今天，我们推出了 Muse Glimmer，这是来自 Meta 超智能实验室的下一代模型，并根据宽松的 Apache 2.0 许可证公开模型权重。Muse Glimmer 是一个 300 亿参数的模型，优化用于即时本地代理工作流程。它足够小，可以在只带一张消费级 GPU 的 Mac 或 PC 上运行，支持本地代理、函数调用、本地编码和 LLM 作为评审等应用场景。与同类领先模型相比，Muse Glimmer 在关键的代理任务和基准测试中表现出色。基础模型在推理、代码生成和工具使用等方面已取得了显著的能力——然而，大多数部署仍然依赖云基础设施和网络访问。是否可以本地运行模型使您能够随时随地使用 AI，无论是否连接互联网。这种可行性越来越强：开源社区已经证明，有效训练的小型模型可以在特定任务上接近前沿水平的性能。Muse Glimmer 针对这些本地使用场景进行了优化。延续我们分享基础 AI 研究的传统，我们今天在 Hugging Face 上发布 Muse Glimmer 的开源权重，并提供开发者文档，帮助您开始构建和运行自己的代理。Muse Glimmer 是为了与开发者已经使用的工具一起工作而构建的。针对 llama.cpp、MLX 和 ExecuTorch 的优化集成将在接下来的几天内推出，因此您可以在几分钟内从下载转变为工作代理。我们如何训练 Muse Glimmer 管理您的日程安排、起草您的消息、组织您的文件并学习您的工作方式的代理需要深入访问个人上下文。它还需要多个能力协同工作：长时间的执行、精确的工具调用、多模态理解、长上下文记忆和遵循指令。我们设计 Muse Glimmer 以平衡能力与本地硬件的内存和计算约束。这需要一种紧凑的架构、一种新的蒸馏配方，该配方从更大的教师模型转移代理推理，以及推理优化——包括量化——以符合延迟预期。我们在以下几个阶段实现了这一目标：预训练。我们使用 logits 蒸馏训练了 Muse Glimmer，利用与教师模型相似的数据混合。中期训练。我们在更长上下文、更重代理数据和有机数据的基础上，训练了更为丰富的推理痕迹。后期训练。我们将监督微调与管道蒸馏和强化学习相结合，涵盖了一般、推理、编码和代理领域。Muse Glimmer 在 Meta 的先进 AI 扩展框架设定的标准下进行评估，并在所有相关类别中评估了开源权重的发布。为代理而建：Muse Glimmer 的功能 构建有效的代理需要关键能力的协同工作，以实现用户的目标。Muse Glimmer 在以下每个方面进行了训练和评估：端到端代理任务完成。Muse Glimmer 在包括 DeepSearch QA、MCP-Atlas、𝛕-Bench 和 SWE-Bench 的完整任务基准上取得了强大的成功率，这些基准测量其在脚手架内工作的能力、编写和调试代码，以及从头到尾解决多回合请求的能力。可靠的工具使用。该模型处理广泛的功能调用，在扩展工作流程中使用精确的模式调用工具。多步骤推理。Muse Glimmer 能够在较长的时间范围内进行推理，能够在复杂的扩展工作流程中保持一致的计划。故障恢复。当工具调用失败或返回意外结果时，模型经过训练以诊断错误并重试，而不是停止。多模态输入和推理。通过专用的感知编码器，模型接受交错的文本和图像。这使代理能够解释屏幕截图、图表和文档，以及进行对话。脚手架兼容性。Muse Glimmer 适用于 OpenClaw 和其他代理编排模式。可控努力。Muse Glimmer 支持不同的推理强度，以选择质量和速度之间的最佳平衡。多语言。Muse Glimmer 的训练数据来自于 100 多种语言。性能 我们在广泛的基准测试中评估了 Muse Glimmer，以评估实现有效自主代理行为所需的多种能力。与 Gemma4-31B 和 Qwen3.6-27B 相比，在多个广泛使用的 LLM 基准测试中，Muse Glimmer 在其规模类别中表现出色。有关我们评估的更多细节，请参见我们的报告。针对本地部署进行了优化 本地代理只有在快速响应时才能真正发挥作用。一个需要几分钟才能回复或计划下一步骤的代理会打断真实工作的流程。我们应用了两项优化，使 Muse Glimmer 可以在消费硬件上以实用速度运行，而不会牺牲质量。将模型适配到您的设备上。在全精度下，一个 300 亿参数的模型