突发！Meta重回开源：首发Muse Spark 1.2，顺手扔出30B强悍端侧Agent

Alexandr Wang刚刚宣布了一件大事：Muse Spark 1.2将以开源形式发布，具体时间待定。Meta重走来时路要开源了？

同时小札写了一份长信《The Future is for Everyone》，核心主张：超级智能即将到来，这个时代的关键问题不是技术本身，而是谁能使用它、用它做什么，是集中在少数机构手里，还是赋能每一个人。

信：

https://www.meta.com/thefutureisforeveryone/

同时，Meta还宣布了另一件事，

Muse Glimmer，一个300亿参数的开源Agent模型，Apache 2.0协议，权重直接挂到了Hugging Face。

这个模型最核心的一点：24GB显存就能跑，而且Agent能力不打折。跑分如下：

30B放进24GB，怎么做到的

30B参数的模型，如果是全精度，光权重就要占超过55GB内存，普通消费级显卡根本装不下。

Meta的解法是量化。把权重压缩到约4bit精度，语言模型主体缩减到20GB以下，剩余空间留给KV缓存、感知编码器和推测解码的Drafter模型，全部塞进24GB或32GB的显存范围内。

Meta做过验证：这种压缩对Agent任务几乎没有性能损失。

速度也是个问题。大模型一个token一个token地生成，遇到长推理链或者多步工具调用，会明显感觉卡顿。Muse Glimmer的解法是搭配一个轻量级Drafter模型，技术基于DFlash，这个小模型一次性提出一批token，主模型并行验证，接受正确的、纠正错误的。生成速度大幅提升，输出质量和逐token生成完全一致。

实测数据覆盖了MacBook M4 Max、M5 Max以及RTX 5090，速度足够支撑流畅对话和实时Agent交互，全程在本地跑，不需要联网。

专门为Agent设计

Muse Glimmer不是一个通用模型拿来做Agent，它从一开始就是为Agent场景设计和训练的。

几个核心能力：

端到端任务完成。模型在DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Bench等Agent基准测试上取得了强劲成绩，覆盖代码编写调试、多轮任务处理等场景。

工具调用。能处理大范围的函数调用，在长流程中精准使用工具。

多步推理。跨越长时间跨度持续推理，在复杂工作流中保持连贯计划。

失败恢复。工具调用失败或返回意外结果时，模型会自己诊断错误并重试，而不是直接停下来。

多模态理解。带有专属感知编码器，支持文本和图片交替输入，能理解截图、图表、文档。

此外，支持OpenClaw等主流Agent编排框架，支持可调节推理强度，覆盖100多种语言。

训练方式

整个训练分三个阶段。

预训练阶段，以Muse Spark的输出为基础，用Logit蒸馏方式训练，数据配比参照教师模型。

中训练阶段，喂入更长上下文、更密集的Agent场景数据，配合更丰富的推理轨迹，同时混入有机数据。

后训练阶段，结合监督微调、在线蒸馏和强化学习，覆盖通用、推理、代码、Agent四大方向。

模型在Meta发布的高级AI扩展框架下完成评估，通过了开源发布的全部审核。

现在怎么用

权重现在就在Hugging Face上，直接下载。

本周内陆续上线Ollama、LM Studio、vLLM、SGLang、Together AI、Fireworks AI、OpenRouter。llama.cpp、MLX、ExecuTorch的优化适配也将在未来几天到位。

想定制的，可以用PyTorch的TorchTitan做进一步微调。

AMD、Arm、Dell、Intel、NVIDIA正在和Meta合作，针对各类设备做性能优化。开发者文档和脚手架搭建指南同步开放，内容包括如何快速部署个人Agent。

更多信息和资源可以在Meta AI Developer Center查到，模型地址和文档链接见文末。

模型下载：

https://huggingface.co/meta-models/Muse-Glimmer-30B

开发者文档：https://dev.meta.ai/docs

--end--

最后记得⭐️我，每天都在更新：如果觉得文章还不错的话可以点赞转发推荐评论

/...@作者：你说的完全正确（YAR师）