Muse Glimmer : Meta ouvre un agent IA local de 30 milliards de paramètres

Des poids ouverts pour un modèle agentique de 30 milliards de paramètres

Meta a publié le 10 août 2026 Muse Glimmer, un modèle dense de 30 milliards de paramètres conçu par Meta Superintelligence Labs. Les poids sont accessibles sans authentification sur Hugging Face sous licence Apache 2.0. L’Associated Press a confirmé la sortie le même jour. Il s’agit d’une disponibilité réelle, distincte de la promesse concernant Muse Spark 1.2 : Meta annonce les poids de ce modèle plus puissant pour plus tard, sans les avoir encore publiés.

Muse Glimmer est distillé à partir de Muse Spark et associe un modèle de langage causal à un encodeur visuel dédié. Il accepte du texte et des images entremêlés, puis produit du texte. Sa configuration officielle fixe la fenêtre de contexte à 131 072 jetons et jusqu’à 4 096 jetons visuels par image. Meta indique un entraînement sur plus de cent langues, sans affirmer que chacune atteint le même niveau. L’audio n’est pas pris en charge.

Le positionnement vise les agents locaux : appels de fonctions, tâches en plusieurs étapes, programmation, analyse de captures ou de documents et récupération après l’échec d’un outil. Quatre dépôts publics accompagnent le lancement : les poids Transformers, une édition GGUF quantifiée, un assistant léger pour le décodage spéculatif et une version ExecuTorch. Cette diversité facilite l’intégration, mais la compatibilité annoncée avec Ollama, LM Studio, Unsloth, llama.cpp, MLX, vLLM ou SGLang doit encore dépendre des mises à jour propres à chaque outil.

17 Go de poids ne signifient pas 17 Go de VRAM au total

En pleine précision, Meta estime que les seuls poids dépassent 55 Go et cible une carte disposant de 64 Go de VRAM. La version K-Quant-Dynamic, proche de quatre bits, vise 32 Go. La variante K-Quant-17GB pèse 16,76 Go dans le dépôt GGUF et cible 24 Go de VRAM. La différence sert au cache KV, à l’encodeur d’images et au petit modèle de prédiction nécessaire au décodage spéculatif. Une carte de 16 Go n’entre donc pas dans la configuration validée par Meta, même si le fichier principal paraît presque tenir dans sa mémoire.

Meta mesure une dégradation moyenne de 0,2 % pour K-Quant-Dynamic et de 1 % pour K-Quant-17GB sur quinze tests. Cette moyenne peut masquer des écarts plus importants sur une tâche particulière et n’a pas encore été reproduite indépendamment. La longue fenêtre de contexte n’est pas gratuite non plus : le cache augmente avec la quantité de texte, d’images et de raisonnement conservée. Atteindre 131 072 jetons tout en gardant l’ensemble des modules en mémoire peut donc demander davantage de marge que l’usage conversationnel courant.

Pour accélérer la génération, un modèle DFlash propose des blocs de seize jetons que Muse Glimmer vérifie ensuite. Meta rapporte un débit multiplié par 3,1 sur GeForce RTX 5090, par 1,8 sur MacBook M5 Max et par 1,5 sur M4 Max. Ces valeurs comparent chaque machine avec et sans DFlash ; elles ne constituent pas un classement direct entre GPU et Mac, car Meta utilise llama.cpp sur la RTX et ExecuTorch sur les puces Apple.

Un intérêt concret pour les agents privés et hors ligne

L’exécution locale permet de traiter certains fichiers, captures d’écran ou dépôts de code sans les envoyer systématiquement vers un service cloud. Elle peut aussi fonctionner sans connexion et évite une facturation par jeton. Pour une station équipée de 24 ou 32 Go de mémoire graphique, Muse Glimmer devient ainsi un candidat crédible pour automatiser des tâches répétitives, analyser une interface ou piloter des outils dans un environnement contrôlé. La licence Apache 2.0 autorise également les usages commerciaux et la modification du modèle.

Les résultats publiés par Meta sont solides dans plusieurs scénarios agentiques : 75,5 sur MCP Atlas contre 54,2 pour Gemma4-31B et 62,5 pour Qwen3.6-27B, puis 51,2 sur SWE-Bench Pro contre 36,9 et 50,2. Muse Glimmer ne gagne cependant pas partout. Qwen3.6 reste devant sur OSWorld-Verified, SWE-Bench Verified et TerminalBench 2.1 dans le tableau officiel. Les scores dépendent aussi des modes de raisonnement, des échafaudages logiciels et des budgets de calcul choisis.

Le bénéfice de confidentialité reste conditionnel. Un modèle exécuté sur le PC ne transmet pas automatiquement son contexte à Meta, mais l’agent peut utiliser un moteur de recherche, une API ou un autre service externe si son environnement le permet. Les journaux, extensions et outils connectés gardent leurs propres règles. Une installation locale réduit donc un chemin de sortie des données ; elle ne garantit pas à elle seule que toutes les informations restent sur la machine.

Des performances prometteuses, avec des limites encore importantes

Meta recommande de ne pas déployer Muse Glimmer comme un système autonome sans protection supplémentaire. Un agent capable de modifier des fichiers, d’appeler des fonctions ou de communiquer avec un tiers peut mal interpréter une consigne, subir une injection de prompt ou enchaîner plusieurs actions dont le risque n’apparaît qu’à la fin. Les opérations irréversibles doivent conserver une confirmation humaine, des permissions minimales, une isolation et des sauvegardes adaptées.

La fiche attribue au modèle un risque « modéré ou inférieur » en chimie-biologie, cyber et perte de contrôle. Les deux derniers niveaux sont toutefois inférés à partir de la faiblesse relative de Muse Glimmer face à Muse Spark 1.0, pas établis par une campagne complète propre à chaque domaine. Le tableau de sécurité n’est pas uniformément favorable à Meta : Gemma4 obtient de meilleurs résultats sur certains indicateurs de respect du contexte privé et de résistance aux attaques agentiques.

Le dépôt joint une politique d’usage interdisant notamment les logiciels malveillants, la fraude, la collecte illégitime de données sensibles et plusieurs activités à haut risque. Meta précise aussi que le modèle n’est pas destiné aux moins de 18 ans, que toutes les langues d’entraînement n’ont pas été évaluées et que la quantification peut modifier certains cas limites. Ces réserves s’ajoutent à l’absence actuelle de tests indépendants sur la qualité en français, la stabilité de longs agents et la consommation réelle selon les GPU.

Muse Glimmer marque malgré tout une évolution concrète : un modèle multimodal et agentique récent, ouvert sous Apache 2.0, peut tenir avec ses modules dans une enveloppe de 24 à 32 Go au lieu d’exiger un serveur. Pour les utilisateurs équipés d’une station haut de gamme, l’essai devient réaliste dès maintenant. Il faudra cependant attendre des mesures reproductibles avant de conclure qu’il remplace un service cloud ou qu’il conserve ses scores sur des projets longs et sensibles.