Meta lança modelo aberto de IA que roda direto no computador
A Meta lançou o Muse Glimmer, um modelo de inteligência artificial com 30 bilhões de parâmetros desenvolvido para executar agentes de IA localmente, sem depender continuamente de serviços em nuvem ou conexão com a internet.
O modelo teve seus pesos publicados sob licença Apache 2.0 e foi projetado para funcionar em Macs e PCs equipados com uma única GPU de consumo. A proposta inclui tarefas como programação, chamadas de ferramentas, automação de fluxos de trabalho e avaliação de outros modelos de linguagem.
O lançamento também reforça uma nova aposta da Meta em modelos com pesos abertos. Mark Zuckerberg defendeu recentemente que sistemas avançados de inteligência artificial não deveriam ficar concentrados nas mãos de poucas organizações, enquanto a companhia também prepara a publicação dos pesos do Muse Spark 1.2.
Agentes de IA funcionando no próprio dispositivo
O Muse Glimmer foi otimizado para agentes que permanecem ativos no dispositivo e podem executar tarefas envolvendo arquivos, mensagens, programação e outras ferramentas.
Entre as capacidades trabalhadas no modelo estão execução de tarefas de várias etapas, chamadas de funções, raciocínio prolongado, recuperação após falhas e interpretação conjunta de texto e imagens.
O sistema pode, por exemplo, analisar capturas de tela, gráficos e documentos durante uma interação. O modelo também foi treinado com dados em mais de 100 idiomas e pode operar com diferentes níveis de esforço de raciocínio para equilibrar velocidade e qualidade.
A arquitetura foi preparada para funcionar com estruturas de orquestração de agentes, incluindo OpenClaw.
Treinamento combina destilação e aprendizado por reforço
Para reduzir o tamanho do modelo sem eliminar capacidades voltadas para agentes, a Meta utilizou técnicas de destilação que transferem conhecimento de um modelo maior para o Muse Glimmer.
Durante o pré-treinamento, o modelo utilizou resultados produzidos pelo Muse Spark por meio de logit distillation. Em uma etapa intermediária, o treinamento passou a incluir contextos mais longos, maior presença de tarefas envolvendo agentes e rastros de raciocínio mais detalhados.
O pós-treinamento combinou ajuste fino supervisionado, destilação e aprendizado por reforço em áreas como raciocínio, programação e uso de agentes.
O Muse Glimmer também passou pelas avaliações previstas no Advanced AI Scaling Framework da Meta antes da liberação de seus pesos.
Modelo é comprimido para menos de 20 GB
Um dos principais desafios para executar um modelo de 30 bilhões de parâmetros localmente é o consumo de memória. Em precisão completa, o Muse Glimmer exigiria mais de 55 GB.
A Meta utiliza quantização de aproximadamente 4 bits para reduzir o modelo de linguagem a menos de 20 GB. Com isso, ainda sobra espaço para componentes como a memória de trabalho do modelo, o codificador responsável pela interpretação de imagens e o sistema de geração especulativa.
A configuração foi projetada para funcionar dentro de um limite de 24 GB ou 32 GB de memória.
Nos testes divulgados, a compressão provocou degradação mínima ou inexistente nas tarefas voltadas para agentes.
Geração especulativa acelera as respostas
O Muse Glimmer também acompanha um modelo auxiliar baseado no DFlash. Esse componente tenta prever blocos inteiros de tokens antes que o modelo principal faça a validação.
Em vez de gerar exclusivamente um token por vez, o sistema pode analisar várias previsões em paralelo, aceitar aquelas consideradas corretas e ajustar as demais.
A técnica busca acelerar conversas, cadeias de raciocínio e sequências envolvendo várias chamadas de ferramentas sem alterar a qualidade do resultado final.
Os testes de velocidade foram realizados com uma versão quantizada de 17 GB em computadores com chips M4 Max e M5 Max, além de uma máquina equipada com uma RTX 5090.
Desempenho mira modelos da mesma faixa
O Muse Glimmer foi avaliado em diferentes testes relacionados a programação, raciocínio, uso de ferramentas e conclusão de tarefas por agentes.
Nos resultados apresentados pela Meta, o modelo demonstra desempenho competitivo em sua categoria quando comparado ao Gemma4-31B e ao Qwen3.6-27B.
Entre os testes utilizados estão DeepSearch QA, MCP-Atlas, τ-Bench e SWE-Bench, que avaliam desde resolução de tarefas em várias etapas até escrita e correção de código.
Integrações locais chegam nos próximos dias
Os pesos do Muse Glimmer já estão disponíveis no Hugging Face, acompanhados de documentação para desenvolvedores.
Integrações otimizadas com llama.cpp, MLX e ExecuTorch estão previstas para os próximos dias. O modelo também deverá chegar a ferramentas como Ollama, LM Studio e Unsloth.
Para execução em servidores, estão previstas opções envolvendo vLLM e SGLang, enquanto serviços como Together AI, Fireworks AI e OpenRouter poderão oferecer outras formas de acesso.
A Meta também trabalha com AMD, Arm, Dell, Intel e Nvidia para otimizar o desempenho do modelo em diferentes dispositivos.
A volta dos modelos abertos amplia a disputa por IA local
O Muse Glimmer amplia a competição em uma área que combina modelos menores, agentes autônomos e processamento diretamente no dispositivo.
Ao disponibilizar os pesos sob uma licença permissiva e adaptar um modelo de 30 bilhões de parâmetros para computadores pessoais, a Meta tenta reduzir uma das principais barreiras para agentes locais: a necessidade de infraestrutura de nuvem.
A estratégia também sinaliza uma aproximação com a política de modelos abertos que marcou gerações anteriores da família Llama. Se modelos desse porte conseguirem manter desempenho suficiente para programação, automação e uso de ferramentas, desenvolvedores poderão criar agentes com maior controle sobre dados, infraestrutura e funcionamento local.