和政府手中，用统一规则决定模型能力；另一边则是把能力广泛分发，让每个人拥有与自己目标一致的个人Agent。
显然，Meta选择了后者。
小扎认为，未来的个人Agent需要全天候理解用户的健康、工作、财务、家庭和兴趣，甚至能观察训练状态、安排食谱、购买食材。
Agent越有用，需要接触的个人信息就越深。
因此，他承诺Meta将会提供公司自己也无法查看的完全隐私模式，同时让超级智能免费或以尽可能低的价格覆盖数十亿人。
未来Meta将继续开源部分模型，模型发布标准会先交由独立董事会审批，并保留相关安全评估。
他给出的理由也很直接，不仅是为了开发者生态，也是因为开放模型是产业竞争的关键。
这和英伟达老黄前段时间提出的开源倡议理念如出一辙，都是强调开放权重模型对AI生态健康的重要性。
彼时几乎所有硅谷AI公司都签名了，Anthropic除外。
不过签名是一回事，做是另一回事。
打响开源第 一枪的，意料之外又情理之中，还是Meta MSL。
