Meta 发布 Muse Glimmer 技术报告，推出 30B 开放权重多模态模型

Meta 正式对外发布 Muse Glimmer 完整技术报告，同步开放这款 30B 参数模型全部权重，在 Apache 2.0 许可协议下免费向开发者开放使用，模型采用稠密 Transformer 架构，搭配独立视觉感知编码器，主打本地离线智能体任务，在 24GB 显存的消费级显卡上就能流畅运行多轮工具调用、长文本推理与图文混合任务，在保持高推理性能的同时，大幅降低本地部署的硬件门槛，不用依赖云端接口就能搭建全天候运行的本地 AI 智能体

IT之家

。这款模型之所以能够兼顾大参数规模与本地硬件适配能力，核心来自三方面优化设计，一是从更大规模的 Muse Spark 主模型做知识蒸馏，把高阶推理能力完整迁移到 30B 小体量模型里；二是采用滑动窗口注意力加全局层交替的结构，把 KV 缓存体积压缩到最低，大幅减少长上下文场景下的显存占用；三是专门增加独立视觉编码器，原生支持图文交错输入，把文本推理与图像理解整合到同一个模型里，不用额外外接视觉模型。整套模型从预训练到落地部署，严格遵循多阶段训练、量化压缩、硬件适配三步走的完整流程，每一个环节都围绕本地智能体场景做定制优化，最终实现 30B 稠密模型单卡离线运行，多步骤任务成功率比肩更大参数的开源模型。

一、模型整体架构与核心参数

1. 整体网络结构

Muse Glimmer 30B 属于稠密因果大模型，整体分为两大模块：52 层文本主干网络，外加一个 1.8B 参数的 ViT-G/14 视觉感知编码器，两个模块通过多模态投影层完成信息融合，能够同时接收文字与图片交错输入，直接输出文本内容，全程不需要拆分图文任务

Together A...

2. 核心参数清单

表格

二、三阶段模型训练流程

第一阶段：预训练蒸馏。以 Muse Spark 大模型为教师模型，使用同配比训练数据集做 logit 知识蒸馏，把基础语言能力、逻辑推理能力迁移到 Muse Glimmer，打好模型基础能力，保证小模型保留大模型的推理上限。

第二阶段：中期长上下文训练。扩充训练数据，加入超长推理轨迹、图文交错样本、多轮工具调用记录，让模型学会在十万级 token 上下文里维持逻辑连贯，熟练执行连续多步骤任务。

第三阶段：后对齐优化。结合监督微调、在线蒸馏与强化学习三种方式，针对代码编写、函数调用、任务规划、失败重试四大能力做专项优化，让模型能够自主完成智能体全流程任务，遇到工具调用出错时可以自动调整方案完成任务闭环。

三、量化与本地硬件部署方案

1. 量化压缩方案

官方提供 FP8、4bit 两种量化版本，4bit 量化之后模型整体性能衰减幅度极小，几乎不会影响智能体任务成功率，同时把显存占用压缩到适配消费级硬件的水平

IT之家

2. 主流硬件运行表现

表格

整套部署不需要对模型做分片处理，也不用把部分参数卸载到 CPU 内存，单张显卡就能完整加载全部权重，真正做到纯本地离线运行，全程不产生网络流量。

四、实测任务效果与基准表现

本次评测一共覆盖四类智能体核心任务，包含端到端任务完成、工具调用、多步长推理、故障自动恢复，选用 DeepSearch QA、MCP-Atlas、τ3-Bench、SWE-Bench 主流评测基准。在同等硬件条件下，Muse Glimmer 30B 的多轮智能体任务成功率显著高于同参数规模的稀疏专家模型；和更大参数的开源模型对比，整体差距很小，在本地离线场景下综合表现具备明显优势。同时在图文混合任务里，依托独立视觉编码器，模型可以直接读取截图、图表信息，把图像内容融入任务规划，进一步拓宽本地智能体的使用场景。

五、开放权重落地配套能力

第一，权重分发渠道，模型权重同步上传至 Hugging Face 平台，开发者可以直接下载完整权重文件，支持 LoRA 微调、全参数微调两种二次开发模式；第二，推理优化支持，兼容 NVIDIA NeMo 框架、Ollama 本地推理工具，支持 DFlash 推测解码，进一步降低推理延迟；第三，商用授权，Apache 2.0 协议允许个人开发者与企业直接商用，不需要提交额外申请，大幅降低二次开发门槛

museglimme...

【相关 FAQ】

问题 1：Muse Glimmer 作为 30B 开放权重模型，采用什么架构来实现本地单卡部署？

回答 1：Muse Glimmer 这款 30B 开放权重模型，采用 52 层稠密 Transformer 主干 + 独立 1.8B 视觉编码器的架构，搭配滑动窗口交替全局注意力机制，大幅压缩 KV 缓存占用，再配合 4bit 量化压缩，最终可以在 24GB 显存的单张消费级显卡完成全权重加载，顺利实现本地离线部署。

问题 2：Muse Glimmer 30B 开放权重模型，是通过什么方式获得高阶推理能力？

回答 2：Muse Glimmer 这款 30B 开放权重模型，采用三阶段训练方案，核心环节就是从更大规模的 Muse Spark 主模型做 logit 知识蒸馏，把大模型的高阶逻辑推理、长文本规划能力迁移过来，再通过长上下文训练与强化学习对齐，保证小参数模型依然拥有很强的智能体任务执行能力。

问题 3：Muse Glimmer 30B 开放权重模型，原生支持图文交错输入吗？

回答 3：Muse Glimmer 这款 30B 开放权重模型自带独立 ViT-G/14 感知编码器，原生支持文本与图片交错输入，单张图片最高可以输出 4096 个视觉 token，能够直接识别截图、图表、图纸内容，完成图文混合的本地智能体任务，不需要额外对接第三方视觉模型。

【数据来源】

[2026-10-08]（Meta Muse Glimmer 30B 模型架构详解）Fireworks AI 技术博客

[2026-08-14]（Meta 开源 Muse Glimmer：30B 本地智能模型支持端侧运行）InfoQ

[2026-08-10]（Meta 发布 Muse Glimmer 30B 开源模型，单卡本地运行）IT 之家

[2026-08-10]（Run Local Agentic AI Workflows with Meta’s Muse Glimmer）NVIDIA 技术博客

[2026-08-10]（Muse Glimmer 30B Model Card）Hugging Face 模型主页

免责声明：本文全部内容均来源于 Meta 公开技术报告、开源模型文档以及第三方技术评测资料，仅作技术内容解读，不构成产品采购、项目落地与商业投资建议；模型实际运行效果会受硬件配置、量化精度、提示词设计影响；Muse Glimmer 模型权重知识产权归属 Meta 研究团队，模型使用需要严格遵守 Apache 2.0 开源许可协议。