Meta Superintelligence Labs 於 2026 年 8 月 10 日發布 Muse Glimmer，一個 300 億參數的開放權重模型，以 Apache 2.0 授權開源，可在配備單張消費級 GPU 的 Mac 或 PC 上本地運行 AI Agent。 這是 Meta 最強封閉模型 Muse Spark 的開源版本，專為常駐本地、離線可用的 Agent 工作流設計，權重已上架 Hugging Face 供任何人下載與修改。

Meta 於 2026 年 8 月 10 日開源 Muse Glimmer，一個 300 億參數的開放權重模型，採用 Apache 2.0 授權。它專為本地 Agent 工作流設計，可在單張消費級 GPU 上運行，支援工具呼叫、程式撰寫與多模態理解，量化後記憶體需求低於 20GB。

Muse Glimmer 是什麼？為何值得關注？

Muse Glimmer 是 Meta Superintelligence Labs 推出的開放權重模型，以 Apache 2.0 授權開源，專為本地 Agent 工作流設計。它可在沒有網路的環境下運作，適合排程管理、訊息草擬、檔案整理等需要存取個人資料的任務，資料不需上傳雲端。

Muse Glimmer 是 Meta Superintelligence Labs 推出的開放權重模型，定位為「隨時開啟的本地 Agent 引擎」。與多數依賴雲端基礎設施的模型不同，它可在沒有網路的環境下運作，適合處理排程管理、訊息草擬、檔案整理等需要存取個人資料的任務，資料不需上傳雲端，隱私保護是設計重點之一。

模型的訓練過程採用從 Muse Spark 蒸餾的技術路線，先以 logit 蒸餾學習教師模型的輸出，再以大量 Agent 任務資料進行中段訓練，最後透過監督式微調與強化學習強化推理、程式與 Agent 能力。Meta 表示，Glimmer 在 DeepSearch QA、MCP-Atlas、SWE-Bench 等端到端任務基準上表現優異，並能處理工具呼叫失敗後的自動診斷與重試。

Muse Glimmer 可以在什麼硬件上運行？

Muse Glimmer 的量化版本在 24GB 或 32GB 記憶體環境下即可完整運行。300 億參數的模型在完整精度下需要超過 55GB 記憶體，Meta 透過約 4-bit 的量化技術將語言模型壓縮至 20GB 以下，同時保留足夠空間給 KV 快取、圖像感知編碼器與推論加速用的草稿模型。

Muse Glimmer 量化後可在配備單張消費級 GPU 的 Mac 或 PC 上運行，記憶體需求低於 20GB，24GB 或 32GB 的裝置即可完整執行。MacBook M4-Max、M5-Max 與 RTX 5090 均實測可流暢對話與即時 Agent 互動。

Meta 同時提供基於 DFlash 架構的輕量草稿模型，以投機解碼方式一次提出整段 token，再由主模型平行驗證，顯著提升生成速度。官方實測在 MacBook M4-Max、M5-Max 與 RTX 5090 上，模型足以支援流暢對話與即時 Agent 互動。

開發者如何開始使用 Muse Glimmer？

開發者可從 Hugging Face 的 meta-models/Muse-Glimmer-30B 下載權重，配合官方文件開始建構 Agent。Meta 表示，未來數日內將陸續推出針對 llama.cpp、MLX 與 ExecuTorch 的最佳化整合，開發者由下載到建立可運作的 Agent 只需幾分鐘。

開發者可從 Hugging Face 下載 Muse Glimmer 權重，透過 OpenClaw、Ollama、LM Studio、llama.cpp、MLX、ExecuTorch、vLLM 與 SGLang 等框架部署。Together AI、Fireworks AI、OpenRouter 亦提供託管服務，並可用 PyTorch TorchTitan 進一步微調。

模型相容多種 Agent 編排模式，包括 OpenClaw 等開源框架，也支援 Ollama、LM Studio、Unsloth 等本地執行工具，以及 vLLM、SGLang 等大規模服務框架。AMD、Arm、Dell、Intel 與 NVIDIA 等合作夥伴正針對不同裝置進行效能最佳化。

與其他開源模型相比表現如何？

Meta 將 Muse Glimmer 與同尺寸的 Gemma4-31B、Qwen3.6-27B 進行比較，指其在多個常用基準上表現強勁。模型支援超過 100 種語言的訓練資料，並可接受文字與圖像交錯輸入，能解讀截圖、圖表與文件，適合需要多模態理解的 Agent 情境。

Meta 表示 Muse Glimmer 在同尺寸模型中表現強勁，比較對象為 Gemma4-31B 與 Qwen3.6-27B。它支援 100 多種語言與文字圖像混合輸入，可解讀截圖與文件，並提供可調節的推理強度以平衡品質與速度。

模型亦支援可控制推理強度，開發者可針對任務需求選擇不同的推理深度，在品質與回應速度之間取捨，這對資源有限的本地裝置尤其實用。

Meta 為什麼開源 Glimmer 而保留 Spark？

Meta 的雙軌策略揭示其對開放與控制之間界線的取捨。Muse Spark 作為效能更強的旗艦模型維持封閉權重，而規模較小的 Glimmer 則完全開放，開發者可自由下載、微調並在自己的硬體上運行。

Meta 選擇開源 300 億參數的 Glimmer，保留更強大的 Muse Spark 為封閉模型，反映其安全考量與商業策略的平衡。創辦人公開信主張廣泛分發超級智能可開啟個人賦能時代，但 Meta 仍需謹慎決定哪些模型適合開放釋出。

創辦人 Mark Zuckerberg 同日發布公開信，闡述「個人超級智能」願景：每個人都可擁有免費或可負擔的 AI 工具，讓 24 小時運作的個人 Agent 協助改善人際關係、健康、職涯與財務。Glimmer 正展現此願景的具體技術雛形。

出處連結有哪些？

本文資訊來自 TechCrunch 報導〈Meta’s new Glimmer AI model offers a hint at Zuckerberg’s personal intelligence vision〉，以及 Meta 研究部門的官方發布文章〈Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device〉。

本文事實來源為 TechCrunch 的 Muse Glimmer 報導與 Meta 研究部門官方發布文章。模型權重可於 Hugging Face 的 meta-models/Muse-Glimmer-30B 頁面下載，開發文件位於 Meta 開發者中心。

讀者可直接前往 TechCrunch 原文 與 Meta 研究部落格 查看完整細節，包括完整基準測試結果與方法論報告。

總結：本地 AI Agent 時代是否來臨？

Muse Glimmer 開源令本地 Agent 部署門檻大降：單張消費級 GPU、20GB 記憶體、Apache 2.0 授權即可建立完全離線的 AI Agent。對重視隱私與資料主權者，這是雲端模型以外的具體選擇，本地 Agent 時代正在來臨。

Muse Glimmer 的開源象徵本地 Agent 部署的門檻進一步降低：單張消費級 GPU、20GB 記憶體、Apache 2.0 授權，加上主流框架的相容性，讓個人開發者與小型團隊有能力建立完全離線的 AI Agent。對重視隱私與資料主權的使用者而言，這條路線提供雲端模型之外的具體選擇。