El modelo multimodal admite texto e imágenes, uso de herramientas y tareas de programación. Sus versiones cuantizadas ocupan menos de 20 GB, aunque Meta apunta a equipos con 24 o 32 GB de memoria.
Meta presentó el 10 de agosto de 2026 Muse Glimmer, un modelo multimodal diseñado para ejecutar agentes de inteligencia artificial en equipos locales. Su ficha técnica especifica aproximadamente 29.600 millones de parámetros, entradas de texto e imagen, salida de texto y una ventana de contexto superior a 131.000 tokens.
La compañía publicó los pesos bajo la licencia Apache 2.0. El objetivo es que desarrolladores puedan construir asistentes que utilicen herramientas, trabajen con archivos, analicen documentos o ayuden con programación sin depender permanentemente de un servicio en la nube.
El concepto de ejecución local requiere un matiz importante. Meta indica que la cuantización a unos cuatro bits reduce el modelo de lenguaje a menos de 20 GB. Sin embargo, las configuraciones oficiales apuntan a equipos con 24 o 32 GB de memoria disponible para alojar también el contexto, el codificador visual y el componente de decodificación especulativa. La versión con precisión completa tiene como referencia 64 GB de memoria gráfica.
Un modelo orientado al uso de herramientas
Según la documentación del modelo, Muse Glimmer fue entrenado para planificar tareas de varios pasos, realizar llamadas a funciones, interpretar imágenes y capturas de pantalla, escribir código y recuperarse cuando una herramienta devuelve un error.
El entrenamiento combinó destilación desde un modelo de mayor tamaño, ajuste supervisado y aprendizaje por refuerzo. Meta también incorporó diferentes niveles de razonamiento para que las aplicaciones puedan ajustar el equilibrio entre velocidad y profundidad de procesamiento.
Resultados desiguales según la prueba
Los resultados publicados por Meta muestran un perfil competitivo, pero no un liderazgo general. En MCP Atlas, una prueba de uso de herramientas, Muse Glimmer obtuvo 75,5 puntos frente a 54,2 de Gemma4 31B y 62,5 de Qwen3.6 27B. En SWE Bench Verified alcanzó 76,0, por encima de Gemma4 pero ligeramente por debajo de Qwen. En OSWorld Verified también quedó detrás de Qwen.
Estas comparaciones deben interpretarse con cautela. El informe metodológico explica que una parte de las cifras procede de ejecuciones internas y que las configuraciones utilizadas con modelos de terceros pueden no estar optimizadas para sus fortalezas. Los resultados sirven como referencia inicial, pero no sustituyen las pruebas con tareas, herramientas y hardware propios.
Disponibilidad y cautelas
La distribución en Hugging Face incluye pesos con precisión completa, dos variantes cuantizadas, el codificador visual y un modelo auxiliar basado en DFlash para acelerar la generación. La licencia Apache 2.0 permite usos comerciales y de investigación.
La propia ficha de Meta advierte que Muse Glimmer puede generar información incorrecta, sesgada u objetable. También puede fallar en tareas nuevas de razonamiento prolongado y no ha sido evaluado de igual manera en todos los idiomas incluidos en su entrenamiento. Para agentes capaces de modificar archivos, enviar información o ejecutar otras acciones con consecuencias, Meta recomienda controles adicionales y confirmación humana.
Muse Glimmer amplía las opciones disponibles para desarrollar agentes en infraestructura local, especialmente cuando interesa reducir la dependencia de la nube. Sus requisitos de memoria y la falta de una validación uniforme fuera de las pruebas del fabricante hacen aconsejable tratarlo inicialmente como una plataforma de evaluación y prototipado, no como un sistema autónomo listo para operar sin supervisión.
Fuentes
- Meta AI Research, presentación de Muse Glimmer
- Meta, ficha técnica de Muse Glimmer en Hugging Face
- Meta AI Research, metodología de evaluación de Muse Glimmer
Ilustración: captura del sitio de Muse Glimmer
📬 Newsletter gratuito
