Meta，欢迎重返开源阵营。兜兜转转，Llama的开源接力棒如今交到了MSL（Meta Special Projects）手中。小扎的“亿元俱乐部”首度开源重磅新作——Muse Glimmer。这款模型主打消费级本地Agent，参数量仅30亿，经过量化处理后，一块24GB的消费级显卡即可流畅运行。
虽然参数不大，但这却是一个真正具备实战能力的Agent，涵盖了从规划、工具调用到自我检查和故障恢复的全套能力。此外，Meta还预告，备受期待的Muse Spark 1.2开放权重版本也将在不久后发布。
小扎为此专门撰写了一篇长文，态度十分鲜明：限制开源是大错特错！他明确表示MSL已步入正轨，公司将恢复发布部分开放模型。看来，北美开源界的“灯塔”小扎又回来了！这一波，老黄的“开源协议”确实给大分：Meta前知名同事杨立昆（LeCun）也迅速在评论区力挺。
### 01、MSL接棒开源，打造消费级小钢炮
Meta此次开源的基础模型名为Muse Glimmer。根据模型卡信息，其总参数量约为296亿，包含一个约18亿参数的视觉编码器，上下文长度超过13万Token，支持文本和图像输入。
它不仅支持单块消费级显卡运行，还适配本地Agent、工具函数调用、本地代码开发以及大模型裁判评测等多种应用场景。简单来说，设计初衷就是在本地硬件内存和计算限制下，平衡Agent的多功能需求。
为此，Meta将训练过程分为三个阶段：首先从更大的Muse Spark中蒸馏能力，随后增加长上下文和Agent专项任务，最后通过监督微调、在线蒸馏和强化学习补足推理、编程与工具调用能力。本质上，这是让大模型先示范，再将这套“办事方法”压缩进更小的模型中。
**工程优化与性能：**
Meta在压缩层面做了两层优化：
**量化：** 完整精度的300亿参数模型需要超过55GB内存，而17GB版本可直接落地24GB显存。官方数据显示，这一版本在15项常用评测上的平均准确率损失约为1%；针对32GB设备，平均损失仅为0.2%。这意味着部署门槛大幅降低。
**DFlash推测解码：** 传统模型逐个Token生成，而DFlash先提出一组候选Token再由主模型核对。实测显示，Muse Glimmer在RTX 5090上的生成速度由74.9 Token/s提升至233.4 Token/s，达到3.1倍；在M4 Max和M5 Max上分别获得1.5倍和1.8倍加速。
**官方测评：** 在多个考察Agent能力的基准测试上，Muse Glimmer均略优于Gemma4-31B和Qwen3.6-27B。不过，在OSWorld-Verified、SWE-Bench Verified和TerminalBench 2.1等测试中，Qwen3.6-27B仍处于领先地位。Meta自己也承认，Muse Glimmer的整体能力弱于Muse Spark，未达到前沿AI标准。因此，其最准确的定位是一款低门槛Agent：能力未必处处第一，但该有的都有，且24GB显存即可部署。
### 02、Muse Glimmer只是开场，小扎的“开源宣言”
实际上，Muse Glimmer只是小扎重回开源路线的急先锋。如果仅看参数，这是一款工程取舍非常明确的本地模型；但若将其与小扎的最新文章结合来看，事情就变得意味深长。
扎克伯格在文章中将AI公司的选择划分为两派：一派是将超级智能集中在少数实验室、企业和政府手中，用统一规则决定模型能力；另一派则是将能力广泛分发，让每个人拥有与自己目标一致的个人Agent。显然，Meta选择了后者。
小扎认为，未来的个人Agent需要全天候理解用户的健康、工作、财务、家庭和兴趣，甚至能观察训练状态、安排食谱、购买食材。Agent越有用，接触的个人信息就越深。因此，他承诺Meta将提供公司无法查看的完全隐私模式，同时让超级智能免费或以尽可能低的价格覆盖数十亿人。
未来，Meta将继续开源部分模型，模型发布标准将先交由独立董事会审批，并保留相关安全评估。他的理由十分直接：这不仅是为了开发者生态，也是因为开放权重模型是产业竞争的关键。这与英伟达老黄此前提出的开源倡议理念如出一辙，都强调了开放权重模型对AI生态健康的重要性。当时几乎所有硅谷AI公司都签了名，唯有Anthropic例外。
签名是一回事，做是另一回事。打响开源第一枪的，意料之外又情理之中，依然是Meta的MSL。