Meta 发布 Muse Glimmer

Meta 推出了 30B 参数的 Muse Glimmer，并以 Apache 2.0 许可证开放权重。该模型定位于智能体任务和本地部署场景，同时具备视觉理解能力。

主要能力

Meta 表示，Muse Glimmer 针对以下任务进行了优化：

• 端到端智能体任务完成：在 DeepSearch QA、MCP-Atlas、τ-Bench 和 SWE-Bench 等完整任务基准中取得较好成绩，覆盖代码编写与调试、多轮请求处理，以及在工具框架中完成任务等场景。
• 工具调用：支持多种函数调用，并能在较长的工作流中按照精确的参数结构调用工具。
• 多步推理：能够在复杂、持续时间较长的工作流中维持计划和推理过程。

上述能力属于模型发布方公布的定位和测试结果，实际效果仍会受到运行框架、量化方式和具体任务的影响。

本地运行体验

有测试使用 LM Studio 运行了约 18.16 GB 的模型版本。在生成一幅鹈鹕骑自行车的图像时，画面中的元素基本齐全，但整体组合较为混乱。

在代码任务中，测试者将模型接入编码代理工具，并对一个新检出的 Datasette 代码库提出“身份验证是如何工作的？”这一问题。模型通过多次工具调用探索代码库后给出了回答，整个过程包含较长的工具调用记录。

Muse Glimmer 的参数规模适合拥有 32 GB 或更多内存的设备。按照测试者的体验，这种规模的模型在本地运行时，仍能为其他应用保留一定的内存空间。

视觉理解测试

Muse Glimmer 还被用于描述一张包含两只鹈鹕的照片。模型识别出：

• 画面是一处阴天的岩石海岸，背景有平静的灰色水面和模糊的码头或栈桥；
• 前景有两只棕鹈鹕，停留在灰白色岩石上；
• 两只鹈鹕具有长而向下弯曲的黄橙色喙、喉囊、细长脖颈和棕灰色羽毛；
• 岩石之间还分布着数只体型更小的深色鸟类，外观类似海鸥或燕鸥；
• 整体光线平淡柔和，岩石纹理和鹈鹕羽毛细节较为突出。

从这些测试可以看出，Muse Glimmer同时覆盖智能体工作流、代码探索、本地部署和图像描述等场景。不过，现有材料主要展示了模型能力声明和个别体验，尚不足以据此全面判断其在不同任务中的稳定性。