Meta发布开源模型Muse Glimmer，30B参数，Apache 2.0许可
转推 @ArtificialAnlys: Meta回归开源权重：Muse Glimmer，自Llama 4以来首个开源权重发布，在Artificial Analysis Intelligence Index上得分35。这是一个30B参数模型，也是Meta首个以Apache 2.0许可发布的模型。
Muse Glimmer（high）在Llama 4之后16个月发布，比Meta上次开源权重发布Llama 4 Maverick（14）高出21分。它与Kimi K2.5（推理，36）并列，仅次于Qwen3.6 27B（推理，38）和Ling 3.0 Flash（38），并与专有旗舰Muse Spark 1.2（xhigh，57）一起构成Meta的双层产品线。
@AIatMeta在公开发布前与我们共享了访问权限用于基准测试。祝贺@AIatMeta、@finkd和@alexandr_wang发布！
关键要点：
➤ Meta的开源权重线回归，采用迄今最宽松的许可。此前Meta的每次开源发布都使用Llama License；Muse Glimmer使用Apache 2.0，对商业使用或衍生品几乎不加限制。
➤ 在参数数量上表现出色。在30B参数下，Muse Glimmer得分比同尺寸的Gemma 4 31B（推理，30）高5分，并以33倍少的参数有效匹配1T总参数的Kimi K2.5（推理，36）。Qwen3.6 27B（推理，38）在智能与参数前沿上仍领先，且尺寸略小。
➤ 足够小，可在单个GPU上自托管，即使在完全上下文长度下。Muse Glimmer是一个30B稠密模型（包括约1.8B视觉编码器），权重在BF16下约60GB，4位下约18GB。它采用混合注意力机制，每个全局层有三个滑动窗口层，将KV缓存内存使用控制在扩展前128K上下文下约1.8GB（最小值）。这意味着模型可以在BF16精度下在单个H100上全上下文运行，或在较高配置的MacBook或RTX 5090上以4位运行，如果不需要视觉编码器则有更多空间。
➤ 代理知识工作是相对于其尺寸类别的弱点。Muse Glimmer在GDPval-AA v2上得分953 Elo，低于1000的人类基线，落后于同智能水平的其他模型，包括类似尺寸的Qwen3.6 27B（推理，1141）和Gemini 3.5 Flash-Lite（1141）。知识校准遵循相同模式：其AA-Omniscience Index为-33，低于其智能水平，主要由于82%的幻觉率（Qwen3.6 27B：49%）而非准确性，在准确性上与其同行相当。代理工具使用是个例外，Muse Glimmer在Tau3-Banking上得分24%，领先Gemini 3.5 Flash-Lite（18%）和Qwen3.6 27B（17%），属于同类最佳。
其他模型详情：
➤ 参数：30B稠密
➤ 上下文窗口：128K tokens，外加扩展
➤ 许可：Apache 2.0
➤ 开放指数：44，表明相对其他主要开源权重模型较高的开放性/透明性
➤ 定价和输出速度：发布时Meta未在其API上提供服务；定价和服务速度取决于第三方提供商。
Muse Glimmer（high）在Llama 4之后16个月发布，比Meta上次开源权重发布Llama 4 Maverick（14）高出21分。它与Kimi K2.5（推理，36）并列，仅次于Qwen3.6 27B（推理，38）和Ling 3.0 Flash（38），并与专有旗舰Muse Spark 1.2（xhigh，57）一起构成Meta的双层产品线。
@AIatMeta在公开发布前与我们共享了访问权限用于基准测试。祝贺@AIatMeta、@finkd和@alexandr_wang发布！
关键要点：
➤ Meta的开源权重线回归，采用迄今最宽松的许可。此前Meta的每次开源发布都使用Llama License；Muse Glimmer使用Apache 2.0，对商业使用或衍生品几乎不加限制。
➤ 在参数数量上表现出色。在30B参数下，Muse Glimmer得分比同尺寸的Gemma 4 31B（推理，30）高5分，并以33倍少的参数有效匹配1T总参数的Kimi K2.5（推理，36）。Qwen3.6 27B（推理，38）在智能与参数前沿上仍领先，且尺寸略小。
➤ 足够小，可在单个GPU上自托管，即使在完全上下文长度下。Muse Glimmer是一个30B稠密模型（包括约1.8B视觉编码器），权重在BF16下约60GB，4位下约18GB。它采用混合注意力机制，每个全局层有三个滑动窗口层，将KV缓存内存使用控制在扩展前128K上下文下约1.8GB（最小值）。这意味着模型可以在BF16精度下在单个H100上全上下文运行，或在较高配置的MacBook或RTX 5090上以4位运行，如果不需要视觉编码器则有更多空间。
➤ 代理知识工作是相对于其尺寸类别的弱点。Muse Glimmer在GDPval-AA v2上得分953 Elo，低于1000的人类基线，落后于同智能水平的其他模型，包括类似尺寸的Qwen3.6 27B（推理，1141）和Gemini 3.5 Flash-Lite（1141）。知识校准遵循相同模式：其AA-Omniscience Index为-33，低于其智能水平，主要由于82%的幻觉率（Qwen3.6 27B：49%）而非准确性，在准确性上与其同行相当。代理工具使用是个例外，Muse Glimmer在Tau3-Banking上得分24%，领先Gemini 3.5 Flash-Lite（18%）和Qwen3.6 27B（17%），属于同类最佳。
其他模型详情：
➤ 参数：30B稠密
➤ 上下文窗口：128K tokens，外加扩展
➤ 许可：Apache 2.0
➤ 开放指数：44，表明相对其他主要开源权重模型较高的开放性/透明性
➤ 定价和输出速度：发布时Meta未在其API上提供服务；定价和服务速度取决于第三方提供商。