meta-models/Muse-Glimmer-30B · Hugging Face 来源：https://huggingface.co/meta-models/Muse-Glimmer-30B

https://huggingface.co/meta-models/Muse-Glimmer-30B#muse-glimmer-model-card

Muse Glimmer 模型卡片

**作者：**Meta 超级智能实验室
**模型发布日期：**2026 年 8 月
**许可证：**Apache 2.0（https://www.apache.org/licenses/LICENSE-2.0）

Muse Glimmer 是一个拥有 300 亿参数的因果语言模型，配备了专用的感知编码器，从 Muse Spark 蒸馏而来，专为在消费级硬件上运行自主智能体任务而设计。该模型将多步推理、可靠的工具使用、多模态理解和故障恢复集成到单个模型中，无需云基础设施或网络访问即可在本地运行。

构建有效的智能体需要关键能力协同工作以实现用户目标。Muse Glimmer 针对以下能力进行了训练和评估：

• **端到端智能体任务完成。**Muse Glimmer 在完整任务基准测试中取得了较高的成功率，包括 DeepSearch QA、MCP-Atlas、τ3-Bench 和 SWE-Bench，这些基准测试衡量了其在脚手架（scaffold）内工作、编写和调试代码以及从头到尾解决多轮请求的能力。
• **可靠的工具使用。**该模型可处理各种函数调用，在扩展工作流中通过精确的模式（schema）调用工具。
• **多步推理。**Muse Glimmer 在长时间跨度内进行链式推理，在复杂、扩展的工作流中维持连贯的计划。
• **故障恢复。**当工具调用失败或返回意外结果时，模型会诊断错误并重试，而不是停止。
• **多模态输入与推理。**通过专用的感知编码器，模型可接受交错的文本和图像。这使得智能体能够结合对话来解释屏幕截图、图表和文档。
• **脚手架兼容性。**Muse Glimmer 可跨 OpenClaw、Hermes Agent 及其他智能体编排模式工作。
• **可控努力程度。**该模型支持不同的推理强度，以便在质量和速度之间选择适当的平衡。
• **多语言。**Muse Glimmer 使用超过 100 种语言的数据进行训练。

https://huggingface.co/meta-models/Muse-Glimmer-30B#muse-glimmer-30b-model-overview

Muse Glimmer-30B 模型概览

模型架构 密集因果 Transformer，带感知编码器

总参数量 约 296 亿

语言模型 架构：密集因果 Transformer 参数量：296 亿（包括视觉编码器） 隐藏维度：6656 层数：52 注意力模式：[局部、局部、局部、全局] 循环 滑动窗口大小：2048 门控注意力：是 注意力头（Q / KV）：32 / 2（GQA 比率 16:1） 头维度：128 FFN 类型：SwiGLU FFN 中间维度：19,968 位置编码：RoPE（θ = 500,000），仅用于局部层

感知编码器（https://arxiv.org/abs/2504.13181） 约 18 亿参数 ViT-G/14，50 层，宽度 1536，patch 大小 14

词汇表大小：202,048 分词器：200,000 个 BPE 词元 + 2,048 个特殊词元 每张图片最大视觉词元数：4,096 上下文长度：131,072+ 支持的模态：输入：文本 + 图像，输出：文本

训练数据 来自公开可用数据、第三方提供的数据以及 Meta 产品和服务信息的多模态内容，由外部供应商网络和 Meta 人员进行策展和丰富。

知识截止日期：2026 年 1 月 4 日

https://huggingface.co/meta-models/Muse-Glimmer-30B#optimized-for-local-deployments

针对本地部署优化

Muse Glimmer 针对本地部署进行了优化，旨在以实用速度在消费级硬件上运行，同时不牺牲质量。

**将模型适配到您的设备。**我们使用量化技术将模型权重压缩到约 4 位精度，将语言模型缩小到 20 GB 以下。这为模型的 KV 缓存、用于图像理解的感知编码器以及推测解码（speculative decoding）草稿模型保留了足够的余量，使其能够在 24 GB 或 32 GB 内存范围内同时运行。至关重要的是，我们验证了这种压缩在智能体任务上引入的退化极小甚至没有。

* 退化使用 15 个常见基准测试的准确性指标平均值来衡量

通过推测解码实现更快的生成

Muse Glimmer 附带一个基于 DFlash（https://arxiv.org/abs/2602.06036）的轻量级“草稿”模型，这是一个小型伴生网络，可一次提出整个词元块。DFlash 块扩散模型在单次前向传播中预测 16 个词元的整个块。主模型随后并行验证这些提议，接受正确的词元并纠正错误的词元。这项技术使 Muse Glimmer 的文本生成速度显著快于标准的逐词元生成，同时产生相同质量的输出。我们在发布版本中提供量化草稿模型版本，以减少内存开销。

我们在 MacBook M4-Max、M5-Max 以及 Nvidia RTX-5090 上测量了 K-Quant-17GB 模型以及量化 DFlash 草稿模型的速度。该模型足够快，可实现流畅对话和实时智能体交互，且完全在您的设备上运行。

* 跨多组多样化提示集的平均值。测量使用批量大小 1 和贪婪解码。M4/M5 测量使用 ExecuTorch 完成，RTX 使用 llama.cpp 完成。

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

基准测试

我们评估了 Muse Glimmer 在广泛基准测试上的表现，以评估有效自主智能体行为所需的各种能力。与 Gemma4-31B 和 Qwen3.6-27B 相比，Muse Glimmer 在多个广泛使用的 LLM 基准测试中，在其尺寸级别内表现强劲。

有关我们评估的更多详情，请参阅我们的报告（https://research.meta.ai/static/muse-glimmer-methodology）。

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

最佳实践

为获得最佳性能，我们建议使用以下设置：

**采样参数：**使用以下配置：

• temperature = 1.0
• top_p = 0.95
• top_k = 64

**推理强度：**推理强度控制模型在响应提示词之前的思考程度。推理强度可以在系统提示词中定义为 Reasoning strength: 。Muse Glimmer 支持以下级别：low / medium / high / xhigh。对于复杂问题求解、编码和智能体任务，请使用 high 或 xhigh。

https://huggingface.co/meta-models/Muse-Glimmer-30B#trust-and-safety

信任与安全

与其他大型语言模型一样，我们强烈建议不要将 Muse Glimmer 作为独立端点部署，而应将其作为整体 AI 系统的一部分，并根据部署的用例和上下文添加所需的或适当的额外防护措施。系统保护对于实现正确的有用性-安全性对齐、缓解系统固有的安全与安保风险，以及将模型或系统与外部工具集成至关重要。

评估

我们针对常见用例以及特定能力对 Muse Glimmer 进行了评估。常见用例评估衡量系统在大多数常见构建应用（包括聊天机器人和视觉问答）中的安全风险。我们构建了专门的对抗性评估数据集，并评估了由 Muse Glimmer 模型和这些防护措施组成的系统，以过滤输入提示和输出响应。在上下文中评估应用非常重要，我们建议为您的用例构建专门的评估数据集。

能力评估衡量模型固有于特定能力的漏洞，为此我们设计了专门的基准测试。我们还酌情使用了行业标准的安全性和能力基准测试。

Muse Glimmer 主要围绕四个风险轴进行评估：

1. 内容安全——针对拒绝有害请求和校准对边缘提示词响应的标准对齐。
2. 智能体风险——针对不可逆操作确认、数据最小化、脚手架边界尊重以及间接提示注入抵抗的策略。
3. 隐私（适当信息流）——受 CI 理论启发，在代表个人与第三方交互时尊重信息的上下文完整性。
4. 准备程度——化学与生物、网络安全和失控风险。

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

准备程度

Muse Glimmer 不属于 Meta 高级 AI 扩展框架（AAISF）中“前沿 AI”的定义，因为其能力通常弱于 Muse Spark。然而，出于审慎考虑，我们的准备团队评估了 Muse Glimmer 的风险状况，并确定其将获得以下指定：

• 化学/生物：中低风险或更低；
• 网络安全：中低风险或更低（推断）；
• 失控：中低风险或更低（推断）。

网络安全和失控风险级别被推断为中低或更低，因为 Muse Glimmer 整体上弱于 Muse Spark 1.0，而后者在这些领域获得了相同的风险指定。在化学/生物领域，我们在一系列科学知识和湿实验室调试基准上评估了 Muse Glimmer（在其尺寸类别中表现最佳的以粗体显示；表现第二佳的以下划线显示——同时包含 Kimi K3 以供参考）：

我们发现 Muse Glimmer 的能力大致与其尺寸级别中的其他模型一致，同时显示出严格低于更大开放权重模型的能力，这表明其在发布时不太可能实质性促成新的威胁。我们还使用专注于独特瓶颈组合的测试套件对其进行了评估，这些瓶颈原本会阻止或限制现实世界威胁行为者的成功；在此，我们的评估也将其风险评级评为中低或更低。

有关上述评估和方法的详细说明，请参阅 Muse Spark 安全与准备报告（https://ai.meta.com/static-resource/muse-spark-safety-and-preparedness-report/）。

https://huggingface.co/meta-models/Muse-Glimmer-30B#train-time-mitigations

训练时缓解措施

1. **安全 SFT：**包含展示正确安全行为的精选示例，涵盖工具使用边界、提示注入抵抗和权限处理等智能体安全场景。
2. **安全 RL：**使用安全特定奖励信号的强化学习，惩罚策略违规，同时奖励对合法请求的有用响应。
3. **适当信息流：**通过专门的合成训练数据，将数据敏感性识别、最小化和本地优先执行原则直接嵌入模型权重中。

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

预期用途

**预期用例：**Muse Glimmer 适用于商业和研究用途。该模型针对自主智能体任务进行了优化，包括：

• **本地 AI 智能体：**多步规划、顺序工具调用、故障恢复和长时程任务执行，完全在消费级设备上运行。
• **编码智能体：**编写、调试和解决现实世界的软件工程任务（例如，SWE-Bench 风格的工作流）。
• **工具使用与函数调用：**在扩展的多轮工作流中，进行可靠的基于模式的工具调用。
• **多模态推理：**在对话中解释截图、图表、文档和图像，适用于智能体和信息密集型环境。
• **合成数据生成：**为下游模型开发生成高质量训练数据。
• **LLM 作为评判者评估：**作为其他模型输出的评估器。

**超出范围：**以任何违反适用法律或法规（包括贸易合规法律）的方式使用。以 Apache 2.0 许可证条款禁止的任何其他方式使用。不支持音频输入/输出。

https://huggingface.co/meta-models/Muse-Glimmer-30B#considerations-and-limitations

注意事项与限制

Muse Glimmer 是一项带有已知和未知风险的技术。迄今为止进行的测试尚未且无法覆盖所有场景。

限制：

• 模型可能对用户提示产生不准确、有偏见或令人反感的内容。
• 尽管针对智能体任务进行了优化，模型在多步推理中仍可能出错，特别是在训练数据中未充分体现的新颖场景中。
• 该模型未针对视频进行明确优化；视频输入按单独帧处理。
• 该模型尚未对所有预训练数据中包含的语言进行评估。在强支持语言集合之外的语言上，性能可能会下降。
• 量化推理在边缘情况下可能与全精度相比存在轻微质量差异。
• 该模型不打算供 18 岁以下个人下载或使用。在可能被 18 岁以下个人使用的系统中部署时，部署者有责任确保已对 18 岁以下个人此类使用相关的任何风险进行全面评估并适当缓解，并遵守所有适用法律。

**负责任使用：**开发人员应根据其特定应用和拟议语言，执行自己的安全测试和调整。我们的使用政策可在此处找到 链接。我们建议在智能体上下文中部署模型时，实施额外的防护措施（例如对不可逆操作进行人工确认），因为模型在此类上下文中可能采取真实世界行动。

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

发布产物

所有产物均根据 Apache 2.0 发布：