Passer au contenu principal
Dernière vérification : 2026-08-10
Muse Glimmer est le modèle d’agent à poids ouverts de Meta Superintelligence Labs, publié en août 2026 sous Apache 2.0. C’est un transformateur causal dense de 29.6B paramètres avec un encodeur de perception intégré de 1.8B ViT-G/14, une fenêtre de contexte de 131,072 tokens, et une entrée texte-plus-image. Meta l’a conçu pour des agents locaux toujours actifs : des appels d’outils avec des schémas précis, un raisonnement multi-étapes, et une reprise après échec — sur un seul GPU grand public ou un Mac. Le chiffre qui compte pour l’auto-hébergement est 18 GB. C’est le téléchargement à 4-bit, et c’est pourquoi ce modèle tient dans le matériel que vous possédez probablement déjà.
Vous exécutez déjà ce modèle ? Enregistrez-le dans Tokios pour y accéder via https://api.tokios.com depuis n’importe quel client.

Muse Glimmer en un coup d’œil

Sources : annonce de Muse Glimmer par Meta et la fiche modèle.
Muse Spark Open, le modèle professeur, est maintenant publié. Meta a publié les poids du MoE 816B/42B actifs le 15 octobre 2026 sous la Muse Model License — consultez Muse Spark Open. Glimmer reste l’option GPU grand public ; Spark Open est l’option frontier pour station de travail.

Variantes et tags

Ollama publie 13 builds. Les variantes -dflash intègrent le drafter de décodage spéculatif, ce qui coûte environ 2 GB et offre un gain de vitesse important — consultez Décodage spéculatif DFlash ci-dessous. Chaque tag porte le contexte complet de 131,072 tokens et accepte du texte et des images. Le dépôt GGUF de Meta, meta-models/Muse-Glimmer-30B-GGUF, nomme ses deux builds K-quant muse-glimmer-30B-kquant-17gb.gguf (cible 24 GB VRAM) et muse-glimmer-30B-kquant-dynamic.gguf (cible 32 GB), avec le drafter comme dflash-kquant.gguf. Confirmez les tailles sur ollama.com/library/muse-glimmer avant de standardiser — les quantifications sont refaites.

Pourquoi dense compte ici

Les sorties phares récentes sont presque toutes mixture-of-experts, et le MoE a un piège mémoire : le routage active une fraction des paramètres par token, mais tous les poids d’experts restent résidents. Llama 4 Scout active 17B paramètres et a quand même besoin de ~67 GB, car la mémoire évolue avec les paramètres totaux, pas les actifs. Muse Glimmer passe en dense à 30B précisément pour que le modèle entier tienne. L’arithmétique est banale, ce qui est le but :
  • 29.6B paramètres × ~0.5 bytes à 4-bit ≈ 15 GB de poids
  • ~18 GB tel que livré, une fois l’encodeur de vision, les embeddings et les métadonnées inclus
  • Ajoutez le cache KV pour votre contexte en plus — consultez Cache KV et contexte
Il n’y a pas de niveau de déchargement à prévoir et pas de topologie de parallélisme d’experts à concevoir. Si vous avez 24 GB, le modèle est résident. Consultez mémoire et déchargement pour ce qui change quand les poids débordent du GPU.

Adéquation matérielle

Les verdicts supposent le build à 4-bit pour une longueur de contexte modeste. Meta rapporte des tests sur MacBook M4 Max, M5 Max et RTX 5090. Sur une carte de 24 GB le build -dflash tient, mais le drafter et un contexte long se disputent la même marge. Commencez par un contexte modeste, mesurez, puis augmentez. Pour la méthode de dimensionnement, consultez quel modèle tient sur votre GPU ?.

Vous avez choisi un modèle ? Connectez-le

Un seul point de terminaison authentifié à https://api.tokios.com — pas de ports entrants, environ 5 minutes.

Exécutez-le — du débutant à l’avancé

Retirez -dflash si vous manquez de mémoire. Pour tirer directement le dépôt GGUF de Meta au lieu du build de la bibliothèque Ollama :
Laissez Ollama sur son http://127.0.0.1:11434 par défaut et augmentez num_ctx depuis sa petite valeur par défaut seulement aussi loin que votre mémoire libre le permet. Consultez Accès distant à Ollama.

Paramètres d’échantillonnage

Meta recommande temperature = 1.0, top_p = 0.95 et top_k = 64. Une température de 1.0 est plus élevée que ce que beaucoup de modèles locaux veulent — la baisser à la plage 0.6–0.7 qui convient à d’autres checkpoints est une cause fréquente de sortie dégradée ici.

Décodage spéculatif DFlash

DFlash est un modèle compagnon léger qui propose des blocs de 16 tokens au modèle principal pour vérification en un seul passage, au lieu de générer strictement un token à la fois. Meta rapporte : Ce qui rend cela notable c’est l’emballage, pas la nouveauté. Le décodage spéculatif signifie normalement trouver un modèle draft compatible et ajuster l’appairage vous-même. Ici le drafter est livré avec les poids et les tags Ollama -dflash l’activent au pull — environ 2 GB pour un gain de vitesse qui vous prendrait autrement un après-midi de configuration. Le gain de vitesse est pour le décodage, donc il aide surtout là où la sortie est longue : boucles d’agents, génération de code, et raisonnement étendu à high ou xhigh. Il fait peu pour les réponses courtes. Consultez décodage spéculatif pour le mécanisme et comment mesurer le gain sur votre propre matériel.

Capacités

  • Raisonnement contrôlable. Réglez l’intensité dans le prompt système avec Reasoning strength: low (ou medium, high, xhigh). Des réglages plus élevés dépensent plus de tokens avant de répondre — augmentez pour les tâches difficiles, baissez pour la latence.
  • Vision. L’encodeur de perception fait partie du modèle, pas un module ajouté, donc l’entrée d’image fonctionne sur tout build. La sortie est du texte uniquement.
  • Usage agentique. Meta l’a entraîné et évalué pour l’accomplissement de tâches de bout en bout : planification, invocation d’outils selon des schémas précis, vérification des résultats, et reprise après échec. C’est une cible différente d’un modèle de chat général — consultez agents de codage avec des modèles locaux.
  • Multilingue. 100+ langues.

Benchmarks

Rapportés par Meta, sur un modèle publié aujourd’hui. Aucune reproduction indépendante n’existe encore — considérez ces chiffres comme les affirmations du fournisseur jusqu’à l’apparition d’évaluations tierces. Meta positionne Muse Glimmer face à Gemma 4 31B et Qwen3.6 27B sur les tâches agentiques, de codage, multimodales, de sécurité et de raisonnement — la même classe de taille, donc comparez-les sur votre propre charge de travail avant de changer.

Connectez-le avec Tokios

Un agent local toujours actif est un agent que vous voulez atteindre quand vous n’êtes pas sur la machine qui l’exécute. Tokios se place après votre runtime : il ne télécharge pas le modèle et ne remplace pas Ollama.
1

Gardez votre runtime local actif

Démarrez Muse Glimmer dans Ollama, LM Studio, llama.cpp ou vLLM et laissez-le lié à la boucle locale.
2

Associez le connecteur Tokios

Connectez-vous sur tokios.com/console, ouvrez l’onglet Setup et cliquez sur Start pairing pour obtenir un code d’appairage unique (TKS-XXXX-XXXX). Lancez l’installateur sur la machine qui exécute le modèle :
Windows
macOS
Linux
Puis approve l’appareil sur l’onglet Setup ou Connectors.
3

Enregistrez un déploiement

Dans l’onglet Models, enregistrez l’id de modèle amont (par exemple muse-glimmer:30b-q4_K_M-dflash) sous un nom de déploiement public comme muse-glimmer. Les clients envoient le nom de déploiement dans le champ model, jamais l’id local — donc re-quantifier plus tard ne change rien côté client.
4

Créez une clé API

Dans l’onglet Keys, cliquez sur Create key. Copiez la clé sk-tok-… maintenant — elle n’est affichée qu’une seule fois.

Appelez-le depuis n’importe où

Mises en garde

  • Les benchmarks sont rapportés par le fournisseur. Meta les a publiés le jour de la sortie. Attendez des évaluations indépendantes avant de considérer les scores de codage comme acquis.
  • 131,072 tokens est un plafond, pas une cible. Les contextes longs ajoutent de la mémoire de cache KV en plus des poids de 18 GB, et sur une carte de 24 GB c’est exactement la marge que le drafter DFlash veut aussi.
  • Température 1.0 est la recommandation. Ne reportez pas les paramètres d’échantillonnage d’un autre modèle local sans tester.
  • La vision et les appels d’outils dépendent de votre runtime. Tokios transmet le contenu d’image et les champs d’appels d’outils au point de terminaison amont — il n’ajoute pas de capacités que votre runtime ou votre quantification n’a pas. Consultez backends pris en charge.
  • Apache 2.0 est un vrai changement pour Meta. Llama 4 est sous la Llama 4 Community License avec une politique d’utilisation acceptable et un seuil pour les grands produits. Muse Glimmer n’a ni l’un ni l’autre, mais lisez la licence vous-même avant de construire dessus.

FAQ

18 GB pour le build 4-bit q4_K_M, ou 20 GB avec le drafter DFlash — donc une carte de 24 GB comme une RTX 3090 ou 4090 l’exécute, la marge restante allant au cache KV. Le build 8-bit nécessite 31 GB et BF16 nécessite 57 GB. Le calcul transparent : 29.6B paramètres × ~0.5 bytes à 4-bit ≈ 15 GB de poids, plus l’encodeur de vision, les embeddings et les surcoûts.
Oui. C’est le titre de la sortie — un modèle d’agent dense de 30B qui est entièrement résident sur une seule carte grand public à 4-bit. Utilisez muse-glimmer:30b-q4_K_M à 18 GB, ou muse-glimmer:30b-q4_K_M-dflash à 20 GB si vous voulez le drafter de décodage spéculatif et pouvez épargner la mémoire.
Les poids sont publiés sous Apache 2.0, qui est permissif et ne comporte pas de politique d’utilisation acceptable ni de seuil de nombre d’utilisateurs. C’est un changement par rapport à la Llama Community License utilisée par Llama 4. Notez que poids ouverts et open source ne sont pas la même chose — les données d’entraînement et le pipeline ne sont pas publiés.
Un modèle drafter léger livré avec Muse Glimmer. Il propose des blocs de 16 tokens que le modèle principal vérifie en un seul passage, plutôt que de décoder un token à la fois. Meta rapporte 3.1x sur une RTX 5090, 1.8x sur un M5 Max, et 1.5x sur un M4 Max. Téléchargez un tag Ollama se terminant par -dflash pour l’obtenir — pas de configuration séparée.
Les benchmarks propres de Meta le comparent à Gemma 4 31B et Qwen3.6 27B et favorisent Muse Glimmer, mais ce sont des chiffres fournisseur le jour de la sortie. Tous les 3 sont dans la même classe de taille et fonctionnent sur le même matériel, donc la réponse pratique est de servir chacun et de tester votre charge de travail réelle — consultez Qwen3.6 et Gemma.
Non. C’est une nouvelle famille de Meta Superintelligence Labs, distillée à partir d’un plus grand modèle professeur appelé Muse Spark, avec une architecture différente et une licence différente de Llama 4. La ligne Llama est séparée et utilise toujours la Llama Community License.
Mettez Reasoning strength: low, medium, high ou xhigh dans le prompt système. Des réglages plus élevés dépensent plus de tokens pour raisonner avant de répondre, ce qui augmente à la fois la qualité sur les tâches difficiles et la latence. Cela transite aussi par Tokios — définissez-le dans le message system de votre appel API.
Oui — il est conçu pour cela, avec des appels d’outils selon des schémas précis et une reprise d’échec sur des workflows multi-étapes. Le fait qu’un agent spécifique fonctionne dépend de la façon dont votre runtime expose les appels d’outils ; consultez compatibilité des agents de codage pour la matrice et agents de codage avec des modèles locaux pour la configuration.

Décodage spéculatif

Comment fonctionnent les drafters de style DFlash, et comment mesurer le gain de vitesse vous-même.

Agents de codage avec des modèles locaux

Pointez Claude Code, Cline ou Aider vers un modèle que vous hébergez.

Qu'est-ce qui tient sur votre GPU ?

Dimensionnez le modèle et le contexte à votre VRAM ou mémoire unifiée.

Llama 4

La ligne mixture-of-experts de Meta, et pourquoi 17B actifs nécessite quand même 67 GB.

Accédez-y depuis votre téléphone

Utilisez un agent local toujours actif quand vous êtes loin de la machine.

Démarrage rapide

Associez un connecteur et enregistrez votre premier modèle de bout en bout.