Meta Muse Glimmer 亮相：300 億參數開放模型，將祖克柏的「個人超級智慧」願景帶入你我裝置

Meta 於近期發布了 Muse Glimmer，這是一個具備 300 億參數的開放權重（open-weight）多模態 AI 模型。其核心目標是讓 AI 代理（AI agents）能在個人消費級硬體上本地運行，無需依賴雲端運算，為執行長馬克．祖克柏（Mark Zuckerberg）所描繪的「個人超級智慧」（personal superintelligence）願景，提供了迄今最清晰的實踐藍圖。Glimmer 源自 Meta 更強大的閉源模型 Muse Spark，並以寬鬆的 Apache 2.0 授權開放，讓開發者能自由下載與修改。

Meta 的「個人超級智慧」願景

祖克柏曾多次闡述其對先進 AI 的看法：AI 應賦予個人權力，而非僅集中在少數公司手中。他也在最新的一封信中重申此願景，強調廣泛分發超級智慧：

「有潛力開啟一個個人賦權的新時代，讓個人能運用這項強大的新能力，充分發揮潛力、追求興趣，並以前所未有的方式改善他們的生活與世界。」

祖克柏列舉了多種改善生活的方式，從提供「全天候為你服務，改善你的人際關係、健康、事業、財務、家庭管理、嗜好等等」的個人代理，到協助人們創建新事業或推動科學進步的工具。他承諾「每個人都能免費或以負擔得起的價格使用這些工具」。

Glimmer 的設計理念與此願景高度契合：它能在使用者裝置上處理資訊，而非將資料傳輸至雲端，從而奠定更注重隱私的個人代理基礎。此外，Glimmer 具備「隨時在線」（always-on）能力，無論有無網路連線，都能「隨時隨地」運作。

然而，TechCrunch 指出，使用權並不等同於所有權。Meta 區分了開放模型（如 Glimmer）與其掌控下的更強大模型（如 Muse Spark），這暗示了 Meta 在開放 AI 與保留核心技術之間的策略界線。

Glimmer 的技術突破與應用潛力

Muse Glimmer 是一個 300 億參數的多模態模型，專為「隨時在線」的本地代理工作流程而調校。

技術挑戰與解決方案

通常，300 億參數的模型需要超過 55 GB 的記憶體才能以全精度運行。Meta 透過將模型壓縮至約 4 位元精度，成功將語言模型部分所需的記憶體降至 20 GB 以下，使其能在單一消費級 GPU（如 24 GB 或 32 GB 顯示記憶體）或 M4/M5 Max Mac 上運行。

Meta 提供了兩種量化版本：K-Quant-Dynamic 針對 32 GB VRAM，平均準確度下降 0.2%；K-Quant-17GB 針對 24 GB VRAM，平均準確度下降 1.0%。

速度提升

為確保模型能足夠快速地響應，Meta 導入了名為 DFlash 的區塊級推測解碼器（block-level speculative decoding）。DFlash 是一個區塊擴散草稿器（block-diffusion drafter），能在單次前向傳遞中預測 16 個詞元（tokens），而主模型則同時驗證該區塊。

根據 Meta 測量，在 RTX 5090 上，K-Quant-17GB 的吞吐量從 74.9 tok/s 提升至 233.4 tok/s，速度提升 3.1 倍。在 Apple M5 Max 上，從 26.6 tok/s 提升至 50.2 tok/s；M4 Max 則從 23.7 tok/s 提升至 37.8 tok/s。

應用場景

Glimmer 旨在執行多步驟任務，例如呼叫工具、編寫與偵錯程式碼、處理檔案和螢幕截圖，以及在擴展工作流程中執行任務。Meta 設想 Glimmer 可用於管理日程、起草訊息、組織文件等需要大量個人資料存取權限的任務。MarkTechPost 則列舉了更廣泛的應用，包括：讀取螢幕截圖的桌面代理、程式碼代理、基於模式（schema-based）的函數呼叫、文件與圖表理解、合成資料生成，以及作為評估工具的 LLM。

目標用戶與產業

獨立開發者與新創公司：可在配備 24 GB GPU 或 M4/M5 Max Mac 的裝置上運行。
中型市場團隊：實現內部部署推論（on-prem inference），避免按詞元計費。
受監管企業：獲得可氣隙隔離（air-gappable）的代理，適用於資料駐留、離線操作或低延遲至關重要的場景。
產業：醫療保健、法律、金融服務、國防與公共部門、製造業以及現場服務。Meta 建議在部署模型時，應增加系統級防護措施。

模型架構與訓練

Muse Glimmer 是一個稠密因果轉換器（dense causal transformer），配備專用的感知編碼器（perception encoder）。總參數約 300 億，包含視覺塔（vision tower）。其分組查詢注意力（Grouped-query attention）使用 32 個查詢頭和 2 個 KV 頭，注意力機制以 [局部、局部、局部、全域] 的模式重複，滑動窗口為 2,048。旋轉位置嵌入（RoPE）僅應用於局部層。

視覺側是一個約 18 億參數的 ViT-G/14 感知編碼器，每個圖像最多可接受 4,096 個視覺詞元。上下文長度為 131,072+，詞彙量為 202,048 詞元，知識截止日期為 2026 年 1 月 4 日。輸入為文字和圖像，輸出為文字。不支援音訊，影片則作為獨立影格處理。

訓練過程分為三個階段：

預訓練（Pre-training）：使用 Muse Spark 輸出的 logit 蒸餾（logit distillation）。
中期訓練（Mid-training）：添加了更長上下文、代理密集型（agent-heavy）資料，並包含更豐富的推理軌跡。
後期訓練（Post-training）：結合了監督式微調（supervised fine-tuning）與策略內蒸餾（on-policy distillation），以及跨通用、推理、程式碼和代理領域的強化學習。

效能與安全評測

Meta 將 Muse Glimmer 在「思考模式」（thinking mode）下與 Gemma4-31B 和 Qwen3.6-27B 進行比較；以下數字來自 Meta 的測試設定，不等同於獨立第三方實測，跨模型結果仍會受提示、框架與硬體配置影響。

表現優勢：Glimmer 在多項基準測試中領先，包括 MCP Atlas（75.5 分，對比 54.2 和 62.5）、DeepSearch QA（74.6）、Gaia2（43.3）和 SWE-Bench Pro（51.2）。
推理分數：在 AIME 2026 達到 94.7、IFBench 77.0、AA-LCR 80.0。
表現劣勢：Glimmer 在 OSWorld-Verified（65.9 對比 Qwen3.6-27B 的 75.6）、TerminalBench 2.1（60.7）和 SWE-Bench Verified（77.2）等電腦使用和終端機工作相關的基準測試中落後於 Qwen3.6-27B。

依 Meta 公布的這組測試，Glimmer 在代理協調（agentic orchestration）和推理（reasoning）的部分項目領先，但在電腦使用和終端機工作項目落後；這比較適合用來理解模型定位，而不是直接推定所有實際工作負載的勝負。

安全性方面，在 Siren AgentDojo 攻擊成功率為 28.4（實用性 94.2）。Meta 表示該模型未達到其「先進 AI 擴展框架」（Advanced AI Scaling Framework）中「前沿 AI」（Frontier AI）的定義，並將化學/生物、網路和失控風險評為中等或更低。

結語：開放與掌控的界線

Muse Glimmer 的發布，不僅展示了 Meta 在將大型 AI 模型推向個人裝置的技術實力，也為祖克柏的「個人超級智慧」願景勾勒出具體輪廓。它作為 Meta 首個開放權重、能在消費級硬體上本地運行的代理模型，明確劃分了 Meta 願意開放給開發者和用戶「擁有」的 AI 類型，與其仍將「掌控」的更強大智慧之間的界線。這項策略性的區分，將是未來觀察 Meta 如何平衡 AI 普及化與技術控制的關鍵指標。