Почему 30-миллиардная модель под свободной лицензией — это не просто релиз, а часть большой стратегии Meta* в гонке открытых ИИ.
Meta* снова играет мускулами на поле открытого ИИ. Компания, которая в апреле развернулась в сторону проприетарной линейки Muse Spark, теперь выпускает Muse Glimmer под полностью свободной лицензией Apache 2.0. Это 30-миллиардная модель, способная запускать автономных агентов прямо на потребительских компьютерах — от MacBook Pro до RTX 4090. Но самое интересное впереди: глава Meta* намекнул, что скоро откроет веса и для Muse Spark 1.2 — флагманской модели, стоящей за терминальным кодинг-агентом Muse Code.
В этом материале разбираем, чем Glimmer отличается от конкурентов вроде gpt-oss, как обстоят дела с безопасностью и почему китайские open-source модели вынуждают западные компании пересматривать стратегию.
Meta* возвращается к открытым весам: анонс Muse Glimmer под лицензией Apache 2.0
Когда Марк Цукерберг пишет в X не про метавселенную, а про открытый исходный код, это уже событие. А когда он обещает открыть веса флагманской модели — это и вовсе отдает революцией. Именно так пахнет сегодняшний анонс: Meta* выпустила Muse Glimmer, открытую модель с 30 млрд параметров, заточенную под автономных ИИ-агентов. Идея простая до безобразия — дать агентам, которым обычно требуется целая облачная ферма, спокойно работать на потребительском железе, то есть на нормальных «макбуках» и ПК с приличной видеокартой.
Главное тут даже не параметры, а лицензия. Релиз вышел под Apache 2.0 — и это первый полностью открытый релиз Meta* после того, как в апреле компания свернула линейку открытовесовых Llama и перешла на проприетарную Muse Spark. Теперь компания возвращается к истокам, и в истории с открытыми весами Meta* явно решила пойти ва-банк. Apache 2.0 разрешает неограниченное коммерческое использование, модификацию и редистрибуцию. Для сравнения: у старой community-версии Llama были ограничения, включая порог в 700 млн месячных пользователей. Glimmer таких условий не имеет — бери и делай что хочешь.
Цукерберг, Muse Spark 1.2 и запах большой войны
Сам Цукерберг не стал ограничиваться сухим пресс-релизом. Под своим давним ником @finkd он написал: «Сегодня мы также открываем веса Muse Glimmer — отличной плотной модели на 30B, которая может работать локально. Скоро мы выпустим веса Muse Spark 1.2, нашей новейшей фундаментальной модели. Meta* — ярый сторонник открытого кода, и я горжусь этими релизами».
Стоп, Muse Spark 1.2? Это не просто апдейт ради галочки. Это frontier-модель, которая стоит за Muse Code — терминальным кодинг-агентом, выпущенным всего пять дней назад. До этого момента вся линейка Muse была закрытой, и одно только обещание открыть веса такой модели делает анонс Glimmer куда весомее, чем очередной «вот вам бесплатная нейронка среднего размера».
От весов до рантаймов
Веса Muse Glimmer уже сейчас лежат на Hugging Face. Поддержку подключают Ollama, LM Studio, vLLM, SGLang, Together AI, Fireworks AI и OpenRouter, а оптимизации для llama.cpp, MLX и ExecuTorch должны подъехать в ближайшие дни. Железные партнеры тоже на месте: Meta* работает с AMD, Arm, Dell, Intel и Nvidia над производительностью на разных устройствах. Для локальных экспериментов в блоге упомянули Unsloth, для дообучения — PyTorch TorchTitan. Плюс опубликована документация по кастомным агентным каркасам.
Главный директор по ИИ Meta* Александр Ванг подчеркивает: Glimmer работает как полноценный агент — строит план, вызывает инструменты, проверяет собственные результаты и восстанавливается после сбоев. При этом модель не требует суперкомпьютера: по словам Ванга, она может работать на 24GB VRAM без потери агентной надёжности. То есть агент, который раньше сидел где-то в API и тянул данные через сеть, теперь способен поселиться прямо у разработчика на машине.
Локальный запуск — это не только про скорость. Агент постоянно работает с файлами, скриншотами, окружениями и прочими чувствительными данными. Когда всё выполняется на месте, этот контекст не улетает на удаленный сервер каждые несколько секунд. Плюс исчезают сетевые и per-token расходы. Правда, ирония в том, что экономия на API оборачивается тратами на железо, электричество, деплой и обслуживание. Сказок не бывает, но за приватность и контроль многие готовы платить.
Агентная модель в деталях: архитектура, обучение и возможности
Вокруг Muse Glimmer столько шума про лицензии и «возвращение к open source», что легко забыть главное: это не очередная болталка на 30 миллиардов параметров. Это модель, которую буквально вылепили для работы. Не для диалогов «как прошел твой день», а для грязной работы агента: составить план, дернуть инструмент, посмотреть, что вышло, где-то накосячить — и попробовать снова.
Что у неё под капотом
Если говорить сухими цифрами — а в них, как ни крути, вся соль, — то архитектура Muse Glimmer построена вокруг плотного каузального трансформера примерно на 29,6 млрд параметров, разложенных на 52 слоя. Но главный трюк не в этом. Внутри сидит отдельный зрительный энкодер ViT-G/14, который весит около 1,8 млрд параметров. Именно он превращает скриншоты, диаграммы и документы из «картинок, на которые ИИ не смотрит» в полноценный вход для модели. Glimmer принимает перемежающиеся текст и изображения, на выходе отдает текст, понимает больше сотни языков и гордо несет заявленную длину контекста в 131 072 токена. Знания обрезаны на 4 января 2026 года — так что про события после этой даты придется спрашивать у кого-нибудь другого.
Но сама по себе архитектура — это просто скелет. Жизнь в нее вдохнуло иное: весь пайплайн обучения заточен под агентный цикл.
Создана, чтобы работать, а не болтать
По сути, модель тренировали выполнять последовательность действий, знакомую каждому разработчику: сформулировать план → позвать инструмент → интерпретировать результат → продолжить работу → а если что-то пошло не так — восстановиться. Это не маркетинговое преувеличение, а буквально то, как Glimmer проводит свои дни. Она понимает, что ошибка — не повод для паники, а просто еще один шаг в цикле.
Для этого в модели есть настройки рассуждений low, medium, high и xhigh, которые задаются через системный промпт. Хочешь — гони быстрые и дешевые ответы, хочешь — включай максимальную глубину мышления для сложной задачи. Гибкость, которая превращает одну модель в универсальный инструмент для самых разных сценариев. Бонусом Glimmer дружит с популярными агентными каркасами OpenClaw и Hermes Agent, так что встраивать её в существующие пайплайны не придется через боль и страдания.
Как обучали: три этапа до идеала
Тут начинается самое интересное, потому что «просто взять и обучить трансформер» — это не про Glimmer. История её появления — это классический пример того, как из большого учителя делают маленького, но шустрого ученика.
Процесс обучения дистилляцией прошел три стадии. Сначала модель предобучалась на выходах старшей модели Muse Spark, используя логит-дистилляцию — то есть Glimmer училась подражать не только правильным ответам, но и тому, как «думает» наставник. Затем последовало промежуточное обучение на длинном контексте с упором на агентные данные: длинные сессии, богатые следы рассуждений, сложные сценарии. И наконец — постобучение, где в ход пошли сразу несколько инструментов: supervised fine-tuning, on-policy дистилляция и reinforcement learning. Причем тренировали её по четырем доменам сразу: general, reasoning, coding и agentic.
Результат этой трехступенчатой мясорубки наглядно показали в демо с Home Assistant. Glimmer самостоятельно обнаружила экземпляр Home Assistant в сети через вызовы инструментов, опросила API устройств, написала с нуля адаптивный дашборд на HTML/CSS/JavaScript — и, самое смешное, развернула локальный сервер, чтобы проверить собственную работу. Это уже не «ответь на вопрос из интернета», а полноценный рабочий процесс: спланировал, сделал, проверил.
Именно благодаря зрительному энкодеру ViT-G/14 такой фокус становится возможным. Агент может читать скриншоты, анализировать диаграммы, смотреть на документы — и одновременно рассуждать о тексте и дергать внешние инструменты. Для локальных агентов, которые работают с файлами, окружениями и интерфейсами, это разница между «игрушкой» и «рабочей лошадкой». И судя по всему, Meta* собирается превратить эту лошадку в очень популярную.
Локальный запуск: квантизация, спекулятивное декодирование и требования к железу
Вся эта агентная романтика упирается в прозаический вопрос: а где это вообще запускать? Meta* сознательно целится в потребительское железо, и именно здесь начинается самое интересное.
В полной точности Muse Glimmer занимает более 55 ГБ памяти — и это сразу крест на всех мечтах о запуске на домашней видеокарте. Ни одна потребительская GPU таким объемом похвастаться не может. Поэтому компания предлагает 4-битные квантизации, которые сжимают веса языковой модели до менее 20 ГБ. Высвободившееся место уходит под то, без чего агент не работает: KV-кэш, перцептивный энкодер и драфтер для спекулятивного декодирования. Всё это хозяйство аккуратно укладывается в 24 или 32 ГБ.
Какое железо выдержит агента
Конфигурация K-Quant-17GB рассчитана на 24GB VRAM — и здесь вариантов немного: RTX 3090 или RTX 4090. Вариант K-Quant-Dynamic целится в 32 ГБ и отлично ложится на свежую RTX 5090. Владельцам Mac с unified memory придется раскошелиться на версии с 32 ГБ и выше — именно на них запускали тесты M4 Max и M5 Max. А вот ноутбуки с 8–16 ГБ памяти могут сразу выдохнуть: для этой модели их ресурсов недостаточно, и никакие ухищрения не помогут.
Для тех, кому подавай полную точность, существует BF16-версия. Только вот беда: она требует 64 ГБ памяти, так что это уже территория датацентровых GPU и самых безумных конфигураций Mac Studio. Домашний ПК такой аппетит не потянет.
Meta* сообщает, что среднее падение точности у K-Quant-Dynamic составляет всего 0,2%, а у K-Quant-17GB — 1% на 15 бенчмарках. Звучит почти как чудо: квантизация, а точность практически не страдает. Но держим в голове, что это собственные измерения компании, а не независимая оценка. До появления сторонних тестов оставляем легкую долю скепсиса.
Спекулятивное декодирование DFlash: скорость решает
Отдельная гордость Meta* — спекулятивное декодирование DFlash. Схема изящная: маленький драфтер предлагает блоки по 16 токенов, а основная модель проверяет их параллельно. Выход при этом идентичен тому, что модель выдала бы без ускорения, — просто появляется он значительно быстрее.
Цифры впечатляют. На RTX 5090 скорость выросла с 74,9 до 233,4 ток/с — это прирост в 3,1 раза. На M5 Max дела скромнее: с 26,6 до 50,2 ток/с (1,8x), а M4 Max разгоняется с 23,7 до 37,8 ток/с (1,5x). Важно понимать условия замеров: использовались batch size 1 и greedy decoding, причем Apple-системы тестировали через ExecuTorch, а RTX 5090 — через llama.cpp.
Почему эта скорость вообще имеет значение? Для агентов она критична. Один запрос пользователя порождает множество раундов модели, вызовов инструментов и проверок результатов. Накопленная на каждом этапе задержка превращает даже умного агента в непрактичного тугодума. Поэтому ускорение в 1,5–3 раза — это не приятный бонус, а условие выживания локального агента в реальных задачах.
По сути, Meta* удалось упаковать то, что раньше требовало облачных мощностей, в коробку под столом у разработчика. Пусть для этого нужна топовая видеокарта или дорогой Mac, но сам факт, что полноценный агент с квантизацией Glimmer, спекулятивным декодированием и зрением живет на локальной машине, открывает дорогу совершенно другому классу приложений.
Первые бенчмарки: где Glimmer сильнее и слабее конкурентов
Где Glimmer оказался сильнее
Начнём с хорошего. По собственным замерам Meta*, новинка уверенно лидирует на агентных бенчмарках. Если верить цифрам, Glimmer берёт MCP Atlas с результатом 75,5, DeepSearch QA — 74,6, τ³-Banking — 23,5, WildClawBench — 47,6, а GAIA2 — 43,3. Для тех, кто не следил за каждым из этих тестов: это не абстрактные «знания», а именно способность модели действовать — планировать, дёргать инструменты, проверять собственные результаты и не падать в обморок, когда что-то идёт не так.
Особенно вкусно выглядит SWE-Bench Pro, где Glimmer получает 51,2 против 36,9 у Gemma4-31B и 50,2 у Qwen3.6-27B. Тут разрыв с Gemma почти в полтора раза — и это серьёзная заявка для всех, кто мечтает запустить кодинг-агента не в облаке, а на собственном рабочем столе.
Где Glimmer уступил
А теперь ложка дёгтя, она же арифметика. Несмотря на громкий пиар, Glimmer не выигрывает тотально. Qwen3.6-27B стабильно объезжает его на целом ряде дисциплин. На OSWorld-Verified у Qwen 75,6 против 65,9 у Glimmer, на TerminalBench 2.1 — 60,7 против 51,7. Qwen также впереди на SkillsBench, на GDPval-AA (1141 против 953) и, что больно, в большинстве мультимодальных тестов. Даже на родном для Glimmer SWE-Bench Verified Qwen набирает 77,2, а герой Meta* — всего лишь 76,0.
Gemma 4 тоже не сидит в углу: она лидирует на GPQA Diamond и Humanity's Last Exam. Проще говоря, если посмотреть на таблицу целиком, Glimmer выигрывает там, где надо активно вызывать инструменты и проверять результат, но пасует в чистом знании и сложном манипулировании интерфейсами.
Честная интерпретация этих бенчмарков Glimmer выглядит так: это не универсальный лидер, а узкоспециализированная локальная агентная модель. Она создана не для того, чтобы блестяще отвечать на вопросы про квантовую физику, а чтобы выживать в дикой природе агентных циклов, где каждый шаг — это вызов функции, обработка ответа и решение, что делать дальше.
Для разработчиков ключевой вопрос звучит так: превратятся ли цифры на бумаге в устойчивую работу в реальных репозиториях, корпоративных тулах и долгих агентных сессиях? Бенчмарки — это контролируемый полигон. Реальность — это грязный код, внезапные таймауты API и непредсказуемые действия пользователя. Пока что у Glimmer есть отличная стартовая позиция, но дьявол, как всегда, в деталях, которые видны только после недели непрерывной работы.
Безопасность, экосистема и планы по Muse Spark 1.2
Meta* подошла к безопасности Muse Glimmer с привычной для индустрии осторожностью. По оценке компании в рамках Advanced AI Scaling Framework, модель не дотягивает до статуса Frontier AI — ее риск по химическим и биологическим угрозам, кибербезопасности и потере контроля оценили как Moderate или ниже. Причем оценки по кибербезопасности и потере контроля вывели не из прямых тестов, а из того, что Glimmer слабее Muse Spark 1.0, у которого те же статусы.
Разработчик прямо рекомендует разворачивать модель с guardrails и human-in-the-loop для необратимых действий. Локальное выполнение — это удобно, но оно не решает проблем prompt injection, избыточных разрешений и случайных действий агента.
На бенчмарке конфиденциальности CI Memories у Glimmer 26,4 нарушений приватности — хуже, чем у Gemma (12,1), но заметно лучше, чем у Qwen (53,4). В тесте на prompt injection Siren AgentDojo атаки проходят в 28,4% случаев, у Gemma — 25,6%, у Qwen — 40,3%. Зато полезность (utility) Glimmer — 94,2, выше, чем у конкурентов.
Что касается открытости, то по Apache 2.0 доступны полные BF16-веса, две 4-битные квантизации, DFlash-драфтер и перцептивный энкодер. Правда, обучающие данные и код обучения никто не публикует — это стандартная практика.
Экосистема и конкуренты
Тут стоит вспомнить контекст. К маю 2026 года китайские open-source модели захватили почти 61% токенов на OpenRouter, четыре из пяти самых используемых моделей — китайские, а некогда лидирующая Llama вообще выпала из топов. Американских открытых frontier-моделей по-прежнему единицы: OpenAI gpt-oss-120b и gpt-oss-20b (Apache 2.0, август 2025, текст-only, sparse MoE), Google Gemma со своей более строгой лицензией и Thinking Machines Inkling.
Glimmer занимает другую нишу, чем gpt-oss. У OpenAI — текстовые разреженные модели для reasoning и инструментов, gpt-oss-20b помещается в 16 ГБ, а 120b требует один 80-гигабайтный GPU. Glimmer — плотная архитектура с нативным зрением, сквозным обучением под агентный цикл, готовыми квантизациями и драфтером для 24-гигабайтных потребительских машин.
И тут главная интрига — если Meta* откроет веса Muse Spark 1.2, это станет первым американским frontier-релизом такого уровня. Цукерберг пообещал сделать это вскоре. Для сравнения, в недавней большой таблице открытых моделей от VentureBeat Glimmer соседствует с Kimi K3, GLM-5.2, DeepSeek V4 Flash и другими. У самой новинки на момент запуска не было публичной цены API, зато Apache 2.0 покрывает веса, квантизации, драфтер и энкодер. А вот AA-score (аналитический рейтинг от VentureBeat) у Glimmer пока отсутствует: у Kimi K3 — 60, у GLM-5.2 — 53, у DeepSeek V4 Flash — 52, у MiniMax-M3 — 45, у MiMo-V2.5-Pro — 43, у Inkling — 42, у Nemotron 3 Ultra — 38, у Mistral Medium 3.5 и Gemma 4 31B — по 30, у gpt-oss-120b — 24, у Command A+ — 23.
Следующий тест — сохранятся ли преимущества Glimmer в реальных условиях. Но если судить по амбициям Meta*, самый важный эффект релиза уже виден: агентные задачи, которые раньше жили за облачным API, теперь могут выполняться на машине под столом разработчика.
Meta* явно решила напомнить, кто был пионером открытого ИИ. Свободная лицензия, локальный запуск и амбициозные планы по Muse Spark 1.2 — все это выглядит как попытка вернуть инициативу у китайских лабораторий. Осталось дождаться, когда обещанные веса действительно появятся, и проверить, насколько хорошо модель работает в реальных проектах. Будем следить за развитием событий.