8 月 11 日，Meta 发布 300 亿参数本地 Agent 模型 Muse Glimmer，开放权重，量化后体积不到 20GB，可在 24GB 显存显卡上本地运行，无需网络连接即可执行任务。这是 Meta 成立超级智能实验室后首次开放模型权重，扎克伯格高调宣布开源路线，杨立昆点赞。
Muse Glimmer 是 Meta 超级智能实验室成立后首个开放权重的模型。它的核心指标让本地部署成为可能：
注：完整精度下模型需 55GB+ 内存，经 4 比特量化压缩至 20GB 以下，配合 KV 缓存优化可在单张消费级显卡上运行。数据来自 Meta 技术博客及开发者实测。
这组数字意味着什么？一台配备 RTX 4090 的游戏 PC，就能运行一个具备 Agent 能力的 300 亿参数模型。而在此之前，同等规模的模型几乎只能在云端运行。
但参数只是入场券。真正衡量 Agent 能力的，是它在真实任务中的表现。
Meta 将 Muse Glimmer 与参数规模相近的 Gemma 4 31B、Qwen 3.6 27B 进行了对比。在 22 项 Agent、编程、多模态和通用能力测试中，Muse Glimmer 拿下 12 项 SOTA，优势集中在 Agent 任务与推理测试。
注：柱形为 SOTA 数量相对值，非百分比。Muse Glimmer 在 MCP Atlas、DeepSearch QA、AIME 2026 等测试中均位列第一。安全测试方面，Gemma 4 以更低违规率领先。
一个诚实的注脚：Muse Glimmer 并未全面领先。Qwen 3.6 在桌面操作、部分编程和多模态测试中表现更好；Gemma 4 在两项安全测试中取得更低的违规率和攻击成功率。
基准测试是一面镜子。但开发者真正关心的，是它能不能在自己的电脑上跑起来、干成事。
模型发布后，多位开发者第一时间在个人设备上验证了 Muse Glimmer 的真实能力。以下是三组有代表性的实测：
Muse Glimmer 的部署门槛之所以能降到消费级硬件，依赖三项关键技术协同工作：
完整精度 55GB+，需要云端 A100/H100 等企业级显卡，个人用户无法本地运行。
知识蒸馏 + 4 比特量化 + DFlash 推测解码，压缩至 20GB，解码速度提升 3.1 倍。
具体来说：Meta 以更大的 Muse Spark 作为教师模型，通过 logit 蒸馏传递能力；中期训练加入长上下文、Agent 任务和推理轨迹；后训练结合监督微调、在线蒸馏和强化学习。最终将完整精度超过 55GB 的模型压缩至不到 20GB，同时利用配套草稿模型提高输出速度。
注：DFlash 推测解码通过草稿模型并行生成候选 token，再由主模型验证，在保持输出质量的同时提升速度。加速效果因硬件而异。
Meta 表示，Ollama、LM Studio、Unsloth 将提供支持，llama.cpp、ExecuTorch、MLX 等框架的优化集成也将陆续上线。AMD、Arm、戴尔、英特尔、英伟达正在参与性能优化。
技术解决了「能不能跑」的问题。但扎克伯格想做的，远不止一个模型。
Muse Glimmer 发布当日，扎克伯格发表长文，系统阐述了 Meta 的超级智能愿景。核心信息是：超级智能不应集中在少数公司或个人手中。
他提出三个具体方向，与 Muse Glimmer 的定位形成呼应：
每个人都可以拥有一个了解自身目标和偏好的 Agent，用于健康、职业、财务、学习等场景，通过手机、电脑和 AI 眼镜使用。需要更多算力的用户可付费购买，Meta 还考虑采用动态竞价机制。
即使 Meta 也无法读取用户信息或将其提供给其他机构。本地运行的 Muse Glimmer 正符合这一方向——个人文件及任务数据无需上传至云端。
除 Muse Glimmer 外，Meta 将开放最新基础模型 Muse Spark 1.2 的权重。扎克伯格呼吁美国减少对开源 AI 模型的限制，批评部分厂商通过封闭模型控制技术和用户。
此外，扎克伯格宣布设立「未来属于每个人」基金，初始规模 10 亿美元，用于支持 Meta 在美国建设和运营数据中心的社区，支持当地教师、急救人员以及能源和水务基础设施。
在模型治理方面，Meta 计划引入独立董事会审查发布标准，并在训练期间向政府提供中间检查点。扎克伯格同时支持继续限制先进芯片对华出口，认为这一政策可以减缓竞争对手的训练速度。
本地 Agent 模型的竞争，正在从云端算力比拼转向个人设备上的执行效率与隐私保护能力。当模型能力不再依赖网络连接，AI 的竞争将从参数规模转向系统工程的精密度——而 Meta 正在用开源赌一个更大的用户基数。
Muse Glimmer 权重已开放下载，可在 Hugging Face 获取，支持 Ollama、LM Studio 等本地部署工具。
Hugging Face → 下载模型权重