Muse Glimmer คือโมเดล AI แบบ open-weight ขนาด 30B พารามิเตอร์ ที่…
จุดขายคือคำว่า local, always-on agent — คือออกแบบมาให้เป็น agent ที่เปิดทิ้งไว้ทำงานบนเครื่องเราได้ตลอด ไม่ต้องวิ่งขึ้น cloud รันบน Mac หรือ PC ที่มี GPU แรงๆ ได้จริง
สเปกที่มีตอนนี้คือประมาณ 29.6B dense parameters รวม vision encoder อีก 1.8B รับได้ทั้ง text และ image สลับกัน context ยาว 131K tokens ขึ้นไป รองรับมากกว่า 100 ภาษา ทำ tool calling multi-step reasoning และ recover ตอนงานพังได้
เรื่องรันบนเครื่อง เขาบีบด้วย quantization 4-bit เหลือต่ำกว่า 20 GB จากเดิม full precision ต้องการเกิน 55 GB แล้วใส่ drafter model ตัวเล็กชื่อ DFlash ทำ speculative decoding เร่งความเร็ว ตัวเลขที่มีคือสูงสุดราว 20K tokens ต่อวินาทีบน GPU ตัวเดียวตามข้อมูล NVIDIA ส่วนคนเทสจริงบน RTX 5090 ได้ 120-150 tok/s
การฝึกใช้วิธี distillation จากโมเดลใหญ่กว่าชื่อ Muse Spark แล้วต่อด้วย mid-training สาย long-context กับ agent data และ post-training ทั้ง SFT และ RL ส่วน benchmark ที่เขาเคลมคือสูสีหรือดีกว่ารุ่นขนาดใกล้กันอย่าง Gemma4-31B กับ Qwen3.6-27B ในงานสาย agentic เช่น DeepSearch QA MCP-Atlas SWE-Bench
ปล่อยวันที่ 10 สิงหาคม 2026 โดย Meta Superintelligence Labs ไลเซนส์ Apache 2.0 โหลดได้บน Hugging Face และต่อกับ llama.cpp MLX ExecuTorch vLLM ได้
ฝั่งรีวิว โพสต์ต้นทางมีคนไลก์ราว 8,094 รีพลาย 318 รีโพสต์ 1,041 ยอดวิวเกิน 1.28 ล้าน คนส่วนใหญ่ตื่นเต้นที่ Meta กลับมาปล่อย open-weight อีกครั้ง early tester ชมว่าเร็วและผ่านเทสสาย agent ทั้ง tool calling coding multi-turn JSON ส่วนเสียงติที่เจอส่วนใหญ่มาจาก serving stack เช่น llama.cpp มีปัญหาเรื่อง reasoning budget chat template หรือ streaming จนดูเหมือนโมเดลพัง ไม่ใช่ตัวโมเดลเอง
ที่ต้องระวังคือมันเพิ่งออกได้ไม่กี่วัน ตัวเลข benchmark กับความเร็วเกือบทั้งหมดมาจาก Meta เองหรือ early tester ยังไม่มีรีวิวอิสระขนาดใหญ่ และรายละเอียด dataset ที่ใช้เทรนก็ยังไม่ครบ
ผมก็เห็นว่าเรื่องที่น่าสนใจที่สุดไม่ใช่ตัวเลข benchmark แต่เป็นการที่เขาออกแบบมาเพื่อ always-on agent บนเครื่องตัวเองตั้งแต่แรก เพราะนั่นแปลว่าเราเริ่มมีทางเลือกที่ไม่ต้องส่งงานทุกอย่างขึ้น cloud
ข้อมูลที่มีตอนนี้มีเท่านี้ครับ ใครลองแล้วมาเล่าให้ฟังหน่อย
อยากใช้ AI กับงานจริงเป็นระบบ?
เรียน Claude Method — วิธีคิดและลงมือใช้ Claude/AI กับงานจริง ตั้งแต่วันแรก
📍 โพสต้นฉบับบน Facebook: AI กับ Peesamac