Meta Superintelligence Labs 于 2026 年 8 月 10 日发布了 Muse Glimmer，这次 2026 年新模型发布的独特之处在于：它能在笔记本电脑上运行。
这是一个面向本地、常驻工作流打造的 300 亿参数智能体模型，以 Apache 2.0 许可证开源权重发布。
最引人注目的卖点是：Muse Glimmer 可在单块 24 GB 消费级 GPU 或 Mac 级统一内存系统上，作为完整智能体运行（规划、工具调用、自检与故障恢复）。它配备 12 万+上下文窗口，支持文本与图像多模态输入，并提供量化权重，将模型压缩至 20 GB 以内。Meta 已在 Hugging Face 开源权重，并提供开发者文档。
本文将全面介绍 Muse Glimmer 的新变化，包括功能亮点、与 Qwen3.6-27B 和 Gemma4-31B 的基准对比，以及本地部署技巧。您也可以阅读我们的独立本地运行 Muse Glimmer 进行 AI 编码指南。
若想进一步了解本地运行模型，请查看我们的Qwen3.6 微调教程，并通过AI 智能体基础技能路径快速上手。
要点速览
- Muse Glimmer 是 Meta Superintelligence Labs 于 2026 年 8 月 10 日发布的 30B 开源权重（Apache 2.0）智能体模型。
- 可在单块 24 GB 或 32 GB GPU 或 Mac 上本地运行，权重量化至约 4 比特（小于 20 GB）。
- 在 MCP-Atlas（75.5）与 DeepSearch QA（74.6）上领跑同量级，但在 OSWorld-Verified 和 Terminal-Bench 2.1 上落后于 Qwen3.6-27B。
- 支持文本与图像输入，仅输出文本。不支持音频，视频按逐帧处理。
- 无 Meta 自托管 API；需自托管或使用 Together AI、Fireworks AI 等第三方服务。
Muse Glimmer 是什么？
Muse Glimmer 是来自 Meta Superintelligence Labs 的 300 亿参数致密模型，重点优化于本地智能体工作流，而非云端聊天。
它定位为更大型内部教师模型 Muse Spark 的更小型蒸馏“兄弟”，Meta 明确表示 Muse Glimmer 不符合其“前沿 AI（Frontier AI）”定义。
此处的新意在于部署目标。
大多数具备此等能力的智能体模型都假设有数据中心支撑，而 Muse Glimmer 旨在离线运行于单块消费级 GPU 上。
Meta 将权重量化压缩至约 4 比特，使语言模型小于 20 GB，从而在 24 GB 或 32 GB 的内存预算中仍有余量。
最醒目的基准是通用智能体基准 MCP-Atlas：Muse Glimmer 得分 75.5，对比 Qwen3.6-27B 的 62.5 与 Gemma4-31B 的 54.2。
对于一款可在无网络下运行的模型而言，在智能体编排上领跑同量级，正是这次发布的意义所在。
Muse Glimmer 的核心特性
Muse Glimmer 围绕本地运行个人智能体而构建，其特性聚焦于任务完成、工具使用，以及在有限硬件上的高响应性。
以下是对实践者最关键的能力。
离线运行完整智能体
您可以将 Muse Glimmer 指向一个多步骤任务，让其进行规划、调用工具、自检并在无网络的情况下从失败中恢复。
Meta 首席 AI 官 Alexandr Wang 表示，该模型可“作为功能完备的智能体”运行，并可在 24 GB 显存条件下保持智能体级的可靠性。
对实践者而言，这改变了智能体的部署场所。
一个帮您撰写邮件、整理文件或梳理日程的模型需要深度访问个人上下文，将这些上下文保留在设备上与发往云端 API 的隐私姿态截然不同。
具备失败恢复的可靠工具调用
Muse Glimmer 可在长链路工作流中按精确模式调用工具；当调用失败或返回异常结果时，模型会诊断错误并重试，而不是直接中止。这样的失败恢复能力，决定了一个智能体是把任务做完，还是中途停摆。
它可适配 OpenClaw 等多种智能体编排范式，避免被锁定在单一脚手架中。
Meta 在文档中提供了搭建自定义脚手架的指南，这很关键，因为智能体质量往往更多取决于外部的“束具”，而不仅仅是底层模型。
读取截图、图表与文档
借助专用感知编码器，Muse Glimmer 支持交错的文本与图像输入，因此智能体可以在对话中理解错误对话框的截图、销售图表或扫描发票。
这是“文本与图像输入、仅文本输出”。
这里有个需要强调的实际限制：没有音频输入输出，视频仅按独立帧处理，而非真正的视频理解。
如果您的工作流需要端到端观看屏幕录制，这不是合适的模型。
可控的推理强度
Muse Glimmer 支持不同的推理强度，您可以根据任务在质量与速度间取舍。
重命名文件的简单智能体无需与多步骤调试相同的深度思考，能够在设备上灵活调节有助于维持低延迟。
模型亦训练于 100 多种语言的数据之上，但 Meta 提醒并未对所有语言进行评估，超出强支持语种范围时质量可能下降。
Meta 使用自家测试框架，将 Muse Glimmer 与 Gemma4-31B、Qwen3.6-27B 在智能体、编码、多模态、安全与推理等维度进行了对比评估。
撰文时尚无独立复现结果落地，因此这些数据应视为厂商指标。
Muse Glimmer 在通用智能体基准上领跑同量级，但在多项电脑使用与终端任务上落后于 Qwen3.6-27B。
Muse Glimmer vs Qwen3.6-27B vs Gemma4-31B 一览
下表可快速对比 Muse Glimmer 与竞品的表现：
| Benchmark | Muse Glimmer-30B | Qwen3.6-27B | Gemma4-31B |
|---|
| MCP-Atlas | 75.5 | 62.5 | 54.2 |
| DeepSearch QA | 74.6 | 71.1 | 61.7 |
| OSWorld-Verified | 65.9 | 75.6 | 58.5 |
| SWE-Bench Verified | 76.0 | 77.2 | 66.6 |
| Terminal-Bench 2.1 | 51.7 | 60.7 | 43.4 |
| AIME 2026 | 94.7 | 94.1 | 89.2 |
| GPQA Diamond | 83.5 | 84.2 | 85.7 |
| MMMU Pro | 74 | 75 | 73 |
MCP-Atlas 与通用智能体
MCP-Atlas 评估模型通过 Model Context Protocol 编排工具调用的能力。Muse Glimmer 得分 75.5，对比 Qwen3.6-27B 的 62.5 和 Gemma4-31B 的 54.2。
在多步骤信息检索基准 DeepSearch QA 上，Muse Glimmer 得分 74.6，略高于 Qwen3.6-27B 的 71.1，且显著领先于 Gemma4-31B 的 61.7。
结果并不一边倒。在 OSWorld-Verified（在真实桌面环境测试电脑使用智能体）上，Muse Glimmer 得分 65.9，而 Qwen3.6-27B 以 75.6 领先，因此在“驱屏类”智能体上 Qwen 更具优势。
SWE-Bench 与智能体编码
SWE-Bench Verified 测试模型能否通过编写与调试代码解决真实的 GitHub 问题。
Muse Glimmer 得分 76.0，接近 Qwen3.6-27B 的 77.2，领先于 Gemma4-31B 的 66.6。
在命令行任务完成度测试 Terminal-Bench 2.1 上，Muse Glimmer 以 51.7 落后于 Qwen3.6-27B 的 60.7。作为参考，我们在自己的Qwen3.6 微调教程中发现，其在 SWE-Bench 与 Terminal-Bench 上的优势在实操中同样明显，这与此处 Qwen 在终端任务上的领先相吻合。
推理：AIME 2026 与 GPQA Diamond
AIME 2026 是竞赛数学基准，Muse Glimmer 得分 94.7，略高于 Qwen3.6-27B 的 94.1，并领先 Gemma4-31B 的 89.2。
对这样体量的模型而言，这是很强的结果。
在研究生难度的科学问答 GPQA Diamond 上，Muse Glimmer 得分 83.5，Gemma4-31B 以 85.7 领先，Qwen3.6-27B 为 84.2。
在 Humanity's Last Exam（纯文本、无工具）上，Muse Glimmer 得分 22.0，略落后于两位对手。
多模态：MMMU Pro 与 Charxiv
MMMU Pro 测试图文多模态推理（研究生难度），三者表现几乎一致：Muse Glimmer 74、Qwen3.6-27B 75、Gemma4-31B 73。
在图表理解的 Charxiv Reasoning 上，Muse Glimmer 得分 78.8，略高于两位对手。
Meta 对 ScreenSpot Pro 的自家强项说法并未完全兑现：Muse Glimmer 得分 75.4，而 Qwen3.6-27B 以 76.1 领先。
总体来看，多模态项目的差距不足以成为这几款模型间的决定性因素。
安全性：CI Memories 与 Siren AgentDojo
在衡量隐私违规率（越低越好）的 CI Memories 上，Muse Glimmer 的违规率为 26.4，对比 Gemma4-31B 更低的 12.1 与 Qwen3.6-27B 的 53.4。
因此在该指标上，Muse Glimmer 介于两者之间，比 Qwen 更安全，但明显落后于 Gemma。
在测量对提示注入攻击抵抗力的 Siren AgentDojo 上，Muse Glimmer 显示 28.4 的攻击成功率与 94.2 的可用性；Gemma4-31B 为 25.6，Qwen3.6-27B 为 40.3。若您的智能体需接触不受信内容，这方面的抗注入能力值得权衡。
Muse Glimmer 的价格与可用性
Muse Glimmer 以 Apache 2.0 许可证开源权重形式发布，Meta 不提供自家托管的第一方 API。
这意味着 Meta 不会有按 Token 计费：您的成本在于基础设施与自托管，而非按量计费的 API。
您可以通过以下途径开始使用：
- 直接从 Hugging Face 下载权重
- 通过 Ollama、LM Studio 或 Unsloth 本地运行
- 在 llama.cpp、ExecuTorch 与 MLX 等边缘框架上部署
- 使用 vLLM 与 SGLang 进行大规模服务
- 选择 Together AI、Fireworks AI、OpenRouter 等托管第三方
- 使用 PyTorch 的 TorchTitan 进一步微调
Meta 正与 AMD、Arm、Dell、Intel 与 NVIDIA 合作，在多种设备上调优性能。
实际硬件目标是 24 GB 或 32 GB 机器：Meta 报告称，K-Quant-17GB 构建加上量化的 DFlash drafter，可在 RTX 5090 上将解码加速至 3.1 倍，在 M5 Max 上为 1.8 倍，在 M4 Max 上为 1.5 倍。
结语
Muse Glimmer 体现了 Meta 对本地、私密、开源权重智能体的明确押注，而非再打造一个云端旗舰。
通过将规模限定在 30B，并发布可在单块消费级 GPU 上承载的量化权重，Meta 瞄准了多数实验室忽视的细分场景：希望在离线环境下运行、且个人上下文从不离开设备的开发者。
坦率地说，这是一套面向构建者的技术栈，而非“一键”替代云端。
基准表现喜忧参半（Qwen3.6-27B 仍在 OSWorld-Verified 与 Terminal-Bench 2.1 上领先，Gemma4-31B 在 CI Memories 上更“干净”），且有评测者指出 Muse Glimmer 在逼近内存上限时偏慢且脆弱。但其在 MCP-Atlas 与 DeepSearch QA 上领跑同量级，加之宽松的 Apache 2.0 许可证，使其成为搭建本地智能体的有力选项。
需要注意的限制包括：不支持音频、视频仅按帧处理、语言覆盖不均衡，以及在独立复现出现前仅有厂商基准。
如果您的工作流对隐私敏感，或确实需要在无网络环境下运行，Muse Glimmer 值得下载并在您的硬件上与 Qwen3.6 进行对比测试。
若您希望亲自掌握此类模型的运行与调优技能，推荐我们的首个自主 AI 智能体构建教程。
Meta Superintelligence Labs 于 2026 年 8 月 10 日发布了 Muse Glimmer，这次 2026 年新模型发布的独特之处在于：它能在笔记本电脑上运行。
这是一个面向本地、常驻工作流打造的 300 亿参数智能体模型，以 Apache 2.0 许可证开源权重发布。
最引人注目的卖点是：Muse Glimmer 可在单块 24 GB 消费级 GPU 或 Mac 级统一内存系统上，作为完整智能体运行（规划、工具调用、自检与故障恢复）。它配备 12 万+上下文窗口，支持文本与图像多模态输入，并提供量化权重，将模型压缩至 20 GB 以内。Meta 已在 Hugging Face 开源权重，并提供开发者文档。
本文将全面介绍 Muse Glimmer 的新变化，包括功能亮点、与 Qwen3.6-27B 和 Gemma4-31B 的基准对比，以及本地部署技巧。您也可以阅读我们的独立本地运行 Muse Glimmer 进行 AI 编码指南。
若想进一步了解本地运行模型，请查看我们的Qwen3.6 微调教程，并通过AI 智能体基础技能路径快速上手。
要点速览
Muse Glimmer 是什么？
Muse Glimmer 是来自 Meta Superintelligence Labs 的 300 亿参数致密模型，重点优化于本地智能体工作流，而非云端聊天。
它定位为更大型内部教师模型 Muse Spark 的更小型蒸馏“兄弟”，Meta 明确表示 Muse Glimmer 不符合其“前沿 AI（Frontier AI）”定义。
此处的新意在于部署目标。
大多数具备此等能力的智能体模型都假设有数据中心支撑，而 Muse Glimmer 旨在离线运行于单块消费级 GPU 上。
Meta 将权重量化压缩至约 4 比特，使语言模型小于 20 GB，从而在 24 GB 或 32 GB 的内存预算中仍有余量。
最醒目的基准是通用智能体基准 MCP-Atlas：Muse Glimmer 得分 75.5，对比 Qwen3.6-27B 的 62.5 与 Gemma4-31B 的 54.2。
对于一款可在无网络下运行的模型而言，在智能体编排上领跑同量级，正是这次发布的意义所在。
Muse Glimmer 的核心特性
Muse Glimmer 围绕本地运行个人智能体而构建，其特性聚焦于任务完成、工具使用，以及在有限硬件上的高响应性。
以下是对实践者最关键的能力。
离线运行完整智能体
您可以将 Muse Glimmer 指向一个多步骤任务，让其进行规划、调用工具、自检并在无网络的情况下从失败中恢复。
Meta 首席 AI 官 Alexandr Wang 表示，该模型可“作为功能完备的智能体”运行，并可在 24 GB 显存条件下保持智能体级的可靠性。
对实践者而言，这改变了智能体的部署场所。
一个帮您撰写邮件、整理文件或梳理日程的模型需要深度访问个人上下文，将这些上下文保留在设备上与发往云端 API 的隐私姿态截然不同。
具备失败恢复的可靠工具调用
Muse Glimmer 可在长链路工作流中按精确模式调用工具；当调用失败或返回异常结果时，模型会诊断错误并重试，而不是直接中止。这样的失败恢复能力，决定了一个智能体是把任务做完，还是中途停摆。
它可适配 OpenClaw 等多种智能体编排范式，避免被锁定在单一脚手架中。
Meta 在文档中提供了搭建自定义脚手架的指南，这很关键，因为智能体质量往往更多取决于外部的“束具”，而不仅仅是底层模型。
读取截图、图表与文档
借助专用感知编码器，Muse Glimmer 支持交错的文本与图像输入，因此智能体可以在对话中理解错误对话框的截图、销售图表或扫描发票。
这是“文本与图像输入、仅文本输出”。
这里有个需要强调的实际限制：没有音频输入输出，视频仅按独立帧处理，而非真正的视频理解。
如果您的工作流需要端到端观看屏幕录制，这不是合适的模型。
可控的推理强度
Muse Glimmer 支持不同的推理强度，您可以根据任务在质量与速度间取舍。
重命名文件的简单智能体无需与多步骤调试相同的深度思考，能够在设备上灵活调节有助于维持低延迟。
模型亦训练于 100 多种语言的数据之上，但 Meta 提醒并未对所有语言进行评估，超出强支持语种范围时质量可能下降。
Muse Glimmer 基准测试
Meta 使用自家测试框架，将 Muse Glimmer 与 Gemma4-31B、Qwen3.6-27B 在智能体、编码、多模态、安全与推理等维度进行了对比评估。
撰文时尚无独立复现结果落地，因此这些数据应视为厂商指标。
Muse Glimmer 在通用智能体基准上领跑同量级，但在多项电脑使用与终端任务上落后于 Qwen3.6-27B。
Muse Glimmer vs Qwen3.6-27B vs Gemma4-31B 一览
下表可快速对比 Muse Glimmer 与竞品的表现：
MCP-Atlas 与通用智能体
MCP-Atlas 评估模型通过 Model Context Protocol 编排工具调用的能力。Muse Glimmer 得分 75.5，对比 Qwen3.6-27B 的 62.5 和 Gemma4-31B 的 54.2。
在多步骤信息检索基准 DeepSearch QA 上，Muse Glimmer 得分 74.6，略高于 Qwen3.6-27B 的 71.1，且显著领先于 Gemma4-31B 的 61.7。
结果并不一边倒。在 OSWorld-Verified（在真实桌面环境测试电脑使用智能体）上，Muse Glimmer 得分 65.9，而 Qwen3.6-27B 以 75.6 领先，因此在“驱屏类”智能体上 Qwen 更具优势。
SWE-Bench 与智能体编码
SWE-Bench Verified 测试模型能否通过编写与调试代码解决真实的 GitHub 问题。
Muse Glimmer 得分 76.0，接近 Qwen3.6-27B 的 77.2，领先于 Gemma4-31B 的 66.6。
在命令行任务完成度测试 Terminal-Bench 2.1 上，Muse Glimmer 以 51.7 落后于 Qwen3.6-27B 的 60.7。作为参考，我们在自己的Qwen3.6 微调教程中发现，其在 SWE-Bench 与 Terminal-Bench 上的优势在实操中同样明显，这与此处 Qwen 在终端任务上的领先相吻合。
推理：AIME 2026 与 GPQA Diamond
AIME 2026 是竞赛数学基准，Muse Glimmer 得分 94.7，略高于 Qwen3.6-27B 的 94.1，并领先 Gemma4-31B 的 89.2。
对这样体量的模型而言，这是很强的结果。
在研究生难度的科学问答 GPQA Diamond 上，Muse Glimmer 得分 83.5，Gemma4-31B 以 85.7 领先，Qwen3.6-27B 为 84.2。
在 Humanity's Last Exam（纯文本、无工具）上，Muse Glimmer 得分 22.0，略落后于两位对手。
多模态：MMMU Pro 与 Charxiv
MMMU Pro 测试图文多模态推理（研究生难度），三者表现几乎一致：Muse Glimmer 74、Qwen3.6-27B 75、Gemma4-31B 73。
在图表理解的 Charxiv Reasoning 上，Muse Glimmer 得分 78.8，略高于两位对手。
Meta 对 ScreenSpot Pro 的自家强项说法并未完全兑现：Muse Glimmer 得分 75.4，而 Qwen3.6-27B 以 76.1 领先。
总体来看，多模态项目的差距不足以成为这几款模型间的决定性因素。
安全性：CI Memories 与 Siren AgentDojo
在衡量隐私违规率（越低越好）的 CI Memories 上，Muse Glimmer 的违规率为 26.4，对比 Gemma4-31B 更低的 12.1 与 Qwen3.6-27B 的 53.4。
因此在该指标上，Muse Glimmer 介于两者之间，比 Qwen 更安全，但明显落后于 Gemma。
在测量对提示注入攻击抵抗力的 Siren AgentDojo 上，Muse Glimmer 显示 28.4 的攻击成功率与 94.2 的可用性；Gemma4-31B 为 25.6，Qwen3.6-27B 为 40.3。若您的智能体需接触不受信内容，这方面的抗注入能力值得权衡。
Muse Glimmer 的价格与可用性
Muse Glimmer 以 Apache 2.0 许可证开源权重形式发布，Meta 不提供自家托管的第一方 API。
这意味着 Meta 不会有按 Token 计费：您的成本在于基础设施与自托管，而非按量计费的 API。
您可以通过以下途径开始使用：
Meta 正与 AMD、Arm、Dell、Intel 与 NVIDIA 合作，在多种设备上调优性能。
实际硬件目标是 24 GB 或 32 GB 机器：Meta 报告称，K-Quant-17GB 构建加上量化的 DFlash drafter，可在 RTX 5090 上将解码加速至 3.1 倍，在 M5 Max 上为 1.8 倍，在 M4 Max 上为 1.5 倍。
结语
Muse Glimmer 体现了 Meta 对本地、私密、开源权重智能体的明确押注，而非再打造一个云端旗舰。
通过将规模限定在 30B，并发布可在单块消费级 GPU 上承载的量化权重，Meta 瞄准了多数实验室忽视的细分场景：希望在离线环境下运行、且个人上下文从不离开设备的开发者。
坦率地说，这是一套面向构建者的技术栈，而非“一键”替代云端。
基准表现喜忧参半（Qwen3.6-27B 仍在 OSWorld-Verified 与 Terminal-Bench 2.1 上领先，Gemma4-31B 在 CI Memories 上更“干净”），且有评测者指出 Muse Glimmer 在逼近内存上限时偏慢且脆弱。但其在 MCP-Atlas 与 DeepSearch QA 上领跑同量级，加之宽松的 Apache 2.0 许可证，使其成为搭建本地智能体的有力选项。
需要注意的限制包括：不支持音频、视频仅按帧处理、语言覆盖不均衡，以及在独立复现出现前仅有厂商基准。
如果您的工作流对隐私敏感，或确实需要在无网络环境下运行，Muse Glimmer 值得下载并在您的硬件上与 Qwen3.6 进行对比测试。
若您希望亲自掌握此类模型的运行与调优技能，推荐我们的首个自主 AI 智能体构建教程。