Meta 推出 Muse Glimmer：30B 開放權重模型在本機完成多步驟 Agent 任務

Meta 推出 Muse Glimmer：30B 開放權重模型在本機完成多步驟 Agent 任務。 Muse Glimmer 的發表橫幅，黑色背景上佈滿發光的藍色網格節點與連線，左上方以白色粗體標示主標題與副標題說明其為針對常時運作 local agent workflows 所最佳化的 open-weight model。 核心發布 AI at Meta 表示，Muse Glimmer 在同尺寸模型中，針對 Agentic 程式開發、工具呼叫與多步驟任務等用途具備良好表現，模型權重採 Apache 2.0 寬鬆授權，開發者可從 Hugging Face 下載。 本機執行 為了讓模型在消費級硬體上維持回應速度，Meta 以量化技術將語言模型壓縮到 20GB 以下，並搭配輕量的 DFlash drafter model 加速 token 生成。完整精度的 30B 參數模型需要超過 55GB 記憶體；量化至約 4-bit 後，模型可在 24GB 或 32GB 記憶體配置中，與 KV cache、影像理解用的 perception encoder 及 drafter 同時運作。Meta 表示，這項壓縮對 Agent 任務的品質幾乎沒有影響，K-Quant-17GB 模型搭配量化 DFlash drafter 後，已在 MacBook M4-Max、M5-Max 與 RTX-5090 上驗證，可支援流暢對話與即時互動。 DFlash 在 RTX-5090、M5-Max 與 M4-Max 上的解碼速度均領先 Baseline，其中在 RTX-5090 上達到 233 tok/s（3.1 倍加速），在 M5-Max 上達到 50 tok/s（1.8 倍加速），在 M4-Max 上達到 38 tok/s（1.5 倍加速）。 單一 prompt 完成任務 Muse Glimmer 的展示重點，是從一段自然語言 prompt 端到端完成多步驟工作。示範情境是在 Raspberry Pi 的區域網路上安裝 Home Assistant，模型先探索本機的 Home Assistant 執行個體，再透過網路工具呼叫查詢裝置 API，找出 A/V 接收器，接著從零撰寫 HTML、CSS 與 JavaScript 儀表板，啟動本機伺服器並以瀏覽器驗證結果。畫面中的待辦事項涵蓋探索執行個體、辨識接收器、設計響應式介面、建置儀表板，以及測試功能與適應性；最後產生「RX-V6A Receiver」介面，包含電源與音量、來源、音效模式及 Zone 2 控制項，並顯示已連線。 終端機介面中執行 Muse Glimmer 以進行 A/V 接收器儀表板任務的畫面 互動過程與風險 媒體畫面顯示，homeassistant.local 初次解析失敗後，Agent 改用服務探索、網路介面資訊與區域網路主機探測尋找 Home Assistant。當需要存取 API 時，系統要求使用者提供 long-lived access token 或接收器 entity ID，之後以 $HA_TOKEN 讀取 token。畫面也出現含帳號密碼的 API 呼叫、SSH 與略過主機金鑰檢查等高風險來源指令；這些僅是 demo 中的觀察，不代表可直接照做，涉及憑證、SSH 或略過安全檢查的操作都必須由人工核對，且不應在對話中貼上真實 token 或私密憑證。 模型能力 技術文章指出，Muse Glimmer 以較大型教師模型 Muse Spark 的輸出進行 logit distillation，接著使用更長 context、更多 Agent 資料與推理軌跡進行 mid-training，最後結合監督式微調、on-policy distillation 與 reinforcement learning。它評估的能力包括： 端到端完成 DeepSearch QA、MCP-Atlas、𝛕-Bench 與 SWE-Bench 等完整任務。 在長流程中精確呼叫工具，並在工具失敗或回傳意外結果時診斷、重試。 透過 perception encoder 同時理解文字與影像，可處理螢幕截圖、圖表及文件。 相容 OpenClaw 等 Agent orchestration 模式，支援可控制的推理強度與超過 100 種語言。 Muse Glimmer-30B 與 Gemma4-31B 及 Qwen3.6-27B 在各項 Agent 與通用能力 benchmark 中各有高低，其中 Muse Glimmer-30B 在 MCP Atlas、DeepSearch QA 與 AIME 2026 等項目取得領先。 開發與部署 模型目前提供 Hugging Face 權重與開發文件；Meta 表示，llama.cpp、MLX 與 ExecuTorch 的最佳化整合將於未來幾天推出，後續也可透過 Ollama、LM Studio、Unsloth、vLLM、SGLang，以及 Together AI、Fireworks AI、OpenRouter 等管道使用。Meta 另與 AMD、Arm、Dell、Intel 和 NVIDIA 合作最佳化硬體效能，技術細節可參閱官方技術文章與 Meta AI Developer Center 資源。終端機介面中執行 Muse Glimmer 以進行 A/V 接收器儀表板任務的畫面 影片中的 Prompt 與操作：Prompt（00:00）： 我剛在自己家裡的網路環境中，於 Raspberry Pi 上安裝了 Home Assistant。請幫我找出並協助建立一個完全自訂的儀表板，來控制與其連接的 a/v 接收器。這個儀表板必須具備響應式設計、簡潔的外觀與質感，且要便於使用。原文：I just installed Home Assistant on a Raspberry Pi on my home network. Find in and help me build a fully custom dashboard to control the a/v receiver that is connected to it. The dashboard should be responsive, have a clean look and feel and be easy to use.原文：https://easyvibecoding.app/curated/2894-meta-muse-glimmer-open-weight-model-agent-tasks