Meta вернулась в open weights с Muse Glimmer: ставим локального агента на 30B параметрах

Meta выпустила Muse Glimmer — первую открытую модель после Llama 4, и впервые под лицензией Apache 2.0 без привычных ограничений Llama License. Модель на 30 млрд параметров заточена под агентные сценарии: работу с инструментами, многошаговые задачи и код — и её можно запустить на обычном компьютере с 32 ГБ оперативной памяти.

Если вы искали локальную модель, которая не просто отвечает на вопросы, а реально доводит задачу до конца — читает код, вызывает функции, работает в связке со скаффолдом (обвязкой из инструментов вокруг модели) — Glimmer стоит попробовать в первую очередь. Разработчик Саймон Уиллисон уже прогнал её через свои тестовые сценарии: пеликан на велосипеде, разбор незнакомой кодовой базы и описание фотографии. Ниже — как повторить это у себя.

Что за модель и почему это важно

Muse Glimmer — первая открытая разработка Meta Superintelligence Labs, выпущенная спустя 16 месяцев после Llama 4. По индексу Artificial Analysis Intelligence Index модель набирает 35 баллов — это на 21 пункт выше, чем у Llama 4 Maverick, предыдущего флагмана Meta в открытых весах. Модель поддерживает более 100 языков и ускоряется на видеокартах вроде RTX 5090.

Ключевое отличие от предыдущих релизов Meta — лицензия. Apache 2.0 вместо кастомной Llama License означает меньше юридических оговорок для коммерческого использования. Раньше это было слабым местом линейки Llama.

Meta прямо заявляет, на что оптимизирована модель:

• End-to-end Agentic Task Completion — завершение задач целиком, а не отдельных шагов. Модель тестировалась на бенчмарках DeepSearch QA, MCP-Atlas, τ-Bench и SWE-Bench — они проверяют способность работать в скаффолде, писать и отлаживать код, доводить многоходовые запросы до результата.
• Reliable Tool Use — точный вызов функций по схемам в рамках длинных workflow.
• Multi-Step Reasoning — удержание связного плана на длинных горизонтах рассуждений.

Модель также умеет работать с изображениями (vision-модель), что расширяет её применение за пределы чисто текстовых задач.

Как запустить модель локально

Проще всего поставить Glimmer через LM Studio — там доступна версия весом 18,16 ГБ. Это удобный размер: если в машине 32 ГБ RAM или больше, остаётся достаточно памяти для параллельной работы других приложений. У Уиллисона, например, 128 ГБ — этого хватает с большим запасом.

Шаги простые:

1. Установите LM Studio.
2. В поиске моделей найдите meta/muse-glimmer.
3. Скачайте версию — обратите внимание на размер квантования, 18,16 ГБ подойдёт для машин с 32+ ГБ памяти.
4. Запустите модель как локальный сервер внутри LM Studio.

После этого модель доступна для внешних инструментов, которые умеют работать с LM Studio API — включая инструменты из экосистемы llm от Саймона Уиллисона.

Проверяем агентные способности на реальном коде

Чтобы протестировать заявленные агентные возможности, Уиллисон использовал свой плагин llm-coding-agent в связке с плагином llm-lmstudio, который подключает LLM-инструмент к локальному серверу LM Studio.

Важный нюанс: на момент теста плагин llm-lmstudio требовал патча для совместимости с версией LLM 0.32 — без него связка не заработает корректно. Если вы столкнётесь с ошибками совместимости, проверьте issue-трекер плагина на GitHub — вероятно, патч уже влит в актуальный релиз.

Тестовый сценарий был такой: свежий чекаут проекта Datasette и вопрос «how does auth work?» (как работает авторизация). Модель самостоятельно исследовала кодовую базу — открывала файлы, искала нужные модули, строила ответ на основе реального кода, а не догадок. В транскрипте видно всю цепочку вызовов инструментов до финального ответа.

Это ровно тот сценарий, который отличает агентную модель от обычного чат-бота: не «расскажи про авторизацию вообще», а «разберись в конкретном проекте и объясни, как это реализовано здесь».

Проверяем vision-возможности

Glimmer — мультимодальная модель, поэтому её можно попросить описать изображение напрямую из командной строки через инструмент llm:

``bash llm -m lmstudio/meta/muse-glimmer -a https://static.inaturalist.org/photos/714731804/large.jpg 'describe image' ``

На фотографии двух пеликанов на камнях модель выдала детальное описание: вид птиц (Pelecanus occidentalis), позы, окрас, характерные длинные клювы с горловым мешком, даже мелких птиц на заднем плане и общее освещение сцены. Уровень детализации сравним с тем, что дают топовые облачные vision-модели — и это работает полностью локально, без отправки фото на сторонние серверы.

Для локальных агентов, которые обрабатывают скриншоты интерфейсов, фотографии для отчётов или визуальный контент в целом, это заметно расширяет применимость модели за пределы чисто текстовых задач.

Где ломается и на что обратить внимание

Несколько моментов, которые стоит учитывать перед тем как строить рабочий процесс вокруг Glimmer:

• Совместимость плагинов. Экосистема вокруг LLM-инструментов развивается быстро, и патчи для новых версий моделей могут отставать от релизов самого LLM. Перед серьёзным использованием проверьте актуальность версий llm-lmstudio и других зависимостей.
• Требования к памяти. 18,16 ГБ весов — это только сама модель. С учётом контекста, других приложений и системных процессов комфортно работать на 32 ГБ RAM, но для длинных агентных сессий с большим контекстом лучше иметь запас побольше.
• Бенчмарки — не гарантия. Высокие результаты на SWE-Bench и τ-Bench показывают потенциал, но на вашей конкретной кодовой базе или задаче поведение модели может отличаться — стоит тестировать на реальных сценариях, а не полагаться только на цифры.
• Ускорение под конкретное железо. Заявленное ускорение на RTX 5090 не означает автоматическое ускорение на других видеокартах — проверяйте производительность на своём оборудовании.

Что попробовать дальше

Если у вас уже есть 32 ГБ RAM или видеокарта с достаточным объёмом памяти, есть смысл поставить Glimmer через LM Studio или Ollama и прогнать её на своих задачах — особенно там, где раньше приходилось полагаться на облачные API из-за требований к агентности. Стоит также попробовать связку с MCP-серверами (Model Context Protocol — протокол подключения инструментов к модели), раз модель заявлена как заточенная под MCP-Atlas бенчмарк. И конечно, классический тест на воображение — попросить модель нарисовать пеликана на велосипеде в SVG — остаётся хорошим быстрым способом оценить, насколько модель понимает нетривиальные визуальные концепции без явного обучения на них.

Источники

• Simon Willison: Introducing Muse Glimmer