你让 AI 整理电脑里的文件、看一张报错截图，再修改代码。现在，这类任务通常要把材料发到云端，网络断了也可能无法继续。Meta 想换一条路：让模型直接住进用户的设备，长期待命，需要时调用工具完成一连串工作。
8 月 10 日，Meta 发布 Muse Glimmer。它是一款约有 300 亿个参数的模型，开放模型权重，开发者可以下载、修改并自行运行。它同时接受文字和图像输入，也就是一款多模态模型。更重要的是，Meta 把它定位成常驻 Agent——不是问完即走的聊天窗口，而是能够持续处理上下文、调用工具并推进多步骤任务的软件。
这还不是一款已经成熟的“家庭 AI 管家”。但结合 Mark Zuckerberg 同日重申的个人智能愿景，Glimmer 清楚展示了 Meta 的路线：把一部分 AI 从公司的云端搬回用户手中。
先让模型在家里跑起来
30B 指约 300 亿个参数，是模型规模，不是能力分数。这个体量仍然需要较强硬件，却比超大云端模型更有机会进入工作站或高端家用设备。据 TechCrunch 报道，Glimmer 可以在配备单张消费级 GPU 的 Mac 或 PC 上运行，并能在联网或离线环境中工作。不过，Meta 没有在现有材料里说明具体显卡型号、显存需求、量化精度和生成速度。因此，“消费级硬件可运行”不能理解成普通笔记本都能流畅使用。
模型由两部分组成：一个 20 亿参数的 ViT-style vision encoder——负责把图片转换成模型能处理的信息；以及一个 280 亿参数的 text decoder——根据这些信息理解任务并生成文字或操作步骤。两部分合计 30B。视频也会交给同一个视觉编码器逐帧处理：处理器以每秒 2 帧为目标，最多均匀抽取 96 帧。
文字部分交替使用局部注意力和全局注意力。注意力可以理解成模型阅读时决定“当前最该看哪些内容”的机制：多数层只查看附近约 2,048 个 token——token 是模型切分文字后的基本单位——以节省计算；每四层再安排一层纵览全局，避免只顾眼前。它还让 16 个 query head 共用一组 key-value head，从而把 KV Cache 的相关内存占用降到原来的十六分之一。KV Cache 就像模型生成内容时保存的草稿，免得每写一个字都从头重算。
Glimmer 还配有可选的 speculative decoding drafter。它会先起草候选内容，再由主模型检查，以更多内存换取更快生成。Hugging Face 的介绍称，这种方式尤其适合代码等结构化内容。
它想做的不是聊天，而是办事
据 TechCrunch 报道，Glimmer 面向能够调用工具、处理文件和截图、编写及调试代码的多步骤 Agent，并覆盖超过 100 种语言。换句话说，目标不是回答一句问题，而是接到任务后连续完成若干环节。例如读取报错截图、定位相关文件、修改代码，再检查结果。
这也衔接了 Meta 最近的 Agent 产品线。我们 8 月 7 日介绍过面向大型代码库、长任务和多 Agent 工作流的 Muse Code；Glimmer 则把重点转向用户设备上的开放权重、多模态模型。
“开放权重”需要说准确：开发者拿得到模型训练完成后的参数，可以自行部署；这不等于训练数据、训练代码和完整配方也全部公开。据 TechCrunch 报道，Glimmer 权重采用 Apache 2.0 license。但现有材料不足以把它笼统认定为完整意义上的开源项目。
跑分不错，但不是全面领先
Hugging Face 博客转录的发布成绩显示，Muse Glimmer-30B High Reasoning 在两项 Agent 测试 MCP Atlas 和 DeepSearch QA 上分别得到 75.5 和 74.6，高于表中的 Gemma4-31B 与 Qwen3.6-27B；在代码任务 SWE-Bench Pro 上得到 51.2，也略高于 Qwen3.6-27B 的 50.2。
但它并非处处领先。在模拟操作环境的 OSWorld-Verified 上，Glimmer 得到 65.9，低于 Qwen3.6-27B 的 75.6；在 GPQA Diamond 和 Humanity’s Last Exam 上也落后于两个对手。更关键的是，这些成绩注明为“按发布方公布”，目前缺少统一评测设置、硬件条件、误差范围和独立复测。它们适合用来判断模型的设计重点，暂时不宜当作能力定论。
Meta真正押注的是“谁拥有AI”
TechCrunch 将 Glimmer 描述为 Meta 闭源模型 Muse Spark 的较小型开放版本；Muse Spark 于今年 4 月推出。但这种概括不能证明两者拥有相同架构、训练数据或完整能力。
两者的边界反而更值得看：更强的 Muse Spark 仍由 Meta 控制，较小的 Glimmer 则允许用户下载、调整并在自己的硬件上运行。Zuckerberg 在新信中描绘了全天候个人 Agent 和广泛分发智能的愿景。Glimmer 是这份宣言目前较具体的落点：Meta 试图用“用户持有的常驻智能”，对抗主要依赖云端 API 的闭源 AI 路线。
本地处理可以减少数据上传，也能在断网时继续工作。但“数据留在设备上”不自动等于隐私和安全已经得到保证。Agent 一旦能读文件、看屏幕、调用工具，权限管理和抵御恶意指令同样重要。
局限与未知
- Meta 尚未披露实际本地运行所需的显卡型号、显存、量化方式和速度，“单张消费级 GPU”覆盖的体验范围仍不清楚。
- 具体跑分来自发布成绩的转录，缺少独立复测；安全测试中也仍可见攻击成功和违规输出，不能把常驻等同于可靠。
- Glimmer 展示的是技术底座和路线，不是已经交付成熟体验的个人助理。它能否稳定长期运行，以及如何管理敏感权限，现有材料都没有回答。