🚀 Meta Muse Glimmer: открытая мультимодальная модель с уклоном в агентные сценарии Meta выпустила Muse Glimmer — модель на 30 млрд параметров с открытыми весами, мультимодальным входом и высокими результатами в агентных тестах. По данным Hugging Face, одновременно доступны интеграции с transformers, llama.cpp, vLLM и Inference Endpoints, а запуск на собственном оборудовании возможен без зависимости от API. Архитектура: визуальный кодировщик на 2 млрд параметров (ViT-подобный Perception Encoder) и текстовый декодер на 28 млрд с чередованием трёх слоёв внимания со скользящим окном (2048 токенов, RoPE) и одного полного слоя без позиционных эмбеддингов — это даёт контекст до 128K и 16-кратное сжатие KV-кэша за счёт GQA. Модель поставляется с дополнительным спекулятивным декодером DFlash, который ускоряет генерацию в задачах со структурированным выводом, например при написании кода. → MCP Atlas (агентный тест): 75.5 — у ближайших Gemma4-31B и Qwen3.6-27B с мышлением 54.2 и 62.5 соответственно → SWE-Bench Verified: 76.0 против 66.6 у Gemma4 и 77.2 у Qwen → AIME 2026: 94.7 — сильнее аналогов, GPQA Diamond — 83.5 → τ³-Banking (сложный банковский сценарий): 23.5 — скромно, как и у всех; уровень нарушений в CI Memories — 26.4%, заметно выше, чем 12.1% у Gemma4 Meta явно ориентируется на сценарий, где цена и задержка локального запуска решают, введут ли агента в эксплуатацию, — и тогда модель на 30 млрд параметров на собственной GPU выигрывает у конкурентов на 27–31 млрд даже там, где уступает по отдельным показателям. DFlash добавляет скорость ценой памяти, но для конвейеров с вызовом внешних API слабая безопасность Muse Glimmer — серьёзное препятствие: 26.4% нарушений в CI Memories вряд ли устроят тех, кто даёт модели доступ к инструментам. #MuseGlimmer #Meta #opensource #agenticAI #инференс