Meta ha rilanciato la propria strategia sui modelli open weight con Muse Glimmer, un modello da 30 miliardi di parametri sviluppato da Meta Superintelligence Labs e progettato specificamente per workflow agentici eseguiti localmente. I pesi del modello sono disponibili con licenza Apache 2.0, una formula più permissiva rispetto alle precedenti licenze utilizzate per la famiglia Llama e che consente agli sviluppatori di utilizzare, modificare e redistribuire il modello anche in applicazioni commerciali. Muse Glimmer è stato dimensionato per funzionare su Mac e PC dotati di una singola GPU consumer, con l’obiettivo di permettere l’esecuzione continuativa di agenti senza dipendere necessariamente da servizi cloud o connessioni di rete.
Il modello è orientato soprattutto a operazioni agentiche di lunga durata, nelle quali il sistema deve mantenere il contesto, utilizzare strumenti, eseguire sequenze di azioni, interpretarne i risultati e recuperare autonomamente da eventuali errori. Tra gli scenari indicati da Meta rientrano agenti locali, function calling, coding, valutazione automatizzata tramite LLM-as-a-judge e workflow che possono estendersi su più passaggi o sessioni. Muse Glimmer supporta inoltre input multimodali composti da testo e immagini attraverso un encoder dedicato alla percezione, può lavorare con screenshot, grafici e documenti ed è stato addestrato su dati relativi a oltre 100 lingue. La compatibilità comprende inoltre scaffold e sistemi di orchestrazione agentica come OpenClaw.
Per ottenere queste capacità mantenendo dimensioni compatibili con hardware locale, Meta ha utilizzato Muse Spark come modello insegnante. Durante il pre-training, Muse Glimmer è stato addestrato sugli output di Muse Spark tramite logit distillation, utilizzando una composizione dei dati simile a quella del modello più grande. Una successiva fase di mid-training ha aumentato la presenza di dati agentici, contesti più lunghi e tracce di ragionamento più ricche, mentre nel post-training Meta ha combinato supervised fine-tuning, distillazione on-policy e reinforcement learning su attività generali, di reasoning, programmazione e uso agentico degli strumenti. Il modello è stato inoltre valutato secondo l’Advanced AI Scaling Framework di Meta prima della distribuzione come open weight.
Particolare attenzione è stata dedicata all’esecuzione su dispositivi personali. Un modello da 30 miliardi di parametri a precisione completa richiederebbe oltre 55 GB di memoria, per cui Meta ha applicato tecniche di quantizzazione che portano i pesi a una precisione di circa 4 bit e riducono il modello linguistico a meno di 20 GB. In questo modo rimane memoria disponibile per il KV cache utilizzato durante l’elaborazione del contesto, per l’encoder multimodale e per il sistema di speculative decoding, permettendo al modello di operare all’interno di configurazioni da 24 o 32 GB. La scheda ufficiale di Muse Glimmer indica che questa compressione introduce una degradazione minima o nulla nelle attività agentiche valutate da Meta.
La generazione viene ulteriormente accelerata attraverso un modello ausiliario basato su DFlash. Invece di generare esclusivamente un token alla volta, il modello più piccolo propone blocchi di token che Muse Glimmer verifica in parallelo, accettando quelli corretti e correggendo gli altri. La tecnica è stata pensata soprattutto per workflow nei quali lunghe catene di ragionamento e numerose chiamate agli strumenti renderebbero troppo lenta un’esecuzione tradizionale. AMD ha già pubblicato test preliminari nei quali Muse Glimmer raggiunge fino a 24 token al secondo su un Ryzen AI Max+ 395 e fino a 53 token al secondo su una Radeon AI PRO R9700, utilizzando llama.cpp, backend Vulkan e speculative decoding dFlash; si tratta tuttavia di misurazioni preliminari effettuate su specifiche configurazioni hardware e software.
Meta ha valutato Muse Glimmer su benchmark dedicati al completamento end-to-end delle attività, all’utilizzo degli strumenti, al coding e alla gestione di conversazioni e processi multipli, tra cui DeepSearch QA, MCP-Atlas, τ-Bench e SWE-Bench. Il modello è addestrato non soltanto a effettuare function call secondo schemi precisi, ma anche a riconoscere quando una chiamata produce un errore o un risultato inatteso, diagnosticarne la causa e tentare nuovamente l’operazione anziché interrompere l’esecuzione. Il sistema dispone inoltre di livelli regolabili di reasoning effort, consentendo alle applicazioni di scegliere un diverso compromesso tra velocità di risposta e quantità di elaborazione dedicata al problema.
Muse Glimmer è già disponibile su Hugging Face e Meta ha previsto integrazioni con llama.cpp, MLX ed ExecuTorch, oltre al supporto attraverso strumenti come Ollama, LM Studio e Unsloth. Il modello potrà inoltre essere distribuito su infrastrutture server tramite vLLM e SGLang oppure utilizzato attraverso provider come Together AI, Fireworks AI e OpenRouter. AMD ha mostrato anche l’integrazione tramite Lemonade, che permette di incorporare il modello in applicazioni locali attraverso un’API compatibile con quella di OpenAI e un componente eseguibile di circa 4 MB, mantenendo sia il modello sia i dati elaborati direttamente sul dispositivo.
Muse Glimmer segna contemporaneamente un cambiamento nella politica di licenza di Meta. I precedenti modelli Llama open weight utilizzavano licenze specifiche definite dall’azienda, mentre Apache 2.0 introduce restrizioni significativamente inferiori sull’utilizzo commerciale e sulla creazione di modelli derivati. Secondo Artificial Analysis, Glimmer è inoltre il primo modello open weight pubblicato da Meta dopo Llama 4, arrivando circa sedici mesi dopo quella generazione e ottenendo 35 punti nel relativo Intelligence Index, rispetto ai 14 attribuiti a Llama 4 Maverick. Nello stesso confronto il modello si colloca vicino a Kimi K2.5 Reasoning, con 36 punti, e a Qwen3.6 27B Reasoning, con 38, mentre Muse Spark 1.2, distribuito come modello proprietario, raggiunge 57 punti.
Il progetto open weight non dovrebbe però fermarsi a Glimmer. Meta ha annunciato l’intenzione di pubblicare nelle prossime settimane i pesi di una versione di Muse Spark 1.2, modello di dimensioni e capacità superiori attualmente disponibile attraverso i servizi di Meta. Muse Glimmer deriva proprio dalle capacità di Spark attraverso il processo di distillazione e rappresenta quindi il primo livello di una strategia che punta a rendere disponibili agli sviluppatori anche modelli Meta più potenti. Al momento non sono stati ancora resi pubblici i pesi della versione open di Spark 1.2 né sono stati definiti in modo definitivo licenza, requisiti hardware e caratteristiche dell’artefatto che verrà distribuito.
La nuova strategia è stata accompagnata da una presa di posizione di Mark Zuckerberg a favore della diffusione dei modelli open weight. Il CEO di Meta sostiene che concentrare i modelli più potenti nelle mani di pochi operatori non rappresenti l’unica strada possibile per gestire i rischi dell’intelligenza artificiale e considera l’accesso ai pesi uno strumento per consentire a sviluppatori e imprese di personalizzare i sistemi, eseguirli su infrastrutture proprie e ridurne i costi di utilizzo. Zuckerberg ha inoltre collegato questa impostazione alla competizione internazionale, sostenendo che gli sviluppatori statunitensi debbano poter competere con laboratori cinesi come DeepSeek, Alibaba e Z.ai, particolarmente attivi nella distribuzione di modelli con pesi accessibili.