Meta, Dizüstünde Çalışan 30B Açık Ajan Modeli Muse Glimmer'ı Yayınladı

Meta Superintelligence Labs, 10 Ağustos'ta Muse Glimmer adında 30 milyar parametrelik bir modeli Apache 2.0 lisansıyla yayınladı. Ağırlıklar Hugging Face'te, kullanımda ticari kısıtlama yok. Modelin tek iddiası var: bulut çağrısı yapmadan, senin makinende sürekli açık kalabilen bir ajan olmak.

Neden dizüstünde çalışabiliyor

30 milyar parametrelik bir model tam hassasiyette 55 GB'ın üzerinde bellek ister — hiçbir tüketici ekran kartında bu yok. Şirket ağırlıkları yaklaşık 4-bit'e indiren bir quantizationiModel ağırlıklarını daha az bit ile temsil ederek bellek ihtiyacını düşürme. uyguladı ve dil modelini 20 GB'ın altına çekti. İki hazır sürüm var: 24 GB ekran kartını hedefleyen K-Quant-17GB ortalama %1 doğruluk kaybıyla, 32 GB'ı hedefleyen K-Quant-Dynamic ise %0,2 kayıpla çalışıyor. Kalan yer görüntü kodlayıcıya ve KV cache'e ayrılıyor.

Hız tarafında DFlash adında bir speculative decodingiKüçük bir yardımcı modelin önden token tahmin etmesi, ana modelin bunları toplu doğrulaması. yöntemi kullanılıyor: yardımcı model tek geçişte 16 token öneriyor, ana model bunları paralel doğruluyor. Ölçümlere göre RTX 5090'da üretim hızı saniyede 74,9 token'dan 233,4'e çıkıyor. Apple M5 Max'te 26,6'dan 50,2'ye, M4 Max'te 23,7'den 37,8'e.

Ne yapabiliyor

Model, Muse Spark adlı daha büyük bir modelden distillationiBüyük bir modelin davranışını küçük bir modele aktarma. ile küçültülmüş. Metin ve görsel girdi alıyor, metin üretiyor; ses desteklemiyor, videoyu tek tek kare olarak işliyor. Context penceresi 131.072 token, bilgi kesim tarihi 4 Ocak 2026. 100'den fazla dilde eğitildiği belirtiliyor.

Ajan işleri için asıl fark yaratan şey şu: bir tool çağrısı hata verdiğinde model durmak yerine hatayı teşhis edip yeniden denemek üzere eğitilmiş. Ekran görüntüsü, grafik ve doküman okuyabildiği için masaüstü ajanlarında da kullanılabiliyor.

Benchmark tablosu ne diyor

Karşılaştırma Gemma4-31B ve Qwen3.6-27B ile yapılmış. Muse Glimmer MCP Atlas'ta 75,5 (rakipler 54,2 ve 62,5), DeepSearch QA'da 74,6, SWE-Bench Pro'da 51,2 ve AIME 2026'da 94,7 alıyor. Ama tablo tek yönlü değil: Qwen3.6-27B bilgisayar kullanımı ölçen OSWorld-Verified'da 75,6'ya karşı 65,9 ile, TerminalBench 2.1'de 60,7 ile ve SWE-Bench Verified'da 77,2 ile önde. Yani model ajan orkestrasyonu ve akıl yürütmede kazanıyor, terminal ve bilgisayar kullanımında geride kalıyor.

Güvenlik tarafında Siren AgentDojo saldırı başarı oranı 28,4 olarak raporlanmış. Şirket modelin kendi Advanced AI Scaling Framework'ündeki "Frontier AI" tanımına girmediğini, kimyasal-biyolojik, siber ve kontrol kaybı risklerini orta veya altı seviyede değerlendirdiğini yazıyor.

Nasıl deneyebilirsin

Ağırlıklar Hugging Face'te BF16, GGUF k-quant ve ExecuTorch biçimlerinde duruyor. llama.cpp, MLX ve ExecuTorch entegrasyonlarının önümüzdeki günlerde geleceği, Ollama ve LM Studio üzerinden de çalıştırılabileceği söyleniyor. Sunucuda vLLM veya SGLang, bulutta Together AI, Fireworks ve OpenRouter seçenekleri var. Kendi makinende model çalıştırmayı hiç denemediysen ayrıntılı başlangıç rehberimiz işini görür.

Buradaki asıl haber 30 milyar parametre değil, 24 GB'lık bir ekran kartında gerçekten iş yapan bir ajanın ücretsiz dağıtılması. Bugüne kadar "yerelde çalışır" denen modellerin çoğu sohbet edip duruyordu, tool çağırmaya gelince dağılıyordu. Yine de benchmark tablosunun kendisi bile modelin terminal ve bilgisayar kullanımında Qwen3.6-27B'nin gerisinde kaldığını söylüyor — yani kod yazdırmak için değil, dosya düzenleyen, mesaj taslağı çıkaran, ekran okuyan bir asistan için düşünülmüş. Türkçe çıktı kalitesini kendimiz test etmeden bir şey söylemeyeceğiz; 100 dil listesinde olmak ile Türkçe ekleri doğru getirmek ayrı şeyler, bunu daha önce çok gördük.