Muse Glimmer: Mô hình agent mã nguồn mở của Meta chạy ngay trên thiết bị của bạn

Meta Superintelligence Labs đã ra mắt Muse Glimmer vào ngày 10 tháng 8 năm 2026, và thông điệp cho một lần ra mắt mô hình năm 2026 khá khác thường: nó chạy trên laptop.

Đây là một mô hình agent 30 tỷ tham số, được xây dựng cho các quy trình làm việc cục bộ, luôn bật, phát hành với trọng số mở theo giấy phép Apache 2.0.

Tuyên bố nổi bật là Muse Glimmer hoạt động như một agent hoàn chỉnh (lập kế hoạch, gọi công cụ, tự kiểm tra và phục hồi sau lỗi) trên một GPU tiêu dùng 24 GB duy nhất hoặc hệ thống bộ nhớ hợp nhất chuẩn Mac. Sản phẩm đi kèm cửa sổ ngữ cảnh 120K+, đầu vào đa phương thức văn bản và hình ảnh, cùng trọng số đã lượng tử hóa giúp thu nhỏ mô hình xuống dưới 20 GB. Meta đã mở mã trọng số trên Hugging Face kèm tài liệu cho nhà phát triển.

Trong bài viết này, tôi sẽ điểm qua mọi điểm mới ở Muse Glimmer: các tính năng, điểm benchmark so với các mô hình như Qwen3.6-27B và Gemma4-31B, cũng như các mẹo triển khai cục bộ. Bạn có thể đọc hướng dẫn chạy Muse Glimmer cục bộ cho lập trình AI của chúng tôi.

Để tìm hiểu thêm về chạy mô hình cục bộ nói chung, hãy xem các bài hướng dẫn về fine-tune Qwen3.6 và bắt kịp tiến độ với lộ trình kỹ năng AI Agent Fundamentals.

Tóm lược nhanh

• Muse Glimmer là mô hình agent 30B với trọng số mở (Apache 2.0) từ Meta Superintelligence Labs, phát hành ngày 10/08/2026.
• Chạy cục bộ trên một GPU 24 GB hoặc 32 GB hay máy Mac, với trọng số được lượng tử hóa ~4-bit (dưới 20 GB).
• Dẫn đầu phân khúc kích thước của mình trên MCP-Atlas (75,5) và DeepSearch QA (74,6) nhưng kém Qwen3.6-27B trên OSWorld-Verified và Terminal-Bench 2.1.
• Văn bản và hình ảnh đầu vào, chỉ xuất văn bản. Không hỗ trợ âm thanh, và video được xử lý dưới dạng từng khung hình riêng lẻ.
• Không có API do Meta lưu trữ; bạn tự lưu trữ hoặc dùng nhà cung cấp bên thứ ba như Together AI và Fireworks AI.

Muse Glimmer là gì?

Muse Glimmer là mô hình dense 30 tỷ tham số từ Meta Superintelligence Labs, tối ưu cho quy trình agent cục bộ thay vì chat chạy trên đám mây.

Nó được định vị là “người anh em” nhỏ hơn, đã được chưng cất từ mô hình giáo viên nội bộ lớn hơn, Muse Spark, và Meta nêu rõ Muse Glimmer không đạt định nghĩa "Frontier AI" của hãng.

Điểm mới ở đây là mục tiêu triển khai.

Hầu hết các mô hình agent có năng lực như vậy đều giả định có trung tâm dữ liệu phía sau, nhưng Muse Glimmer được xây dựng để chạy ngoại tuyến trên một GPU tiêu dùng duy nhất.

Meta đã nén trọng số xuống độ chính xác khoảng 4-bit, đưa mô hình ngôn ngữ xuống dưới 20 GB để vừa với giới hạn bộ nhớ 24 GB hoặc 32 GB và vẫn còn chỗ trống.

Điểm benchmark đáng chú ý là MCP-Atlas, một benchmark agent tổng quát, nơi Muse Glimmer đạt 75,5 so với 62,5 của Qwen3.6-27B và 54,2 của Gemma4-31B.

Đối với một mô hình có thể chạy không cần kết nối internet, dẫn đầu phân khúc kích thước về điều phối agent chính là trọng tâm của lần phát hành này.

Các tính năng chính của Muse Glimmer

Muse Glimmer được thiết kế xoay quanh việc chạy agent cá nhân cục bộ, nên các tính năng tập trung vào hoàn thành tác vụ, sử dụng công cụ và duy trì độ phản hồi trên phần cứng hạn chế.

Dưới đây là những năng lực quan trọng nhất với người làm thực hành.

Chạy một agent hoàn chỉnh ở chế độ ngoại tuyến

Bạn có thể giao cho Muse Glimmer một tác vụ nhiều bước và để nó lập kế hoạch, gọi công cụ, tự kiểm tra kết quả, và phục hồi sau lỗi mà không cần kết nối mạng.

Alexandr Wang, Giám đốc AI của Meta, cho biết mô hình hoạt động "như một agent hoàn toàn có năng lực" và giữ được độ tin cậy agent trên 24 GB VRAM.

Với người thực hành, điều này thay đổi nơi một agent có thể tồn tại.

Một mô hình soạn thảo email, sắp xếp lại tệp, hoặc phân loại lịch của bạn cần quyền truy cập sâu vào ngữ cảnh cá nhân, và việc giữ ngữ cảnh đó trên thiết bị khác hẳn tư thế riêng tư so với đẩy lên API đám mây.

Gọi công cụ đáng tin cậy kèm phục hồi lỗi

Muse Glimmer gọi công cụ bằng các schema chính xác xuyên suốt quy trình kéo dài, và khi một lần gọi thất bại hoặc trả về điều bất ngờ, mô hình được huấn luyện để chẩn đoán lỗi và thử lại thay vì dừng. Hành vi phục hồi lỗi này là khác biệt giữa một agent hoàn tất tác vụ và một agent dừng giữa chừng.

Nó hoạt động với OpenClaw và các mẫu điều phối agent khác, vì vậy bạn không bị khóa vào một khung sườn duy nhất.

Meta cung cấp hướng dẫn thiết lập scaffold tùy chỉnh trong tài liệu, điều này quan trọng vì chất lượng agent thường phụ thuộc vào “giá đỡ” xung quanh hơn là bản thân mô hình thô.

Đọc ảnh chụp màn hình, biểu đồ và tài liệu

Thông qua bộ mã hóa tri giác chuyên dụng, Muse Glimmer chấp nhận văn bản và hình ảnh đan xen, để agent có thể diễn giải ảnh chụp màn hình hộp thoại lỗi, biểu đồ bán hàng, hoặc hóa đơn scan song song với cuộc hội thoại.

Đây là đầu vào văn bản và hình ảnh, đầu ra chỉ văn bản.

Có một giới hạn đáng lưu ý: không có đầu vào/đầu ra âm thanh, và video chỉ được xử lý dưới dạng từng khung hình chứ không phải hiểu video thực sự.

Nếu quy trình của bạn cần xem một bản ghi màn hình từ đầu đến cuối, đây không phải mô hình phù hợp.

Kiểm soát mức nỗ lực suy luận

Muse Glimmer hỗ trợ nhiều mức độ suy luận, cho phép bạn đánh đổi chất lượng lấy tốc độ tùy theo tác vụ.

Một agent đổi tên tệp nhanh không cần mức đắn đo như một phiên gỡ lỗi nhiều bước, và khả năng điều chỉnh ngay trên thiết bị giúp độ trễ hợp lý.

Mô hình cũng được huấn luyện trên dữ liệu từ hơn 100 ngôn ngữ, dù Meta lưu ý chưa đánh giá hết tất cả, và chất lượng có thể giảm ngoài nhóm được hỗ trợ mạnh.

Benchmark của Muse Glimmer

Meta đánh giá Muse Glimmer so với Gemma4-31B và Qwen3.6-27B trên các hạng mục agent, lập trình, đa phương thức, an toàn và suy luận, sử dụng harness riêng.

Vào thời điểm viết bài, chưa có tái lập độc lập, nên hãy coi đây là số liệu từ nhà cung cấp.

Muse Glimmer dẫn đầu phân khúc kích thước trên các benchmark agent tổng quát nhưng kém Qwen3.6-27B ở một số tác vụ dùng máy tính và terminal.

Muse Glimmer vs Qwen3.6-27B vs Gemma4-31B nhìn nhanh

Bảng dưới đây cho phép bạn xem nhanh Muse Glimmer so với các đối thủ: 

MCP-Atlas và agent tổng quát

MCP-Atlas đo khả năng mô hình điều phối các lần gọi công cụ thông qua Model Context Protocol, và Muse Glimmer đạt 75,5 so với 62,5 của Qwen3.6-27B và 54,2 của Gemma4-31B.

Trên DeepSearch QA, một benchmark cho truy xuất thông tin nhiều bước, Muse Glimmer đạt 74,6, nhỉnh hơn 71,1 của Qwen3.6-27B và bỏ khá xa 61,7 của Gemma4-31B.

Bức tranh không đồng đều. Trên OSWorld-Verified, kiểm tra agent sử dụng máy tính trong môi trường desktop thực, Muse Glimmer đạt 65,9 trong khi Qwen3.6-27B dẫn đầu với 75,6, nên Qwen là lựa chọn mạnh hơn cho agent điều khiển màn hình.

SWE-Bench và lập trình theo kiểu agent

SWE-Bench Verified đo việc mô hình có thể giải quyết issue GitHub thực bằng cách viết và gỡ lỗi mã.

Muse Glimmer đạt 76,0, sát 77,2 của Qwen3.6-27B và vượt 66,6 của Gemma4-31B.

Trên Terminal-Bench 2.1, kiểm tra hoàn thành tác vụ dòng lệnh, Muse Glimmer kém với 51,7 so với 60,7 của Qwen3.6-27B. Tham chiếu, khi chúng tôi fine-tune Qwen3.6 trong hướng dẫn riêng, chúng tôi thấy ưu thế của nó trên SWE-bench và Terminal-Bench được thể hiện trong thực tế, nên lợi thế của Qwen ở tác vụ terminal tại đây phù hợp với quan sát của chúng tôi.

Lập luận: AIME 2026 và GPQA Diamond

AIME 2026 là benchmark toán thi đấu, và Muse Glimmer đạt 94,7, nhỉnh hơn 94,1 của Qwen3.6-27B và vượt 89,2 của Gemma4-31B.

Đó là kết quả mạnh mẽ cho một mô hình nhỏ như vậy.

Trên GPQA Diamond, tập câu hỏi khoa học trình độ sau đại học, Muse Glimmer đạt 83,5 trong khi Gemma4-31B dẫn đầu với 85,7, và Qwen3.6-27B ở mức 84,2.

Trên Humanity's Last Exam (văn bản, không công cụ), Muse Glimmer đạt 22,0, hơi kém hơn cả hai đối thủ.

Đa phương thức: MMMU Pro và Charxiv

MMMU Pro kiểm tra suy luận đa phương thức giữa hình ảnh và văn bản ở độ khó sau đại học, và ba mô hình gần như tương đương: Muse Glimmer 74, Qwen3.6-27B 75, Gemma4-31B 73.

Trên Charxiv Reasoning, kiểm tra diễn giải biểu đồ, Muse Glimmer đạt 78,8, nhỉnh hơn đôi chút so với cả hai đối thủ.

Tuyên bố thế mạnh của Meta trên ScreenSpot Pro không hoàn toàn đúng: Muse Glimmer đạt 75,4 trong khi Qwen3.6-27B dẫn với 76,1.

Hạng mục đa phương thức đủ sít sao để không trở thành yếu tố quyết định giữa các mô hình này.

An toàn: CI Memories và Siren AgentDojo

Trên CI Memories, đo tỷ lệ vi phạm quyền riêng tư (càng thấp càng tốt), Muse Glimmer ghi nhận tỷ lệ vi phạm 26,4 so với 12,1 sạch hơn nhiều của Gemma4-31B và 53,4 của Qwen3.6-27B.

Vì vậy, Muse Glimmer nằm giữa các đối thủ ở đây, an toàn hơn Qwen nhưng kém xa Gemma theo chỉ số này.

Trên Siren AgentDojo, đo khả năng chống tấn công prompt-injection, Muse Glimmer cho thấy tỷ lệ tấn công thành công 28,4 với độ hữu dụng 94,2, so với 25,6 của Gemma4-31B và 40,3 của Qwen3.6-27B. Nếu bạn triển khai agent chạm tới nội dung không tin cậy, khả năng chống injection này đáng để cân nhắc.

Giá cả và khả dụng của Muse Glimmer

Muse Glimmer được phân phối dưới dạng trọng số mở theo Apache 2.0, và không có API chính chủ do Meta lưu trữ.

Điều đó có nghĩa không có mức giá theo token từ Meta để báo cáo: chi phí của bạn là hạ tầng và tự lưu trữ, không phải phí API theo lưu lượng.

Bạn có thể bắt đầu theo nhiều cách:

• Tải trọng số trực tiếp từ Hugging Face
• Chạy cục bộ qua Ollama, LM Studio, hoặc Unsloth
• Triển khai trên các framework biên như llama.cpp, ExecuTorch, và MLX
• Phục vụ ở quy mô lớn với vLLM và SGLang
• Dùng nhà cung cấp lưu trữ bên thứ ba như Together AI, Fireworks AI, và OpenRouter
• Fine-tune thêm với TorchTitan của PyTorch

Meta đang làm việc với AMD, Arm, Dell, Intel và NVIDIA để tinh chỉnh hiệu năng trên nhiều thiết bị.

Mục tiêu phần cứng thực tế là máy 24 GB hoặc 32 GB: Meta báo cáo bản K-Quant-17GB cộng với drafter DFlash đã lượng tử hóa tăng tốc giải mã 3,1x trên RTX 5090, 1,8x trên M5 Max và 1,5x trên M4 Max.

Kết luận

Muse Glimmer cho thấy Meta đặt cược có chủ đích vào các agent cục bộ, riêng tư, trọng số mở thay vì một đầu tàu đám mây khác.

Bằng cách giới hạn ở 30B và phát hành trọng số đã lượng tử hóa vừa trên một GPU tiêu dùng duy nhất, Meta đang nhắm tới một ngách mà đa số phòng lab bỏ qua: nhà phát triển muốn một agent chạy ngoại tuyến với ngữ cảnh cá nhân không bao giờ rời khỏi thiết bị.

Thẳng thắn mà nói, đây là một stack dành cho người xây dựng, không phải giải pháp thay thế đám mây một cú nhấp chuột.

Câu chuyện benchmark còn pha trộn (Qwen3.6-27B vẫn dẫn trên OSWorld-Verified và Terminal-Bench 2.1, và Gemma4-31B “sạch” hơn trên CI Memories), và người đánh giá mô tả Muse Glimmer chậm và mong manh khi gần ngưỡng bộ nhớ. Nhưng dẫn đầu phân khúc kích thước trên MCP-Atlas và DeepSearch QA, cùng giấy phép Apache 2.0 thoáng, khiến đây là lựa chọn nghiêm túc cho bất kỳ ai xây dựng agent cục bộ.

Lưu ý là không có âm thanh, video chỉ ở dạng khung hình, độ bao phủ ngôn ngữ không đồng đều, và chỉ có benchmark từ nhà cung cấp cho tới khi có tái lập độc lập.

Nếu quy trình làm việc của bạn nhạy về quyền riêng tư hoặc thực sự cần chạy không có mạng, Muse Glimmer đáng để tải về và thử nghiệm so với Qwen3.6 trên phần cứng của chính bạn.

Nếu bạn muốn xây dựng kỹ năng để tự chạy và tinh chỉnh những mô hình như thế này, tôi khuyến nghị bài hướng dẫn về xây dựng agent AI tự động đầu tiên của bạn.