Meta开源Muse Glimmer，30B Agent小钢炮跑进你的电脑—

Meta开源Muse Glimmer，30B Agent小钢炮跑进你的电脑

发布时间:2026年08月11日来源：AIGC开放社区作者：suani 浏览量：15

Meta发布了性能强悍的Agent模型Muse Glimmer，并以宽松的Apache 2.0协议开源权重。

一个30B参数的模型，能跑在你自己的Mac或PC上，单张消费级GPU能用。多项Agent基准领先Gemma4和Qwen3.6，管日程、写代码、整理文件等，都可以在本地完成。

能干什么

端到端任务完成上，它在DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Bench等完整任务基准上成绩不错，能在scaffold（脚手架）里工作，写代码、调代码，把多轮请求从头到尾解决掉。

工具使用上，它能处理各种function calling（函数调用），在长工作流中始终用精确的schema调用工具。工具调用失败或返回意外结果时，它会诊断错误、重试。

多步推理上，它能在长周期里串联推理，在复杂冗长的工作流中保持计划连贯。

靠一个专门的perception encoder（感知编码器），它接受文本与图像交错输入，Agent能对着截图、图表、文档理解内容。

它还兼容OpenClaw等编排模式，支持不同推理强度，在质量和速度之间取舍，训练数据覆盖100多种语言。用途涵盖本地Agent、函数调用、本地编码、LLM-as-a-judge（大模型当裁判）评估。

Meta把它与Gemma4-31B、Qwen3.6-27B放在一批基准上对比，完整成绩见下表。

Muse Glimmer在多项Agent基准上领先明显。MCP Atlas拿到75.5，DeepSearch QA 74.6，τ³-Banking 23.5，WildClawBench 47.6，GAIA2 43.3，都是3个模型里最高。

编码侧SWE-Bench Pro 51.2、SciCode 43.6占先，推理与长上下文侧AIME 2026 94.7、AA-LCR 80.0、Beam 128K 65.1领先，多模态的Charxiv Reasoning 78.8也略胜一筹。

在其他基准上，也只是略微低于Qwen3.6-27B和Gemma4-31B。

本地而生

开源社区已经证明，小模型训练得当，在目标任务上也能逼近前沿水平。Muse Glimmer正是为本地场景优化，面向随时待命的本地Agent工作流，小到能塞进一台Mac或单卡PC。

一个能管理日程、草拟消息、整理文件、学习你工作习惯的Agent，需要深度接触个人上下文，还需要多种能力协同，包括长程执行、精确工具调用、多模态理解、长上下文记忆、指令遵循。

Meta把Muse Glimmer设计成能力与本地硬件内存、算力之间的平衡，采用紧凑架构、新颖的distillation（蒸馏）配方，以及量化等推理优化。

训练分3个阶段。

预训练阶段，用logit distillation（logit蒸馏）学习老师模型Muse Spark的输出，数据配比与老师相似。

中期训练阶段，喂入更长上下文、更偏Agent的数据，推理轨迹更丰富，同时混入有机数据。

后训练阶段，把supervised fine-tuning（监督微调）与on-policy distillation（在策略蒸馏）、reinforcement learning（强化学习）结合起来，覆盖通用、推理、编码、Agent四大领域。

发布之前，Muse Glimmer还按Meta的Advanced AI Scaling Framework（先进AI扩展框架）完成评估，并针对开源权重发布，在所有相关类别接受审查。

塞进20GB

本地Agent要真可用，速度得跟上。回复或规划一次要等几分钟，节奏就断了。Meta对模型进行了优化，优化分两个方向，一个管内存，一个管速度。

全精度下300亿参数模型要55GB以上内存，远超任何消费级GPU的供给。

量化技术把权重压缩到约4-bit精度，语言模型缩到20GB以下。剩下的空间，刚好容纳模型的工作记忆，也就是KV cache（键值缓存），加上管图像理解的感知编码器，再加speculative decoding（投机解码）的drafter（草稿模型），全部装进24GB或32GB的内存 envelope 里。Meta验证过，压缩对Agent任务几乎不造成退化。

在长推理链、多步工具调用上，Muse Glimmer自带一个基于DFlash的轻量drafter，是个小型伴随网络，一次提出整块token，主模型并行验证。生成速度比逐token快得多，输出质量则保持不变。