Meta ouvre Muse Glimmer aux agents IA locaux

Meta publie Muse Glimmer le 10 août 2026 sous licence Apache 2.0. Son laboratoire Superintelligence Labs diffuse les poids sur Hugging Face. Le modèle compte 30 milliards de paramètres. Meta le destine au codage local, à l’appel de fonctions et aux agents locaux. Il peut aussi servir à l’évaluation par un modèle juge. Cette publication cible les usages nécessitant un modèle exécuté sur l’appareil. Meta cite notamment les agents personnels connectés aux agendas, messages, fichiers et autres informations privées. Le modèle évite ainsi, selon la présentation de Meta, une dépendance directe à un modèle hébergé dans le nuage pour ces tâches locales.

Les scores agentiques placent Muse Glimmer devant Gemma4-31B et Qwen3.6-27B sur cinq des huit évaluations générales présentées. Il obtient 75,5 sur MCP Atlas, contre 54,2 et 62,5. Sur DeepSearch QA, il atteint 74,6, devant 61,7 et 71,1. Il marque aussi 23,5 sur τ²-Banking, contre 15,1 et 16,7. WildClawBench donne 47,6 à Muse Glimmer, contre 37,6 et 43,2. Sur GAIA2, Meta rapporte 43,3, contre 36,4 et 40,0. Qwen3.6-27B reste toutefois devant sur GDPval-AA, SkillsBench et OSWorld-Verified, avec respectivement 1 141, 46,6 et 75,6.

Muse Glimmer cible les agents locaux

Le codage reste partagé entre les deux modèles. Muse Glimmer mène sur SWE-Bench Pro avec 51,2, contre 36,9 pour Gemma4-31B et 50,2 pour Qwen3.6-27B. Il atteint également 43,6 sur SciCode, contre 43,4 et 39,8. Qwen3.6-27B conserve l’avantage sur SWE-Bench Verified, avec 77,2 contre 76,0. Il domine aussi TerminalBench 2.1, avec 60,7 contre 51,7 pour Muse Glimmer. Meta indique que le modèle prend en charge OpenClaw et d’autres schémas d’orchestration. Sa documentation couvre aussi les échafaudages personnalisés. Les équipes doivent donc définir les dépôts, terminaux et commandes accessibles avant leurs évaluations.

La perception multimodale permet à Muse Glimmer d’accepter des séquences mêlant texte et images. Meta indique que son encodeur dédié interprète captures d’écran, graphiques et documents. Le modèle obtient 78,8 sur Charxiv Reasoning, contre 77,7 pour Gemma4-31B et 78,4 pour Qwen3.6-27B. Qwen3.6-27B mène toutefois sur ScreenSpot Pro avec 76,1, contre 75,4. Il domine aussi OmniDocBench v1.5 avec 77,8, contre 75,8. Sur MMMU Pro, les scores sont de 74 pour Muse Glimmer, 75 pour Qwen3.6-27B et 73 pour Gemma4-31B. Ces tests portent sur des tâches contraintes avec interfaces visuelles.

La quantification réduit la mémoire nécessaire

La mémoire conditionne le déploiement de Muse Glimmer sur du matériel grand public. Meta estime qu’une version en précision complète nécessiterait plus de 55 Go de mémoire. La quantification des poids en environ quatre bits réduit le modèle linguistique à moins de 20 Go. Cette enveloppe doit encore laisser de la place au cache KV, à l’encodeur de perception et au module de décodage spéculatif. Meta vise donc une configuration de 24 ou 32 Go. La version K-Quant-17GB, accompagnée du module DFlash quantifié, a été testée sur MacBook M4 Max, MacBook M5 Max et RTX-5090. Meta décrit l’expérience comme adaptée aux interactions locales en temps réel.

Source originale Meta annonce l’arrivée prochaine d’intégrations avec llama.cpp, MLX et ExecuTorch. La société indique que DFlash propose des blocs de jetons vérifiés en parallèle par le modèle principal. Elle affirme que cette méthode accélère la génération par rapport à une production jeton par jeton, avec une qualité de sortie identique. Le dossier publié ne fournit pas de chiffres de jetons par seconde, de taille de contexte, de consommation électrique ou de concurrence. Les résultats de sécurité restent également différenciés selon les tests. Muse Glimmer affiche un taux de violation de 26,4 sur CI Memories et un taux de réussite d’attaque de 28,4 sur Siren AgentDojo.