Meta 回归开源权重：Muse Glimmer 是自 Llama 4 以来 Meta 首个开源权重发布，在 Artificial Analysis 智能指数上得分 35。这是一个 30B 参数模型，也是 Meta 首个以 Apache 2.0 协议发布的模型。

Muse Glimmer （high） 在 Llama 4 发布 16 个月后问世，得分比 Meta 上一个开源权重发布 Llama 4 Maverick（14 分）高出 21 分。它与 Kimi K2.5（推理型，36 分）并驾齐驱，仅落后于 Qwen3.6 27B（推理型，38 分）和 Ling 3.0 Flash（38 分），并与专有旗舰模型 Muse Spark 1.2（xhigh，57 分）共同构成 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 完成此次发布！

核心要点：

➤ Meta 的开源权重产品线回归，且采用了其迄今最宽松的许可证。Meta 此前所有开源发布均采用 Llama 许可证；Muse Glimmer 使用 Apache 2.0，对商业使用或衍生作品几乎不设限制。

➤ 在同等参数量下展现出强劲的智能水平。Muse Glimmer 拥有 30B 参数，得分比同尺寸的 Gemma 4 31B（推理型，30 分）高出 5 分，并以少 33 倍的参数量实际追平了总参数达 1T 的 Kimi K2.5（推理型，36 分）。Qwen3.6 27B（推理型，38 分）在智能 vs 参数量前沿上仍以略小的尺寸保持领先。

➤ 模型足够小，可在单张 GPU 上自托管，即使在完整上下文长度下也能运行。Muse Glimmer 是一个 30B 稠密模型（包含约 1.8B 视觉编码器），BF16 精度下权重约 60 GB，4-bit 量化下约 18 GB。它采用混合注意力机制，每层全局层配有三层滑动窗口层，在扩展前的 128K 上下文下将 KV 缓存内存占用控制在约 1.8 GB（最低）。这意味着该模型可以在单张 H100 上以 BF16 精度运行完整上下文，或在更高配置的 MacBook 或 RTX 5090 上以 4-bit 精度运行；如果不需要视觉编码器，还能获得更多余量。

➤ 智能体知识工作是其相对于同尺寸级别的短板。Muse Glimmer 在 GDPval-AA v2 上取得 953 Elo 分，低于 1000 分的人类基线，也落后于同智能水平的其他模型，包括尺寸相近的 Qwen3.6 27B（推理型，1141 分）和 Gemini 3.5 Flash-Lite（1141 分）。知识校准也呈现同样的模式：其 AA-Omniscience 指数为 -33，相对于其智能水平偏低，这主要源于 82% 的模型幻觉率（Qwen3.6 27B 为 49%），而非准确率--准确率方面它与同类模型相当。智能体工具使用则是个例外，Muse Glimmer 在 Tau3-Banking 上取得 24% 的成绩，领先于 Gemini 3.5 Flash-Lite（18%）和 Qwen3.6 27B（17%），属于同级别中表现最好的之一。

其他模型详情：

➤ 参数量：30B 稠密 ➤ 上下文窗口：128K token，支持扩展 ➤ 许可证：Apache 2.0 ➤ 开放度指数：44，表明与其他主要开放权重模型相比，其开放度/透明度相对较高 ➤ 定价与输出速度：发布时，Meta 未在其 API 上提供该模型；定价和服务速度取决于第三方提供商，待定。