Meta 開放 Muse Glimmer 30B 權重：Apache 2.0 授權、為本機 AI 代理設計，一張消費級顯卡放得下

一句話看懂：Meta 在 8 月 10 日開放 Muse Glimmer 的模型權重，30B 參數、Apache 2.0 授權，專為「在自己電腦上跑 AI 代理」設計，一張消費級顯卡就放得下。

先用白話講：這是什麼模型？

想像 AI 有「大腦在雲端」和「大腦在自己家」兩種。雲端版很強，但每次問問題都要把資料送出去、還要付錢；放在自己電腦上的版本，資料不出門、沒網路也能用，只是通常比較笨。

Muse Glimmer 是 Meta 做的「放得進自己電腦的聰明大腦」：它是從 Meta 更大的 Muse Spark 模型「蒸餾」出來的，也就是讓大模型當老師，教一個小很多的學生模型，目標是保留做事的能力（呼叫工具、寫程式、看圖），但體積縮到一般玩家的顯卡能負擔。

發生什麼事

• Meta 在 8 月 10 日宣布開放 Muse Glimmer 的權重，授權是寬鬆的 Apache 2.0，可在 Hugging Face 下載
• 規格：30B 參數的稠密（dense）模型，由 2B 的視覺編碼器加 28B 的文字解碼器組成，能接受文字與圖片；官方說訓練資料涵蓋超過 100 種語言
• 定位是「隨時待命的本機代理」：本機代理、函式呼叫、本機寫程式，以及拿來當評分模型
• 官方說明會在接下來幾天，透過 Ollama、LM Studio、Unsloth 等夥伴，以及 llama.cpp、MLX、ExecuTorch 等框架提供優化整合；也可用 vLLM、SGLang 部署

要多大的電腦才跑得動？

Meta 在官方文章給了很具體的說法：

官方還附了一個基於 DFlash 的「草稿小模型」做推測解碼：由小模型一次猜一整段字，大模型再快速檢查，讓產生速度更快、輸出品質不變。這個小模型是選用的，要多吃一點記憶體。

成績單：跟同尺寸的比

下面是 Hugging Face 文章轉載的對照表（分數是 Meta 自己發表的，對手是 Gemma4-31B 與 Qwen3.6-27B 的思考模式）：

可以看到，它在工具使用上領先很多，但在操作電腦、終端機任務上，Qwen3.6-27B 反而比較高。所以不是「全面最強」。

給開發者的技術細節

• 架構：文字解碼器為 52 層，用「三層滑動視窗（2,048 token）加一層完整注意力」的混合模式重複 13 次；採用 Gated GQA（每個 KV 頭由 16 個查詢頭共用，官方說 KV 快取可省 16 倍）與 Q-K 正規化
• 視覺：一個 2B 的 Perception Encoder 同時處理圖片與影片，影片以每秒 2 幀處理，單段最多 96 幀
• 官方說這個壓縮方式在代理任務上「幾乎沒有退步」，是 Meta 自己的驗證
• 各家本機工具的整合是「接下來幾天」才陸續到，剛釋出的當下，用 Transformers 或官方範例最穩

我的看法

我自己平常用本地 AI 的原因很單純：資料不想送出去，而且不想為每次呼叫付錢。所以這類「30B、24GB 顯卡放得下、Apache 2.0」的組合，對想自架的人是很實際的選項，尤其授權寬鬆，替客戶做內部工具也比較沒包袱。

但我會對成績單保持冷靜。這些分數是 Meta 自己的測試，而且對手的版本、設定都會影響結果；剛好在「操作電腦」和「終端機」這兩項輸給對手。比較務實的做法：等 Ollama、LM Studio 的整合出來後，拿自己真正的工作（例如公司文件整理、固定格式的程式碼產生）實測，再決定要不要換。

名詞小辭典

• 開放權重（Open weights）：公開模型的參數檔，讓人可以下載到自己的機器執行，但不一定公開訓練資料與程式碼。
• 蒸餾（Distillation）：讓大模型當老師，教出一個小很多但保留大部分能力的學生模型。
• 量化（Quantization）：把模型的數字用更少位元儲存，換取更小的體積與更省的記憶體。
• 推測解碼（Speculative decoding）：用小模型先猜、大模型再驗證，加快文字產生速度。

資料來源

• Meta：Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device（2026-08-10）
• Hugging Face：Meta is back with Muse Glimmer（2026-08-10）