متا از جدیدترین مدل هوش مصنوعی خود با نام Muse Glimmer رونمایی کرد. این مدل با ۳۰ میلیارد پارامتر، بهصورت وزنباز و تحت مجوز آزاد Apache 2.0 در پلتفرم هاگینگ فیس در دسترس عموم قرار گرفته است.
اجرای محلی روی سختافزارهای خانگی با Muse Glimmer
متا در وبلاگ خود توضیح میدهد که هدف اصلی از توسعه Muse Glimmer، اجرای کاملاً آفلاین و همیشه فعال روی سیستمهای خانگی مانند مک یا رایانههای شخصی دارای یک کارت گرافیک بوده است. این مدل به توسعهدهندگان اجازه میدهد بدون وابستگی به زیرساختهای ابری و اتصال اینترنت، سناریوهای مختلفی نظیر استفاده از ایجنتهای محلی، فراخوانی ابزارها، کدنویسی محلی و ارزیابی مدلها را پیادهسازی کنند.
متا برای ایجاد تعادل میان قدرت پردازشی و محدودیت حافظه سختافزارهای خانگی، از یک فرایند آموزش سهمرحلهای استفاده کرده است. در مرحله پیشآموزش (Pre-Training)، دانش موردنیاز از مدل بزرگتر Muse Spark انتقال پیدا کرده و سپس در مرحله آموزش میانی (Mid-Training)، مدل روی دادههایی با زمینه طولانیتر آموزش داده میشود.
نهایتاً در مرحله پسآموزش (Post-Training)، ترکیبی از روشهای یادگیری تحت نظارت (SFT)، تقطیر مستقیم و یادگیری تقویتی در حوزههای استدلال، کدنویسی و رفتارهای ایجنتمحور به کار گرفته شده است.
قابلیتهای کلیدی مدل جدید متا
مدل Muse Glimmer مجموعه متنوعی از قابلیتهای هوشمند را ارائه میدهد. این مدل در بنچمارکهای SWE-Bench ،MCP-Atlas ،DeepSearch QA و tau-Bench برای تکمیل وظایف ایجنتها موفقیت بالایی کسب کرده است.
همچنین با توانایی زنجیرهسازی استدلال در وظایف طولانی و بازیابی خطاهای ناشی از شکست در فراخوانی ابزارها، استفاده مطمئنتر از ابزارها و استدلال چندمرحلهای را ممکن میسازد.
در حوزه پشتیبانی چندوجهی، این مدل به لطف انکودر ادراکی مجزا، توانایی پردازش همزمان متن و تصویر را برای درک اسکرینشاتها، نمودارها و اسناد دارد. از نظر سرعت و بهینهسازی حافظه، حجم مدل به زیر ۲۰ گیگابایت رسیده تا امکان اجرای آن روی کارتهای گرافیک ۲۴ یا ۳۲ گیگابایتی فراهم شود. علاوهبراین، استفاده از مدل کمکی DFlash سرعت تولید متن را بهشدت افزایش داده است.
در نهایت، Muse Glimmer با آموزش روی دادههای بیش از ۱۰۰ زبان مختلف، از پشتیبانی زبانی گستردهای نیز بهره میبرد.
نتایج بنچمارکهای منتشرشده توسط متا نشان میدهد که Muse Glimmer-30B در مقایسه با رقبای اصلی همرده خود مانند Gemma4-31B و Qwen3.6-27B عملکرد چشمگیری ارائه میدهد. در بخش بنچمارکهای ایجنتمحور، این مدل در MCP Atlas امتیاز ۷۵.۴ (در برابر ۵۴.۲ Gemma4 و ۶۲.۵ Qwen3.6)، در DeepSearch QA امتیاز ۷۴.۶، در tau3-Banking امتیاز ۲۳.۵ و در WildClawBench امتیاز ۴۷.۶ را کسب کرده است.
در زمینه برنامهنویسی و کدنویسی، ثبت امتیاز ۵۱.۲ در SWE-Bench Pro، امتیاز ۴۳.۶ در SciCode و امتیاز ۷۸.۸ در Charxiv Reasoning برتری آن را نسبت به رقبا نشان میدهد. همچنین در ارزیابی قابلیتهای عمومی و استدلال، این مدل با ثبت امتیاز ۹۴.۷ در آزمون AIME 2026، امتیاز ۸۳.۵ در GPQA Diamond و امتیاز ۸۰.۰ در AA-LCR بالاتر از رقبای خود قرار گرفته است.
وزنهای این مدل درحالحاضر روی Hugging Face قرار دارد و بهزودی پشتیبانی از آن به فریمورکهایی مانند Ollama و LM Studio اضافه خواهد شد.
