Muse Glimmer es el nuevo modelo abierto de Meta para ejecutar agentes de IA en un Mac o PC con una sola GPU de consumo. La empresa publicó sus pesos bajo licencia Apache 2.0 y lo presenta como una opción para flujos locales con texto, imágenes, herramientas, archivos y código.
Meta sitúa a Muse Glimmer en la franja de 30.000 millones de parámetros y dice que una edición cuantizada, es decir que reduce la precisión matemática de los datos, pero conserva la precisión de las respuestas, baja de 20 GB.
Ese ajuste deja margen para la memoria de trabajo del modelo, el componente de percepción para imágenes y el sistema de decodificación especulativa dentro de equipos con 24 GB o 32 GB disponibles.
La compañía afirma que el modelo fue entrenado con datos de más de 100 idiomas y que puede sostener tareas de varios pasos, recuperar errores de herramientas y mantener planes más largos. Los pesos ya están disponibles en Hugging Face, mientras que integraciones con llama.cpp, MLX y ExecuTorch fueron anunciadas para los próximos días.
El lanzamiento también marca una diferencia frente a Muse Spark, que sigue siendo un modelo cerrado. Muse Glimmer destaca como la versión abierta más cercana a esa línea de producto, pero con límites claros: el acceso local exige hardware compatible y las comparaciones de rendimiento publicadas hasta ahora provienen de evaluaciones hechas por la propia Meta.
Muse Glimmer apunta a agentes locales con una sola GPU
La ficha oficial de Meta describe a Muse Glimmer como un modelo pensado para trabajo agentivo permanente en el dispositivo. En la práctica, eso significa que puede encadenar llamadas a herramientas, revisar capturas de pantalla o documentos, escribir y depurar código, y seguir una tarea durante varios turnos sin depender por completo de la nube.
Meta también destaca la entrada multimodal. Muse Glimmer acepta texto e imágenes intercaladas, de modo que un desarrollador puede combinar instrucciones con gráficos, archivos visuales o pantallas de una aplicación. Ese punto amplía los usos posibles en soporte técnico, automatización de escritorio, análisis de documentos y flujos de programación local.
La empresa añade que el modelo puede reintentar una acción cuando una herramienta falla o devuelve un resultado inesperado. Ese comportamiento es uno de los rasgos más buscados en agentes, porque evita que el sistema se detenga al primer error y permite continuar una secuencia más larga de trabajo.
Meta publicó además documentación para desarrolladores y anunció soporte próximo en socios como Ollama, LM Studio y Unsloth, además de despliegues con vLLM, SGLang y servicios externos como Together AI, Fireworks AI y OpenRouter.
El foco inmediato, sin embargo, está en la ejecución local y no en presentar a Muse Glimmer como un modelo universal para cualquier computador.
Memoria, cuantización y límites de las pruebas publicadas
Uno de los datos más concretos del anuncio está en la memoria. Meta calcula que un modelo de 30.000 millones de parámetros a precisión completa necesitaría más de 55 GB, por lo que recurre a cuantización cercana a 4 bits para reducir el tamaño del modelo principal a menos de 20 GB. Según la empresa, esa compresión introduce una caída mínima o nula en tareas con agentes.
Ese recorte no elimina todos los requisitos. Meta explica que todavía hace falta espacio adicional para la caché de trabajo, el codificador de percepción para imágenes y un modelo auxiliar de decodificación especulativa. Por eso la compañía habla de equipos con 24 GB o 32 GB de memoria disponibles para el conjunto de componentes, no de cualquier portátil o PC básico.
La velocidad también forma parte de la propuesta. Meta asegura que el uso de un modelo auxiliar tipo drafter acelera la generación frente al esquema token por token y publica cifras internas de mejora en hardware como RTX 5090 y chips M4 Max y M5 Max. Esos resultados sirven para entender la estrategia técnica del lanzamiento, pero no equivalen a una validación independiente del rendimiento en uso cotidiano.
En los benchmarks comparativos, Meta enfrenta a Muse Glimmer con modelos de tamaño similar como Gemma4-31B y Qwen3.6-27B, y sostiene que su desempeño es sólido en pruebas de agentes, código, multimodalidad y otras tareas. Esas tablas ayudan a ubicar el producto, aunque por ahora siguen siendo afirmaciones de la empresa.
