2026 年 8 月 10 日，Meta 在 Hugging Face 上开源了 Muse Glimmer——一个 300 亿参数的多模态模型，采用 Apache-2.0 许可，面向本地、端侧运行智能体（Agent）任务的场景。整套模型经过 4-bit 量化后，可以在一块 24GB 或 32GB 的消费级显卡上运行，完成多步工具调用、读取截图、修改代码这类 Agent 工作，不需要数据中心级硬件。

感知编码器加文本解码器：2B 加 28B

Muse Glimmer 由两部分构成：一个 2B 参数的 ViT 风格感知编码器负责视觉输入，加一个 28B 参数的文本解码器，两者合计 30B 参数。Meta 随模型发布的资源包括 BF16 原始权重、Q4_K_M 形式的 GGUF 量化版、面向端侧部署的 ExecuTorch 构建，以及一个 3B 参数的助手模型；另附带一个名为 DFlash 的块扩散草稿模型，用于投机解码加速推理。

4-bit 量化把整栈压进消费级显存

这套模型能在 24GB 或 32GB 消费级显卡而非数据中心卡上运行，靠的是 4-bit 压缩：权重、KV 缓存、感知编码器与草稿模型，都通过量化控制到消费级显存可容纳的范围。

基准成绩为厂商自报

Meta 给出的成绩包括：MCP Atlas 75.5、SWE-Bench Pro 51.2、AIME 2026 94.7、IFBench 77.0、Charxiv Reasoning 78.8。需要说明，这些是 Meta 在自己选定的榜单上自报的数字，宜按厂商计分卡看待。比榜单排名更实际的，是它在你自己 Agent 任务上的表现。

上下文长度与安全分数两处短板

官方博客给出的上下文长度是 32768 token，对它所主攻的长程 Agent 运行而言偏短。博客也没有解释所报安全分数——CI Memories Violation 26.4、Siren AgentDojo 攻击成功率 28.4——如何转化为现实世界里一个会浏览网页、打开文件、调用工具的 Agent 的防护能力。

本地回退成为可选项

如果 30B 模型确实能在单卡上完成多步工具调用、读屏与代码编辑，那么过去沉淀在付费 API 里的那部分 Agent 栈（调用、日志、逐 token 计费）就会迁移到用户自己的硬件上。这对隐私敏感团队、学生，以及托管服务昂贵或受限地区的用户，是一处实质变化。

结论

Muse Glimmer 的价值不在于榜单排名，而在于它把「本地运行 Agent」推进成可检验的事实。对正在规划下一个季度 Agent 路线的团队来说，本地回退方案应被纳入成本核算。