Meta: Muse Glimmer запускает 30B агентную AI на одном потребительском GPU

10 августа 2026 года Meta выпустила Muse Glimmer под лицензией Apache 2.0. Модель имеет 30 миллиардов параметров и предназначена для работы полностью на потребительском железе — Mac или PC с GPU на 24 или 32 ГБ видеопамяти. Благодаря 4-битному квантованию Meta снизила требования к памяти примерно с 55 ГБ до 18–20 ГБ, что впервые сделало локальное развёртывание практичным на таком уровне возможностей.

Muse Glimmer оптимизирована именно для агентных задач: многоступенчатое выполнение задач, вызов инструментов, написание и отладка кода, работа с файлами и скриншотами, выполнение расширенных рабочих процессов. Модель поддерживает более 100 языков и включает автономное восстановление после сбоев — она может повторно запускать неудавшиеся вызовы инструментов без участия пользователя. Модель также работает офлайн.

Meta позиционирует основные сценарии использования как персональные: управление расписанием, составление сообщений, организация файлов. Обработка данных на устройстве обоснована соображениями конфиденциальности — задачи, с которыми работает Glimmer, требуют постоянного доступа к персональным данным, которые большинство пользователей не захотят передавать в облачную инфраструктуру.

Для продуктовых команд этот выпуск означает ощутимый сдвиг в том, где может работать агентная AI. До сих пор для дееспособных агентов требовался облачный вывод, что влекло задержки, постоянные затраты на вычисления и зависимость от подключения к сети. Запуск 30B агентной модели на одном потребительском GPU меняет поверхность развёртывания для продуктов, работающих с персональными данными. Категории локального отслеживания здоровья, частного финансового анализа и фонового повышения продуктивности становятся реализуемыми, когда модель остаётся на устройстве.

Meta также намеренно проводит разграничение между тем, что остаётся открытым, и тем, что остаётся проприетарным. Muse Glimmer явно позиционируется ниже Muse Spark — более мощной закрытой модели компании. PM, оценивающим AI-инфраструктуру, стоит воспринять это как стратегический сигнал о том, как лаборатории, работающие на переднем крае, осмысляют границу между открытым и закрытым: открытые веса на уровне способных, но не фронтирных моделей, проприетарность — выше.