Meta 重回开放权重：一封长文、一个独立董事会，和一组本地部署的数字

这条补的是上一条信号缺的那一半

本站已发布 Muse Glimmer 的模型信号，重点在它的跑分与生态支持。这一条补的是它为什么会出现，以及让它真的能在本地跑起来的那组数字。

让本地部署成立的两个工程决定

• 量化：语言模型原本需要超过 55GB 内存，通过约 4 bit 量化压到 20GB 以内，于是 KV 缓存、图像感知编码器与推测解码模块可以共同运行在 24GB 或 32GB 内存的机器上。
• 推测解码：配套一个基于 DFlash 的轻量草稿模型，一次提出一组候选 token 由主模型并行验证。实测解码速度提升 RTX 5090 约 3.1 倍、M5 Max 约 1.8 倍、M4 Max 约 1.5 倍（配合 K-Quant-17GB 量化模型）。

这两个数字才是「本地智能体」这个定位的支撑——不是参数量。

训练路线写得比多数发布公告细

预训练期用 Muse Spark 的输出做 logit 蒸馏，数据组合与教师模型相近；中期训练加入更长上下文、更高比例的智能体任务数据与更丰富的推理轨迹；后训练结合监督微调、在线策略蒸馏与强化学习，覆盖通用、推理、编程与智能体任务。

治理上的那一步，可能比模型更值得记

Meta 设立了独立董事会，负责制定安全标准并逐项审核每一次模型发布。扎克伯格的说法是：即使创始人控股，也不应再由 CEO 单独决定高危 AI 上线，并呼吁全行业效仿。

放在本站《人在回路的审查》那条判据下看，这是一个把审查点放在不可逆动作之前的组织版本。它同样要面对那条判据的反面：一个通过率接近 100% 的董事会不是审查，是延迟——而目前没有任何公开数据说明它否决过什么。

长文的主张，以及它自带的张力

扎克伯格主张不应让强大的 AI 集中在企业与政府手中，批评竞争对手靠出售模型访问权获得数十亿收入；他认为广泛部署的开源系统更安全，因为有更多人能发现漏洞，并举了 Hugging Face 在闭源模型以安全为由拒绝其请求后、用开放模型修补自身安全系统的例子。他还明确否定蒸馏「有害」的观点，主张「人们可以从自己观察到的任何事物中学习」。

同一篇文章里也支持继续用芯片出口管制减缓竞争对手，理由是哪怕两个月的领先也有巨大价值。开放与管制同时主张，是这篇长文最需要读者自己称量的地方。

社区的三点保留意见

1. 对比对象不够新：Muse Glimmer 对比的 Qwen3.6-27B 已经不是最新一代，需要与后续 27B 级模型直接测试才能判断真实竞争力。
2. 门槛仍在：24GB 以上显存或统一内存对普通用户是一道坎，官方测试用的 RTX 5090 价格可能达数千美元；只算短期成本，订阅云端前沿模型或许更划算。本地部署的价值更多在隐私、离线、可定制，以及不受 API 价格与服务策略变化影响。
3. 编程能力存疑：多位开发者认为它的优势在智能体工作流与工具调用，而非直接挑战最强云端编程模型——「Qwen3.6 27B 是编程中常用的中型模型，能战胜它绝非易事。」

边界

本条为二手报道（InfoQ 中文）。生态侧的后续可以对上：Ollama v0.32.8 已宣布 Muse Glimmer 在所有平台可用，补齐了发布当天只有 Apple Silicon 的缺口。