Meta Muse Glimmer, yerel yapay zeka aracılarını tüketici GPU'larına getiriyor.
Özet
Meta, tüketici sınıfı GPU'larda çalışabilen ve açık kaynaklı olarak yayınlanan 30 milyar parametrelik yeni yerel yapay zeka ajanı Muse Glimmer'ı duyurdu. Bu model, bulut tabanlı sistemlerin aksine ağ erişimine ihtiyaç duymadan cihaz üzerinde çalışarak kişisel veri ve dosyalara güvenli erişim sağlıyor. Çeşitli ajan görevi kıyaslama testlerinde rakiplerinin çoğunu geride bırakan Muse Glimmer, çok turlu istekleri tamamlama ve karmaşık görevleri yürütme yeteneğiyle öne çıkıyor. Geliştiricilere yerel kodlama ve fonksiyon çağırma gibi alanlarda büyük bir operasyonel esneklik sunuyor.
Meta, tüketici sınıfı bir GPU üzerinde çalışabilen yerel yapay zeka ajanları için Muse Glimmer'ı Apache 2.0 lisansı altında yayınlıyor.
Şirketin Süper Zeka Laboratuvarları, 30 milyar parametreli modelin ağırlıklarını Hugging Face'te yayınladı. Meta, geliştiricilerin bunu yerel kodlama, fonksiyon çağırma, yerel ajanlar ve hakem olarak LLM (LLM-as-a-judge) değerlendirmesi için kullanabileceğini söylüyor.
Bu sürüm, yapay zeka ekiplerinin karşılaştığı operasyonel bir kısıtlamayı hedefliyor: bulut barındırmalı modeller ağ erişimine ve merkezi altyapıya ihtiyaç duyar. Meta bunun yerine Muse Glimmer'ı; takvimlere, mesajlara, dosyalara ve diğer özel bağlamlara erişimi olan kişisel ajanlar dahil olmak üzere cihaz üzerinde bir model gerektiren iş yükleri için öneriyor.
Meta Muse Glimmer, çeşitli ajan görevi kıyaslama testlerinde lider konumda
Meta'nın kıyaslama testleri, Muse Glimmer'ı sekiz genel ajan kıyaslamasının beşinde Gemma4-31B ve Qwen3.6-27B'nin önüne koyuyor. Model, MCP Atlas'ta 75,5 puan aldı. Gemma4-31B 54,2'ye ulaştı ve Qwen3.6-27B 62,5 kaydetti.
DeepSearch QA benzer bir örüntü izliyor. Meta, Gemma4-31B için 61,7 ve Qwen3.6-27B için 71,1'e karşılık, Muse Glimmer için 74,6 puan bildirdi. Sunulan duyuru, her iki kıyaslamayı da bir ajanın iskeleler (scaffolds) içinde çalışıp çok turlu istekleri tamamlama yeteneğinin testleri olarak tanımlıyor.
Model, τ²-Banking'de 23,5 puan aldı. Gemma4-31B 15,1 kaydetti. Qwen3.6-27B 16,7'ye ulaştı.
Muse Glimmer ayrıca WildClawBench'te 47,6 puan alarak Gemma4-31B'nin 37,6'sını ve Qwen3.6-27B'nin 43,2'sini geride bıraktı. GAIA2 sonucu sırasıyla 36,4 ve 40,0'a kıyasla 43,3'e ulaştı.
Diğer ajan puanları Qwen3.6-27B'den yana. Meta'nın tablosu, Muse Glimmer'ın 953 ve Gemma4-31B'nin 811 puanına karşılık, bu modele GDPval-AA'da 1.141 veriyor. Qwen3.6-27B ayrıca SkillsBench'te 46,6 puanla lider olurken, Muse Glimmer 44,3 kaydetti.
OSWorld-Verified, bu gruptaki en büyük farkı ortaya çıkardı. Meta, Qwen3.6-27B için 75,6 bildiriyor. Muse Glimmer 65,9'a ulaştı ve Gemma4-31B 58,5 puan aldı.
Bu testler kısıtlı görevleri ölçer. Bir kuruluş yerel bir ajanı kendi dosyalarına, takvimlerine, mesajlaşma sistemlerine veya dahili araçlarına bağladıktan sonra ajanın nasıl davranacağını göstermezler.
Kodlama sonuçları Muse Glimmer ve Qwen arasında bölünmüş durumda
Muse Glimmer'ın kodlama sonuçları daha dar bir karşılaştırma gösteriyor. Model, 51,2 puanla SWE-Bench Pro'da liderdi. Meta, Gemma4-31B için 36,9 ve Qwen3.6-27B için 50,2 bildiriyor.
SciCode yakın bir sonuç üretti. Muse Glimmer 43,6 puan alarak 43,4'teki Gemma4-31B'nin çok az üzerine çıktı. Qwen3.6-27B 39,8 kaydetti.
Qwen3.6-27B diğer iki kodlama değerlendirmesinde liderdi. Muse Glimmer'ın 76,0'ına kıyasla SWE-Bench Verified'da 77,2 puan aldı. TerminalBench 2.1, Qwen3.6-27B'ye 60,7 puan verdi; Muse Glimmer 51,7'ye ulaştı ve Gemma4-31B 43,4 puan kaydetti.
Yerel bir kodlama ajanı, kod üretmekten fazlasını yapar. Modelin hangi depolara, terminallere, test ortamlarına ve komutlara erişebileceğine karar veren bir iskeleye (scaffold) ihtiyaç duyar. Meta, geliştirici belgelerinde ele alınan özel iskelelerle birlikte Muse Glimmer'ın OpenClaw ve diğer ajan düzenleme (orchestration) modellerini desteklediğini söylüyor.
Yazılım çalışması için modeli değerlendiren bir kuruluş, komutları ve