8月10日，Meta发布新模型 Muse Glimmer，并开放模型权重。
该模型拥有300亿参数，主要面向需要规划步骤、调用工具和检查执行结果的AI Agent任务。
Meta称，经过压缩的 Muse Glimmer 可以在满足相应显存条件的单块消费级GPU上运行。开发者可以下载权重，在自己的设备或服务器中部署和适配模型。
Meta 重新强调开放权重
今年4月，Meta推出新一代基础模型 Muse Spark 时，只通过API向部分合作伙伴提供私测，并未同步开放权重。
此次发布 Muse Glimmer 后，Meta还预告将在未来几周开放 Muse Spark 1.2 的权重。
扎克伯格在同日发布的一篇长文中，将开放权重描述为分散AI控制权的一种方式。他主张让开发者能够下载模型，并在许可范围内自行部署、适配和开发应用。
但"开放权重"并不等于完全开源。
开发者可以获得训练完成后的模型参数，并自行部署和适配，但训练数据、完整训练代码和全部技术过程并不会因此全部公开。
本地运行增加了一种部署选择
对企业来说，Muse Glimmer带来的一个实际变化，是部分AI Agent任务可以直接放在自己的设备或服务器中运行，不必每次都把任务交给云端模型处理。
比如整理内部文件、分析代码或处理企业知识库时，如果模型和相关数据都部署在本地，文件内容可以留在企业自己的环境中，企业也更容易控制谁能访问这些数据、模型部署在哪里。
但本地运行并不代表Agent从此不需要联网。Muse Glimmer本身支持工具调用，如果任务需要搜索网页、读取邮箱、访问云应用或调用第三方API，数据仍可能传到企业外部。这些外部连接依然需要单独设置权限和安全规则。
同时，本地部署也有门槛。企业需要准备合适的硬件，还要完成模型部署、工具接入、安全配置和后续维护。
目前关于Muse Glimmer性能的主要数据仍来自Meta，实际效果还需要更多独立测试和真实业务验证。
所以，Muse Glimmer真正增加的不是一个"本地替代云端"的答案，而是多了一种选择：适合留在企业内部处理的任务可以尝试本地运行，需要更强算力或外部服务的任务仍然可以使用云端能力。
