Muse Glimmer: a Meta volta ao código aberto com um agente de 30B que cabe numa GPU

Há uma diferença prática entre um modelo que você pode baixar e um modelo que você pode usar. Pesos abertos de 400 bilhões de parâmetros são um gesto simbólico para quem não tem um cluster; pesos abertos que rodam num notebook são infraestrutura. O Muse Glimmer, publicado pela Meta Superintelligence Labs em 10 de agosto, foi desenhado explicitamente para o segundo caso — e chega sob licença Apache 2.0, sem as cláusulas de uso aceitável que marcaram os lançamentos anteriores da empresa.

O modelo é uma destilação do Muse Spark, o modelo maior da casa. São 29,6 bilhões de parâmetros num transformer denso — não uma mistura de especialistas — com um codificador de percepção acoplado que aceita texto e imagem intercalados. A proposta declarada não é vencer o GPT da vez em prosa, e sim sustentar um agente que fica ligado o dia inteiro na sua máquina: lendo capturas de tela, chamando ferramentas, recuperando-se de erros, sem uma única chamada de rede.

O que há dentro: denso, com atenção local dominante

A arquitetura revela as escolhas. São 52 camadas com dimensão oculta de 6.656 e FFN do tipo SwiGLU. O padrão de atenção alterna três camadas locais para cada camada global, com janela deslizante de 2.048 tokens — e o RoPE (codificação rotacional de posição, o esquema que informa ao modelo a ordem das palavras) é aplicado apenas nas camadas locais. A razão de agrupamento de chaves e valores é agressiva: 32 cabeças de consulta para 2 de chave/valor, uma proporção de 16 para 1.

Essa combinação não é estética. Atenção local com janela curta e cache de chave-valor enxuto é o que permite manter 131 mil tokens de contexto sem estourar a memória de uma placa de consumo. É uma arquitetura otimizada para o cenário em que o gargalo não é o número de FLOPs disponíveis, e sim quantos gigabytes cabem na GPU.

O codificador de percepção é um ViT-G/14 de aproximadamente 1,8 bilhão de parâmetros, com 50 camadas e patches de 14 pixels, capaz de gerar até 4.096 tokens visuais por imagem. Traduzindo: o modelo consegue olhar para uma captura de tela em resolução decente e distinguir os elementos de interface, em vez de ver um borrão. Para um agente que precisa clicar em botões, isso é a diferença entre funcionar e não funcionar.

Os números — e onde eles realmente separam

A Meta compara o Glimmer com dois rivais diretos na faixa dos 30 bilhões: o Gemma4-31B, do Google, e o Qwen3.6-27B, da Alibaba. Nos benchmarks de conhecimento e raciocínio puro, o quadro é de empate técnico. No GPQA Diamond (perguntas de nível de pós-graduação em ciências), o Glimmer marca 83,5 contra 85,7 do Gemma e 84,2 do Qwen — ou seja, perde. No SWE-Bench Verified, faz 76,0 contra 77,2 do Qwen. No AIME 2026, matemática de olimpíada, 94,7 contra 94,1 — uma margem que está dentro do ruído.

A separação aparece em outro lugar. No MCP Atlas, que mede uso de ferramentas via Model Context Protocol, o Glimmer faz 75,5 contra 62,5 do Qwen e 54,2 do Gemma. No DeepSearch QA, que exige múltiplas rodadas de busca e síntese, 74,6 contra 71,1 e 61,7. No SWE-Bench Pro, a versão mais difícil do teste de engenharia de software, 51,2 contra 50,2 e 36,9.

O padrão é consistente e vale ser lido com atenção: o Glimmer não é mais inteligente que a concorrência — ele é mais confiável quando precisa executar uma sequência longa de ações sem se perder. Isso é resultado de treino especializado em trajetórias agênticas, não de capacidade bruta. É uma vantagem real e uma vantagem estreita ao mesmo tempo: útil para quem constrói agentes, irrelevante para quem quer um bom modelo de conversa.

Por que 4 bits mudam a conversa

Em precisão BF16, o modelo pede cerca de 55 GB — território de placas de datacenter. Quantizado a 4 bits (representar cada peso com quatro bits em vez de dezesseis), cai para 18 a 20 GB. Uma RTX 4090 ou 5090 com 24 GB dá conta; um Mac com memória unificada também.

A pergunta óbvia é quanto se perde no caminho. A Meta reporta 0,2% de degradação na variante K-Quant-Dynamic e 1,0% na variante mais comprimida, de 17 GB. São números plausíveis para quantização moderna com calibração — e são números autorreportados, que a comunidade ainda vai verificar em avaliações independentes nas próximas semanas. Vale a cautela: degradação média baixa não impede degradação concentrada em tarefas específicas, e é exatamente em cadeias longas de chamada de ferramenta que erros pequenos se acumulam.

O DFlash, o rascunhador de decodificação especulativa distribuído junto, é o complemento que faz a coisa ser utilizável na prática. A técnica usa um modelo pequeno (aqui, cinco camadas gerando blocos de 16 tokens) para propor continuações que o modelo grande apenas verifica em lote. Os ganhos reportados — 3,1× numa RTX 5090 — são a diferença entre um agente que responde e um agente que faz esperar.

O que "aberto" significa aqui

A Apache 2.0 é uma licença permissiva de verdade: permite uso comercial, modificação e redistribuição sem cláusula de limite de usuários nem restrições de uso aceitável impostas pelo licenciante. Para a Meta, é uma mudança de postura — as famílias Llama vinham com licenças próprias que a Open Source Initiative nunca reconheceu como código aberto.

O que continua fechado é o de sempre, e é o mais importante: os dados de treino. O cartão do modelo descreve a base como "dados multimodais publicamente disponíveis, mais fontes de terceiros e produtos e serviços da Meta" — uma formulação que não permite auditoria de contaminação de benchmark, de viés ou de proveniência. Pesos abertos com dados opacos são reprodutíveis apenas no sentido de que você pode rodar o resultado, não de que você pode refazê-lo.

O movimento maior

O Glimmer chega numa faixa disputada. Gemma4-31B, Qwen3.6-27B, LFM2.5, Ling-3.0-flash — a categoria "modelo bom o suficiente que roda na sua máquina" virou o campo de batalha real do código aberto em 2026, enquanto os modelos de fronteira migram para APIs. Faz sentido: o valor de um modelo local não está em ser o melhor do mundo, e sim em ser suficientemente bom com latência previsível, custo marginal zero e dados que não saem do disco.

A aposta implícita da Meta é que o agente pessoal — o que lê sua tela, seus arquivos e seu calendário — é justamente o caso de uso onde ninguém quer mandar tudo para a nuvem. Um modelo de 30 bilhões de parâmetros com licença permissiva e 20 GB de pegada não vai ganhar manchete por bater recorde. Vai ganhar relevância por estar rodando enquanto ninguém olha.

Perguntas Frequentes

O que é destilação, e o que significa dizer que o Glimmer foi destilado do Muse Spark?

Destilação é treinar um modelo menor para imitar as saídas de um modelo maior, em vez de treiná-lo do zero sobre texto bruto. O modelo grande funciona como professor: em vez de aprender apenas "qual é a próxima palavra correta", o pequeno aprende a distribuição inteira de respostas que o professor daria. O resultado costuma ser bem melhor do que treinar um modelo do mesmo tamanho isoladamente — mas o teto continua sendo o professor.

Qual a diferença entre um modelo denso e uma mistura de especialistas?

Num modelo denso, como o Glimmer, todos os parâmetros são usados a cada token gerado. Numa mistura de especialistas (MoE), o modelo tem muito mais parâmetros no total, mas ativa só uma fração deles por token. MoE dá mais capacidade por unidade de computação, mas exige carregar todos os pesos na memória — o que é ruim justamente no cenário de hardware local. Escolher denso aqui é coerente com o objetivo.

Apache 2.0 significa que o modelo é código aberto de verdade?

Os pesos são, sim, distribuídos sob uma licença que a Open Source Initiative reconhece. Mas "código aberto" aplicado a modelos é um termo em disputa: sem os dados de treino e sem o código do pipeline, ninguém consegue reconstruir o modelo do zero. É mais preciso chamar de "pesos abertos" — o que já é bastante, e não é a mesma coisa.

O que é o MCP Atlas, e por que ele importa mais que o GPQA para este modelo?

O MCP Atlas mede a capacidade do modelo de usar ferramentas externas expostas via Model Context Protocol — escolher a ferramenta certa, montar os argumentos corretamente, interpretar o retorno e seguir adiante. O GPQA mede conhecimento científico difícil. Para um agente que precisa executar tarefas no seu computador, errar a chamada de uma ferramenta quebra a cadeia inteira; não saber uma questão de física de pós-graduação, não.

Preciso de uma GPU cara para rodar?

Na variante de 4 bits mais comprimida, o modelo pede cerca de 24 GB de VRAM — uma RTX 3090, 4090 ou 5090 atende, assim como Macs com memória unificada suficiente. A variante com menor degradação pede 32 GB. Não é hardware de datacenter, mas também não é qualquer notebook.