你希望一个 AI 长期在自己的电脑上帮你整理文件、写邮件、调用工具，又不必把所有资料上传云端。问题是，能力较强的模型通常太大，普通设备跑不动；只提供云端服务的模型，又由厂商控制价格、权限和使用规则。Meta 新发布的 Muse Glimmer，正试图把这类“常驻智能”搬回本地。更值得关注的是，Meta 借发布模型重新强调开放路线，并预告更强的基础模型也将开放权重。
这里需要先划清边界：目前材料能够确认的是“开放权重”——外界可以下载模型训练完成后的参数，自行部署或调整。训练数据、完整代码和训练配方是否公开，材料没有说明，因此不能把它直接称为完整开源。所谓“Meta 重返开源”，更准确地说，是一次明确的战略表态，以及一组已经开始兑现的开放权重承诺。
先用一个能落地的模型表态
Meta 发布的 Muse Glimmer 是一个拥有 300 亿参数的 dense model——也就是每次处理任务时都会使用整套参数的模型。Meta 同时开放了它的权重。两个发布载体都提到，这款模型可以在本地设备运行；InfoQ 报道称，其权重采用 Apache 2.0 许可证发布。Apache 2.0 通常允许使用、修改和分发，并包含专利授权条款，但用于模型时，具体开放范围仍要以配套文件为准。
Muse Glimmer 瞄准的不是一次问答，而是持续运行的本地智能体：它可以调用工具、处理代码、执行多步骤任务，并理解文字和图像，覆盖 100 多种语言。简单说，它想做的更像一名留在电脑里的助理，而不是打开网页才出现的聊天框。
据 InfoQ 转述的 Meta 资料，模型在预训练时使用了 Muse Spark 的输出做 logit 蒸馏——让较小模型学习较强模型给出的概率分布，以较低运行成本继承部分能力。后训练又结合监督微调、在线策略蒸馏和强化学习，用来加强推理、编程和智能体任务。
本地运行仍有硬件门槛。Meta 称，约 4 bit 量化——用更少的数字位数保存参数，类似把大文件压缩——可将语言模型超过 55GB的内存需求降至20GB以内，使完整组件能够装进24GB或32GB内存环境。配合K-Quant-17GB量化模型和DFlash草稿模型，Meta自测的解码速度在RTX 5090、M5 Max和M4 Max上分别提高约3.1倍、1.8倍和1.5倍。这些数字尚缺少第三方复现。
真正的信号在下一款模型
只开放一款较小模型，还不足以证明战略已经改变。更关键的承诺是，扎克伯格表示Meta不久后还将开放Muse Spark 1.2的权重。这是其最新基础模型——可继续适配多种任务的通用底座。此前Meta曾以安全问题为由拒绝公开Muse Spark底层权重，因此这项预告比Muse Glimmer本身更能检验转向是否真实。
扎克伯格给出的理由不只是技术。他认为，若强大AI主要掌握在企业和政府手中，个人将处于弱势；开放模型则能让更多人部署、修改和检查系统。他也支持模型蒸馏，反对以安全为由限制个人和企业使用外国开放模型，但仍支持芯片出口管制。换句话说，Meta正在把“开放”同时包装为产品路线、竞争策略和权力分配主张。
这也解释了小扎为何改弦更张。开放权重可以吸引开发者围绕Meta模型部署产品、制作工具和继续微调，从而扩大生态；本地智能体则把这种生态直接带到用户设备上。与此同时，中国开放模型正在缩小与美国专有模型的差距。继续封闭未必能阻止能力扩散，却可能让Meta失去开发者和规则话语权。
安全问题没有消失
Meta表示将继续投资开放权重模型，并把每次模型发布的安全审查交给独立董事会逐项负责。这试图回答一个核心质疑：开放更强模型后，谁来决定哪些能力可以释放。不过，现有材料只有Meta单方描述，尚不清楚该董事会的法律地位、具体权限，以及它能否否决发布。
局限与未知
- Muse Glimmer与Gemma4-31B、Qwen3.6-27B的比较缺少完整基准、表格和复现条件，不能据此断言它是同规模最强模型。
- 内存和加速数据主要来自Meta自测，结果会受硬件、量化方案、上下文长度和测试设置影响。
- Muse Spark 1.2目前仍是发布承诺。Meta是否会持续开放更强模型，以及开放到权重、代码还是训练配方哪一层，才是判断这次转向能否成立的关键。