Meta 发布 Muse Glimmer：30B 开放权重智能体模型
Meta 重新回到开放权重模型赛道，推出了新的 Muse Glimmer。这是一个 30B 参数规模的模型，采用 Apache 2.0 许可，相比过去一些更受限制的 Llama 许可，对开发者和企业使用更友好。
主要定位：本地智能体模型
Muse Glimmer 被定位为适合本地运行的智能体模型。Meta 对它的优化重点包括：
- 端到端智能体任务完成：在 DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Bench 等完整任务基准中取得较强表现。这些基准主要评估模型在脚手架环境中工作、编写和调试代码、处理多轮请求并完成任务的能力。
- 可靠的工具使用：能够在较长工作流中处理多种函数调用，并按照精确 schema 调用工具。
- 多步推理：能够在较长任务链路中维持连贯计划，支持复杂、扩展型工作流。
这些能力正好对应了本地大模型用户常见的需求：代码库探索、自动化工具调用、多轮任务执行，以及在不依赖云端模型的情况下完成更复杂的工作。
体积与本地运行体验
Muse Glimmer 在 LM Studio 中有一个约 18.16GB 的版本。对于拥有 32GB 或以上内存的机器来说，这个规模相对友好，运行模型的同时仍能保留空间给其他应用使用。
30B 规模处在一个比较实用的位置：比小模型更有能力处理复杂任务，又不像超大模型那样对硬件资源要求过高。对于希望在个人工作站上运行智能体工作流的用户，这一点尤其重要。
代码库探索测试
有用户将 Muse Glimmer 与 llm-coding-agent 插件结合使用，在一个全新的 Datasette 代码库检出版本上提问：
how does auth work?
模型随后通过一系列工具调用探索代码库，并生成了关于认证机制的回答。这个测试重点不只是最终回答本身，也包括模型是否能够在较长的工具调用链中保持任务目标、查找相关文件、理解代码结构并组织结果。
测试中还使用了 llm-lmstudio，并应用了一个补丁，以兼容 LLM 0.32。
视觉能力测试
Muse Glimmer 也是一个视觉模型。测试者让它描述一张两只鹈鹕站在岩石上的照片，提示词为：
llm -m lmstudio/meta/muse-glimmer -a [image] 'describe image'
模型给出的描述相当细致，包括：
- 场景是阴天的岩石防波堤岸边；
- 前景有两只大型褐鹈鹕，能够识别出长而下弯的黄橙色喙、喉囊、细长颈部和棕灰色羽毛；
- 还注意到岩石间有几只较小的深色鸟类；
- 对画面光线、背景水面和整体构图也作了描述。
这说明 Muse Glimmer 不只是文本与代码任务模型，也具备较完整的图像理解能力。
初步印象
从这些测试看，Muse Glimmer 的亮点在于：
- Apache 2.0 许可，开放使用条件更清晰；
- 30B 规模，对本地部署相对友好；
- 面向 智能体任务、工具调用、多步推理进行优化；
- 同时支持 视觉理解。
不过，目前公开信息仍主要来自发布说明和个人测试。它在真实开发工作流中的稳定性、长任务可靠性、代码修改质量，以及与现有本地模型相比的优势，还需要更多独立评测来验证。