Muse Glimmer
Meta发布的开放权重端侧智能体模型，参数规模300亿，从Muse Spark大模型蒸馏而来，专为端侧智能体工作流设计，支持通过ExecuTorch在NVIDIA硬件上高效运行
核心事实
时间轴 (近 90 天)
在 16 并发、256 token 输出测试中，Gemma 4 E2B 输出速度为 1887 tokens/秒，比它快的模型包括 Qwen2.5-0.5B（4176，2.21x）、Qwen3-0.6B（3210，1.70x）、Qwen2.5-1.5B（2780，1.47x）和 Qwen3-1.7B（2049，1.09x）。
在C++无线滑板游戏测试中Muse Glimmer尝试修复编译报错导致整个系统彻底死机
实测智能体任务下，Muse Glimmer该量化版本性能仅下降0.2%，压缩到24GB版本也只降1%
在RTX 5090上，Muse Glimmer不使用推测解码时为75 tokens/秒，搭配推测解码模型后速度达233 tokens/秒
Muse Glimmer的上下文长度达到131072（约13万token），并带有可扩展标记
Muse Glimmer具备多模态能力，内置视觉编码器，可同时接收文本和图像输入
Muse Glimmer采用Apache 2.0许可证
Muse Glimmer可以在单张24GB显存的消费级显卡或配备充足统一内存的Mac上运行
Meta发布了名为Muse Glimmer的开放权重模型
可以将 Muse Spark 作为后端，通过 OpenCode Go 来使用
还有 26 条时间轴事件
全部知识事实 (20)
可以将 Muse Spark 作为后端，通过 OpenCode Go 来使用
85%已验证Muse Glimmer全精度运行需要55GB显存，通过4-bit量化后压缩到20GB以内，可在24GB显存的消费级显卡上运行
80%已验证Meta在AI领域一贯采用开源倾向，从Llama系列到Muse Glimmer持续通过开放模型构建开发者生态
65%已验证Muse Glimmer 30B拥有296亿参数，是一个稠密模型（dense model）
65%已验证Muse Glimmer支持多模态输入，上下文窗口达到12.8万Token
65%待验证当记忆规模膨胀到数百MB甚至GB级别时，纯文件方案可能仍需与索引机制、向量检索等技术结合才能兼顾简洁性与性能
60%待验证Muse Glimmer以Muse Spark模型为基础做蒸馏，再叠加后训练、监督微调（SFT）和强化学习（RL）
60%待验证在 16 并发、256 token 输出测试中，Gemma 4 E2B 输出速度为 1887 tokens/秒，比它快的模型包括 Qwen2.5-0.5B（4176，2.21x）、Qwen3-0.6B（3210，1.70x）、Qwen2.5-1.5B（2780，1.47x）和 Qwen3-1.7B（2049，1.09x）。
50%待验证实测智能体任务下，Muse Glimmer该量化版本性能仅下降0.2%，压缩到24GB版本也只降1%
50%待验证Muse Glimmer具备多模态能力，内置视觉编码器，可同时接收文本和图像输入
50%待验证Muse Glimmer采用Apache 2.0许可证
50%待验证Muse Glimmer可以在单张24GB显存的消费级显卡或配备充足统一内存的Mac上运行
50%待验证Muse Glimmer的上下文长度达到131072（约13万token），并带有可扩展标记
50%待验证在RTX 5090上，Muse Glimmer不使用推测解码时为75 tokens/秒，搭配推测解码模型后速度达233 tokens/秒
50%待验证vLLM v0.28.0 新增支持 Muse Glimmer、Ling 3.0 Flash、Dots3 NOTE、Interns2mobius 等模型
50%待验证在M4 Pro芯片、24GB统一内存的MacBook Pro上通过llama.cpp运行，文本解码速度为10.13 tokens/秒，完整任务每个耗时4到7分钟
50%待验证在SWE Bench Pro上Glimmer以51.2略胜Qwen的50.2，但在SWE Bench Verified（Qwen 77.2 vs 76）和Terminal Bench（Qwen 60.7 vs 51.7）上Qwen反超
50%待验证Glimmer在其尺寸上不以原始编码能力取胜，其优势在于工具调用能力
50%待验证Meta官方给出的Muse Glimmer运行门槛是24GB显卡
50%待验证Unsloth通过量化技术将Muse Glimmer压缩到14GB系统内存运行且智能体仍能正常工作
50%