Meta is back with Muse Glimmer: local, agentic, multimodal, and open source
Meta released Muse Glimmer, a 30B multimodal model distilled from Muse under Apache 2.0, designed for local agentic use, with day-0 support across transformers, llama.cpp and vLLM.
Marked important, but published more than 30 days ago, so it moved down to this band.
On this page12 sections
The full write-up and the editors' notes are in Chinese; the summary above is from the original announcement.
Record
The signal
#发布了什么
Muse Glimmer 是 Meta 从自家 Muse 蒸馏出来的 300 亿参数多模态模型，采用 Apache 2.0 许可，明确面向本地智能体场景：隐私敏感的应用、降低成本，或者装配 Claw / Hermes 那类本地助手。发布当天即有 transformers、llama.cpp、vLLM 与 Inference Endpoints 的支持。
跑分里赢的部分
对比 Gemma4-31B 与 Qwen3.6-27B（均为 Thinking 模式），智能体类基准领先明显：
- MCP Atlas 75.5，对 54.2 与 62.5
- DeepSearch QA 74.6，对 61.7 与 71.1
- WildClawBench 47.6，对 37.6 与 43.2
- GAIA2 43.3，对 36.4 与 40.0
- SWE-Bench Pro 51.2，对 36.9 与 50.2
输的部分，以及为什么它更值得看
同一张表里有 5 项输给 Qwen3.6-27B，而且输的方向很集中：
- OSWorld-Verified 65.9 对 75.6
- TerminalBench 2.1 51.7 对 60.7
- SkillsBench（带 Skills）44.3 对 46.6
- GDPval-AA 953 对 1141
- SWE-Bench Verified 76.0 对 77.2
赢的那些偏工具调用与检索，输的那些偏操作真实系统——桌面环境、终端会话。这个分野比总分有用：如果你的智能体主要在调 API、查资料，它是同级里最强的；如果它要去点桌面、跑终端，Qwen3.6-27B 目前更稳。
还有一个绝对值低到应该说出来：τ³-Banking 只有 23.5，而对手是 15.1 与 16.7。它赢了，但三家都远不及格——多轮、带约束的业务对话仍然是这一档开放模型共同的短板。
生态当天跟上了，但分了档
Ollama 同一天发布 v0.32.7 支持 Muse Glimmer，但只在 Apple Silicon 的 MLX 引擎上；NVIDIA 与 AMD 的支持要等 v0.32.8，发稿时那还是预发布版本。
这正是本站《模型与推理引擎的支持路径》那四级判据的现场：「支持」不是布尔值。当天能在 Mac 上跑起来，不等于能在生产的 NVIDIA 机器上跑起来，更不等于跑得快、跑得对。
蒸馏这次是主角，不是脚注
Muse Glimmer 本身就是蒸馏产物，而同一天 Hugging Face 上还有一篇系统论文在解决蒸馏本身的成本：把教师模型的 top-K logits 离线缓存，于是教师不必与学生同时占显存；再配一个分块融合的 KL 损失，避免物化「词表 × 序列长度」那张大矩阵。作者称这让长上下文的能力恢复训练能在单卡上完成。
把两件事放在一起读才完整：一个 30B 的开放权重模型能不能出现，取决于把大模型压小的成本降到了什么程度。
Why now
Why it matters
#开放权重的智能体模型第一次把「本地跑得动」和「工具调用够强」做进了同一个 30B 模型，而且它公开承认自己在桌面与终端操作上落后——这让选型可以按任务形状做，而不是按总分做。
Background
Technical context
#Muse Glimmer 从 Meta 的 Muse 蒸馏到 30B，Apache 2.0 许可，支持多模态工具调用、目标检测与推测解码（transformers 与 llama.cpp 两条路径）。它的公开基准表同时列出了赢的项与输的项，对比对象是 Gemma4-31B 与 Qwen3.6-27B 的 Thinking 模式。
Audience
Who should care
#Next
Learning path
#- 先读基准表里输的那 5 项，判断你的任务更像「调工具」还是「操作系统」
- 确认你的目标硬件属于哪一级支持：能加载、有原生建模、有性能路径、还是有正确性保障
- 在自己的任务上跑一次对照，不要直接采信厂商表格里的相对领先幅度
Network
Where it sits in the network
#How this signal connects to neighbouring technologies, skills and background knowledge. Follow any link to keep exploring.
Further thought
Follow-up questions
#- τ³-Banking 只有 23.5，多轮带约束的业务对话还差在哪一步？
- NVIDIA / AMD 的支持从预发布走到稳定要多久，期间的输出质量是否一致？
- 离线 top-K 蒸馏能否被复现到其他开放模型上，还是依赖 Meta 的教师模型？
Publication record
Featured in
#The briefings that carried this signal, newest first; the last row is the weekly review of its week. The tag is the section it ran in.
技术简报 - 2026-08-11
Immediate attentionWeekly review · Aug 10 – Aug 16
Worth tracking
Sources