Meta Muse Glimmer：让本地 AI 智能体跑在消费级 GPU 上
Meta 以 Apache 2.0 协议开源了 300 亿参数的 Muse Glimmer 模型，主打本地 AI 智能体场景。它在多个智能体基准上领先于同级别的 Gemma 和 Qwen 模型，但在编码和多模态任务上各有胜负。对开发者而言，这意味着无需依赖云端 API，就能在自有 GPU 上运行私人数据相关的智能体应用。
Meta 近日宣布以 Apache 2.0 许可证发布 Muse Glimmer，这是一款专为消费级 GPU 设计的本地 AI 智能体模型。其 Superintelligence Labs 团队已在 Hugging Face 上开放了 300 亿参数版本的权重。Meta 表示，开发者可以拿它来做本地编码、函数调用、本地智能体应用，以及用大语言模型当裁判的自动化评估。
这次发布的背景是 AI 团队普遍遇到的一个现实问题：云托管模型必须依赖网络连接和集中式基础设施。Meta 想把 Muse Glimmer 定位成需要设备端处理的场景，比如那些要读日程、看消息、翻文件、接触其他私人数据的个人智能体——这类敏感数据放在本地方案处理，显然更让人放心。
智能体基准：五胜三负
Meta 公布的测试数据显示，在八个通用智能体基准中，Muse Glimmer 有五个领先于 Gemma4-31B 和 Qwen3.6-27B。
具体来看，在 MCP Atlas 上，Muse Glimmer 得 75.5 分，Gemma4-31B 是 54.2，Qwen3.6-27B 是 62.5。DeepSearch QA 的成绩分布也类似：Muse Glimmer 拿 74.6，Gemma4-31B 是 61.7，Qwen3.6-27B 为 71.1。这两个基准主要是测试智能体能否在脚手架框架中工作、完成多轮请求。此外，Muse Glimmer 在 τ²-Banking 上得 23.5，对手分别为 15.1 和 16.7；WildClawBench 上拿 47.6，领先于后两者的 37.6 和 43.2；GAIA2 成绩为 43.3，后两者为 36.4 和 40.0。
剩下的三项基准则更偏向 Qwen3.6-27B。在 GDPval-AA 上，Qwen3.6-27B 拿到 1,141，Muse Glimmer 为 953，Gemma4-31B 只有 811。Qwen3.6-27B 还在 SkillsBench 的 Skills 项以 46.6 领跑，Muse Glimmer 为 44.3。差距最大的是 OSWorld-Verified：Qwen3.6-27B 得 75.6，Muse Glimmer 为 65.9，Gemma4-31B 为 58.5。
不过话说回来，这些测评都是在限定任务下做的。真正的生产环境——比如团队把模型接入自己的文件、日历、消息系统或内部工具——表现如何，还不完全清楚。
编码能力：与 Qwen 互有胜负
在代码生成和软件工程任务上，Muse Glimmer 和 Qwen3.6-27B 的对比更加胶着。
Muse Glimmer 在 SWE-Bench Pro 上拿到 51.2 分，领先于 Gemma4-31B 的 36.9 和 Qwen3.6-27B 的 50.2。SciCode 上三者的成绩几乎贴在一起：Muse Glimmer 得 43.6，Gemma4-31B 为 43.4，Qwen3.6-27B 为 39.8。
另外两项编程评测则反过来由 Qwen3.6-27B 领跑。它在 SWE-Bench Verified 上拿到 77.2，Muse Glimmer 为 76.0；在 TerminalBench 2.1 上，Qwen3.6-27B 得 60.7，Muse Glimmer 为 51.7，Gemma4-31B 为 43.4。
需要提醒的是，本地编程代理要干的活儿远不止生成代码，还要有配套的脚手架（scaffold）——也就是一套框架，用来限定模型可以访问哪些代码仓库、终端、测试环境和命令行工具。Meta 表示 Muse Glimmer 支持 OpenClaw 等代理编排模式，自定义脚手架的具体写法在开发者文档里有说明。想评估这个模型在真实软件工程任务上表现的团队，最好先限定代理可用的命令和仓库范围，再来看任务成功率。
官方材料还提到了针对失败工具调用的重试训练。这意味着模型在工具出错时可能自动重试，但这种行为需要设好重试次数上限，尤其是当工具会修改源代码或触发外部系统时，不加控容易出事。
多模态：Qwen 更占上风
在多模态理解方面，Muse Glimmer 通过专用的感知编码器接收交错的文本和图像输入。Meta 解释说，这样的设计让智能体可以把截图、图表、文档当作对话内容来理解，而不是只能处理纯文本。
从基准数据来看，Muse Glimmer 只在 Charxiv Reasoning 上领先：得 78.8 分，Gemma4-31B 为 77.7，Qwen3.6-27B 为 78.4。其他几项则是 Qwen3.6-27B 稍占优势：ScreenSpot Pro 上 Qwen3.6-27B 以 76.1 居首，Muse Glimmer 为 75.4，Gemma4-31B 为 75.9；OmniDocBench v1.5 上 Qwen3.6-27B 拿 77.8，Muse Glimmer 为 75.8，Gemma4-31B 为 72.5；MMMU Pro 的差距最小——Muse Glimmer 得 74 分，Qwen3.6-27B 为 75 分，Gemma4-31B 为 73 分。
关键要点
- Meta 开源了 300 亿参数的 Muse Glimmer 模型，Apache 2.0 协议，可在消费级 GPU 上本地运行，适合处理私人数据相关的智能体应用。
- 智能体基准上六成领先：八个通用智能体基准中，Muse Glimmer 在五个超过 Gemma4-31B 和 Qwen3.6-27B，尤其是在 MCP Atlas 和 DeepSearch QA 这类多轮任务上优势明显。
- 编码能力与 Qwen 接近：SWE-Bench Pro 领先但优势不大，TerminalBench 和 SWE-Bench Verified 则落后于 Qwen3.6-27B；实际部署效果取决于脚手架设计和工具权限控制。
- 多模态整体落后于 Qwen：仅 Charxiv Reasoning 一项领先，其余多项测试都是 Qwen3.6-27B 更强。
对于做 AI 编程工具或本地 Agent 的开发者来说，Muse Glimmer 是一个值得关注的新选项——它把「带私人数据的智能体」这件事从云端搬到自己的显卡上，降低了数据出境和 API 成本的双重顾虑。下一段落将继续介绍它的上下文长度、硬件需求和技术架构细节。
评测结果：实用场景中各有所长
对于打算让智能体直接操作视觉界面的团队来说，Meta 公布的测试数据颇有参考价值。能读懂截图的模型，意味着它理解屏幕上发生了什么，但本地化部署依然绕不开权限控制、界面布局、文档格式以及外部工具报错等现实问题。
在安全数据方面，Muse Glimmer 报告的攻击成功率低于 Qwen 系列。Meta 还同步公开了两项专门针对智能体的安全评测：CI Memories 与 Siren AgentDojo。
不过需要留意的是，这两个测试各自使用的衡量指标并不相同：
- CI Memories（考察智能体在记忆场景下的安全违规情况）：Muse Glimmer 的违规率为 26.4，覆盖率为 64.8；Gemma4-31B 违规率 12.1，覆盖率 53.0；Qwen3.6-27B 违规率 53.4，覆盖率 66.9。
- Siren AgentDojo（考察攻击成功率和整体效用）：Muse Glimmer 攻击成功率 28.4，效用分 94.2；Gemma4-31B 为 25.6 和 90.8；Qwen3.6-27B 为 40.3 和 92.7。
通用推理成绩同样能反映智能体的基础能力。在 Meta 的横向对比中，Muse Glimmer 在六项通用能力与推理测试里领跑其中四项：
- IFBench（指令跟随）：Muse Glimmer 得分 77.0，Gemma4-31B 为 76.0，Qwen3.6-27B 为 70.8
- AIME 2026（数学推理）：Muse Glimmer 得分 94.7，Gemma4-31B 为 89.2，Qwen3.6-27B 为 94.1
- AA-LCR：Muse Glimmer 得分 80.0，领先于 Gemma4-31B 的 68.3 和 Qwen3.6-27B 的 73.3
- Beam 128K（长上下文处理）：Muse Glimmer 以 65.1 居首，Qwen3.6-27B 为 63.0，Gemma4-31B 为 58.2
另外两项则由 Gemma4-31B 拔得头筹：GPQA Diamond（科学问答）中 Gemma4-31B 拿到 85.7，Muse Glimmer 为 83.5，Qwen3.6-27B 为 84.2；在 Humanity's Last Exam（Text, No Tools）上，Gemma4-31B 以 23.6 领先，Muse Glimmer 为 22.0。
没有任何一个模型在所有测试中都占据绝对优势。 Meta 的结果更像是在表明：在智能体、编码、视觉、安全和推理这一整套混合评测中，Muse Glimmer 与同量级模型相比咬得很紧，各有千秋。
内存规划：量化与空间精打细算
本地部署的设计很大程度上受制于内存。Meta 表示，全精度（即未做压缩的原始精度）下的 300 亿参数模型需要占用超过 55 GB 内存。
Muse Glimmer 通过改用约 4 比特权重量化（一种减少模型体积、同时尽量保留精度的压缩手段），把语言模型的体积压缩到 20 GB 以下，省下的空间留给 KV 缓存（即模型推理时保存中间状态、避免重复计算的缓存区域）。此外，模型还需要为感知编码器和投机解码草稿模型预留内存——所谓投机解码，是指用一个轻量草稿模型先快速生成候选内容，再由主模型做并行验证。
Meta 的目标是把这些组件整体控制在 24 GB 或 32 GB 的内存范围内。该公司称，基于 DFlash 的草稿模型会成块地产出 token（即文本生成的最小单元），交给主模型一次性并行验证。相比传统逐 token 生成的方式，这能明显加快生成速度，同时保证输出质量与标准流程完全一致。
实测与发布：等待生态工具就位
Meta 并未公布每秒生成的 token 数、提示词大小、功耗数据或并发测试结果。它在 MacBook M4 Max、MacBook M5 Max 和 RTX 5090 上测试了 K-Quant-17GB 版本，并搭配量化后的 DFlash 草稿模型。Meta 表示，实际体验足以支撑流畅的对话和实时的智能体交互。
目前，公开权重已经上架 Hugging Face，Meta 同时表示，llama.cpp、MLX 和 ExecuTorch 的集成支持会在未来几天内陆续落地。
另见：阿里测试 Qwen 开源 AI 新商业模式。