Meta 重返開源：Muse Glimmer 為每台桌面帶來開放權重代理 AI

就在四個月前，Meta 以封閉、專有模型的形式發布 Muse Spark，震驚了整個 AI 界——這打破了多年來以 Llama 系列定義該公司的開源傳統。如今，Meta 改變了方向。2026 年 8 月 10 日，Meta 超級智能實驗室（Meta Superintelligence Labs）正式公開了 Muse Glimmer，一個 300 億參數的開放權重模型，專為持續運作的本地端代理工作流程而設計，以 Apache 2.0 授權在 Hugging Face 上免費下載。與此同時，執行長馬克·祖克柏在《華爾街日報》發表了一篇長達 6,500 字的文章，主張超級智能應該是開放的、分散的，並且人人可及。

為本地代理時代打造的模型

Muse Glimmer 並不打算在原始參數量上與 GPT-5.x 或 Claude Opus 5 等前沿規模模型競爭。相反地，它瞄准的是 AI 生態系中一個不斷擴大的缺口：能夠完全在消費級筆電或桌機上運行、不依賴雲端基礎設施、不需要網路連線、也沒有持續 API 費用的強大代理 AI。

這是一個 300 億參數的稠密架構模型——小到可以在配備單張消費級 GPU 的 Mac 或 PC 上運行。在完整精度下，300 億參數需要超過 55 GB 的記憶體，但 Meta 施加了激進的 4-bit 量化，將語言模型壓縮到 20 GB 以下。這樣在 24 GB 或 32 GB 的記憶體預算內，就為模型的 KV 快取、專屬感知編碼器（用於影像理解）以及推測解碼草稿器留出了足夠空間，讓三者同時運行。Meta 首席 AI 官 Alexandr Wang 在 X 上確認：「Muse Glimmer 可以在 24 GB VRAM 上運行，而不會失去代理可靠性。」

Muse Glimmer 的獨特之處在於它的最佳化目標。與主要回答問題的傳統聊天機器人不同，Muse Glimmer 專為複雜的多步驟代理工作而調校：它能規劃、呼叫外部工具、遇到錯誤時診斷問題、重試，並從頭到尾維持長視野的任務迴圈。它能處理程式碼編寫、函式呼叫、本地檔案管理和「LLM 當評審」任務。專屬的感知編碼器讓它能接受交錯的文字和影像——解讀截圖、圖表和文件，並結合對話脈絡進行理解。

訓練方式：從前沿教師模型蒸餾

Muse Glimmer 的訓練流程揭示了 Meta 如何利用其更大的封閉模型 Muse Spark 作為「教師」。整個過程分為三個階段：

預訓練階段使用 Muse Spark 輸出的 logit 蒸餾，資料組合與教師模型相似。這意味著 Muse Glimmer 不僅從文字 token 學習，還從 Muse Spark 詞彙表上的完整機率分佈中學習——這是比單純文字模仿更豐富的訊號。

中期訓練轉向更長上下文和更多代理導向的資料，搭配更豐富的推理軌跡和有機資料，教導模型在延伸的工作流程中維持注意力。

後訓練結合了監督式微調、策略蒸餾和強化學習，涵蓋通用、推理、程式碼和代理等領域。

結果是一個在其參數量級中表現強勁的模型。Meta 在代理基準測試上將 Muse Glimmer 與 Google 的 Gemma4-31B 和阿里巴巴的 Qwen3.6-27B 進行比較，測試項目包括 DeepSearch QA、MCP-Atlas、τ-Bench 和 SWE-Bench——這些評估測量模型在框架內工作、編寫和除錯程式碼、以及從頭到尾解決多輪請求的能力。雖然 Meta 尚未公布完整的基準分數，但該公司表示 Muse Glimmer 在 250 至 350 億參數級別中與領先模型不相上下。

推測解碼實現即時互動

Muse Glimmer 最有趣的技術細節之一是使用了 DFlash 推測解碼（speculative decoding）。一個輕量級草稿模型一次提出整批 token，然後主模型平行驗證這些提案——接受正確的 token，糾正錯誤的。這讓 Muse Glimmer 能以遠快於標準逐一 token 自回歸生成的方式產出文字，同時保持完全相同的輸出品質。

Meta 在 MacBook M4 Max、MacBook M5 Max 和 NVIDIA RTX 5090 上測量了 K-Quant-17GB 模型搭配量化 DFlash 草稿器的表現，報告顯示速度足以應付流暢對話和即時代理互動——完全在設備上進行。量化的草稿器也一併提供，以盡量減少額外的記憶體負擔。

生態系統與可用性

Muse Glimmer 現已在 Hugging Face 上以 Apache 2.0 授權開放權重下載。Meta 建立了跨廣泛生態系的相容性：

• 本地平台：Ollama、LM Studio、Unsloth
• 邊緣框架：llama.cpp、ExecuTorch、MLX（Apple Silicon）
• 服務框架：vLLM、SGLang
• AI 平台：Together AI、Fireworks AI、OpenRouter
• 開發者工具：PyTorch 的 TorchTitan 用於自訂化

Meta 正與 AMD、Arm、Dell、Intel 和 NVIDIA 合作，跨裝置最佳化效能。llama.cpp、MLX 和 ExecuTorch 的整合預計在未來幾天內推出。

策略性逆轉

Muse Glimmer 的發布意義遠超其技術層面。當 Meta 在 2026 年 4 月以封閉、專有模型的形式推出 Muse Spark 時，這被廣泛視為 Meta 開源身分的喪鐘。Llama 生態系當時已達到 12 億次下載，平均每天約 100 萬次。開發者感到被背叛。批評者認為 Meta 正在將競爭定位置於開源原則之上。

如今，Meta 明確地規劃回歸開放權重。該公司確認還將在未來幾週內發布 Muse Spark 1.2 的開放權重版本。祖克柏更利用這個機會發表了一篇 6,500 字的文章，闡述 Meta 對 AI 分配、監管、安全和合作的理念。

核心論點是：「我相信每個人都應該能接觸到超級智能，」祖克柏在 X 上寫道。這篇文章反擊了他所稱的 AI 權力危險集中化——即 AI 太過危險，只有少數公司應該控制的觀點。相反地，祖克柏主張將「個人超級智能」分配給數十億人，提升創造力、連結力和生產力。

新的治理框架

回歸開放權重伴隨著新的護欄。Meta 宣布正在建立一套治理框架，允許獨立董事接受模型發布的安全標準。Muse Glimmer 是在 Meta 的 Advanced AI Scaling Framework 下評估的，該框架在批准開放權重發布前，會跨化學、生物和網路安全等災難性風險領域評估模型。

這個內部框架在更廣泛的政策背景下至關重要。就在幾天前，即 8 月 4 日，川普政府最終確定了一套自願性 AI 安全測試框架，將開放權重模型排除在強制性政府發布前審查之外——僅適用於封閉、專有的前沿模型。Meta 將開放權重發布與獨立董事會級別的安全審查掛鉤的決定，可以被解讀為一種展示自願性企業治理可以替代聯邦強制規範的嘗試。

中國因素

地緣政治的維度不容忽視。NDTV Profit 報導，Meta 明確呼籲以開源策略對抗中國競爭對手。中國 AI 公司——從 DeepSeek 到阿里巴巴——一直以極低價格積極開源有競爭力的模型，將開放性作為建立全球開發者依賴的地緣政治策略。根據史丹佛 2026 年 AI 指數報告，美中 AI 差距已縮小至僅 2.7%，Meta 的舉動可以被視為確保主導的開放權重生態系維持美國血統的努力。

這意味著什麼

Muse Glimmer 代表了一項押注：下一波 AI 採用將是本地的、代理式的、注重隱私的——而非純粹依賴雲端。對開發者而言，這意味著在自有硬體上建構自主代理的認真開放權重選項。對 Meta 而言，這意味著重新奪回它短暫放棄的開源旗幟。而對整個 AI 產業而言，這意味著開放與封閉的辯論遠未結束——它只是進入了新的篇章。