Muse Glimmer: un modelo agentic de 30B que funciona en una GPU, sin necesidad de centro de datos
Un agente serio, sin necesidad de centro de datos
La mayoría de los anuncios de modelos "ejecutarlo localmente" vienen con un asterisco: más pequeños, más débiles, una versión de juguete de la cosa real. El lanzamiento más reciente de Meta no lo tiene: Muse Glimmer, un modelo multimodal de 30B construido específicamente para trabajo agentic, cabe en una sola GPU de consumo y supera a modelos más grandes en los benchmarks que realmente miden el comportamiento de los agentes.
Arquitectura
Muse Glimmer tiene 30B parámetros en total: un codificador de visión estilo ViT de 2B acoplado a un decodificador de texto de 28B parámetros, 52 capas de transformadores utilizando un patrón de atención híbrido. Se destila del modelo más grande de Meta, Muse Spark: la capacidad de un modelo más grande, comprimida en algo que una sola GPU puede contener. Los datos de entrenamiento abarcan más de 100 idiomas, con un corte de conocimiento del 4 de enero de 2026.
Comprensión multimodal
- Texto, imagen y video — comprensión de video de hasta 96 fotogramas a 2 fps (sin pista de audio procesada).
- Detección de objetos abierta — puede localizar e identificar objetos en una escena sin un conjunto de etiquetas predefinido, en lugar de solo reconocer una lista de categorías fijas.
- Ventana de contexto de 131K+ tokens, lo suficientemente larga para sesiones de agentes extendidas o documentos grandes sin fragmentación externa.
Uso de herramientas agentic
La característica principal: llamada a herramientas multimodal con salidas estructuradas. Puede mirar una imagen y decidir qué función llamar según lo que ve, no solo analizar instrucciones de texto — por ejemplo, inspeccionando una captura de pantalla y llamando a la API correcta según lo que se renderiza, no una descripción textual de ello. También genera y ejecuta código, y está construido con un comportamiento de recuperación de fallos explícito en lugar de asumir que cada llamada a la herramienta tiene éxito en el primer intento.
Ejecución local
- Cabe en una GPU de consumo — variantes cuantizadas funcionan en 24–32GB de VRAM.
- Soporte Day-0 en
transformers,llama.cpp,vLLM, y Puntos de Inference — sin esperar a puertos comunitarios. - Decodificación especulativa DFlash — hasta 3x más rápida en hardware compatible.
- No se requiere un viaje de ida y vuelta a la nube para ninguno de los anteriores; todo funciona en la máquina que posees.
Licenciamiento
Apache 2.0 — sin restricciones de uso comercial, sin requisito de atribución, sin negociación de licencia separada para ejecutarlo en un producto. Vale la pena decirlo claramente porque no es algo dado en este momento: algunos modelos agentic de peso abierto recientes tienen restricciones de uso comercial que solo aparecen una vez que lees el texto de la licencia detenidamente. Este no las tiene.
Meta también realizó evaluaciones de seguridad para riesgos químicos/biológicos, ciberseguridad y pérdida de control — todos calificados como "moderados o inferiores".
Cómo se compara
Los propios números publicados de Meta, contra Gemma4-31B y Qwen3.6-27B:
| Benchmark | Muse Glimmer | Gemma4 | Qwen3.6 |
|---|---|---|---|
| MCP Atlas (agentic) | 75.5 | 54.2 | 62.5 |
| DeepSearch QA | 74.6 | 61.7 | 71.1 |
| GAIA2 | 43.3 | 36.4 | 40.0 |
| SWE-Bench Pro | 51.2 | 36.9 | 50.2 |
| SWE-Bench Verified | 76.0 | 66.6 | 77.2 |
No es una barrida limpia: Qwen3.6 lo supera en SWE-Bench Verified — pero contra Gemma4 la diferencia es amplia, y contra Qwen3.6 es competitivo o superior en la mayoría de los benchmarks específicos de agentic. (Números de anuncio de Muse Glimmer de Meta; los benchmarks son direccionales, no evangelio.)
Por qué es importante
La historia de la IA autoalojada siempre ha tenido un impuesto silencioso: los buenos modelos agentic necesitaban infraestructura real, por lo que "ejecutarlo tú mismo" a menudo significaba "ejecutar una versión peor de ello tú mismo". Un modelo que está genuinamente construido primero para agentes, se envía con licencia permisiva y cabe en hardware que una sola persona puede poseer es el cierre de la brecha en tiempo real: la misma tendencia en la que toda esta serie de tutoriales ha estado apostando.
¿Está en WEC?
Aún no — y no vamos a pretender lo contrario. Lo estamos ejecutando a través de nuestra propia suite de evaluación de modelos ahora, la misma que evalúa todo lo que ya está en WEC Models, antes de que gane un lugar en el catálogo. Si se mantiene frente a lo que ya está allí, espéralo pronto.
📖 Fuentes: anuncio de Muse Glimmer de Meta (Hugging Face) · Tarjeta del modelo