Meta ha presentado Muse Glimmer, un nuevo modelo capaz de ejecutar tareas complejas de forma autónoma directamente en ordenadores personales, sin depender de la nube ni de una conexión a internet. Con 30.000 millones de parámetros, esta tecnología puede funcionar en una sola GPU de consumo, lo que permite a usuarios y empresas gestionar flujos de trabajo avanzados de IA en cualquier lugar.
Muse Glimmer representa la primera publicación de Meta Superintelligence Labs con pesos abiertos bajo licencia Apache 2.0. Su principal característica es la posibilidad de operar totalmente de manera local, lo que significa que no requiere servidores remotos ni acceso continuo a internet para desempeñar sus funciones.
El modelo ha sido diseñado para resolver tareas que requieren varios pasos de razonamiento, selección precisa de herramientas, manejo de información multimodal, recuperación ante fallos y seguimiento de instrucciones detalladas.
Gracias a su tamaño y arquitectura, Muse Glimmer facilita flujos de trabajo continuos, adaptándose a las necesidades del usuario sin demoras ni interrupciones derivadas de la latencia de red.
El diseño de Muse Glimmer se basa en la eficiencia: sus 30.000 millones de parámetros lo hacen suficientemente compacto como para ejecutarse en un ordenador convencional equipado con una única GPU de consumo.
Meta ha logrado reducir la huella del modelo mediante técnicas de cuantización, comprimiendo los pesos a una precisión de 4 bits y disminuyendo el tamaño final a menos de 20 GB. Este avance permite que la IA sea accesible para usuarios individuales, pequeñas empresas y desarrolladores sin necesidad de infraestructura especializada.
El modelo está preparado para casos de uso que van desde agentes locales y llamadas a funciones hasta codificación y evaluación de otros modelos de lenguaje de gran tamaño. Muse Glimmer puede actuar como juez en procesos de evaluación LLM y realizar tareas de ejecución prolongada, manteniendo un seguimiento contextual extenso y recuperándose de posibles errores de ejecución.
Entrenamiento, destilación y capacidades multilingües de Muse Glimmer
Meta ha empleado una estrategia de entrenamiento que equilibra la capacidad del modelo con las limitaciones de memoria y procesamiento del hardware doméstico. Para ello, se utilizó una “novedosa receta de destilación” en la que el razonamiento de un modelo maestro más grande se transfiere a Muse Glimmer, además de optimizaciones de inferencia orientadas a reducir la latencia en la respuesta.
El entrenamiento incluyó resultados de Muse Spark y una combinación de destilación basada en políticas y aprendizaje por refuerzo. De esta manera, Muse Glimmer adquiere habilidades en ámbitos como el razonamiento general, la codificación y la gestión de agentes.
La inteligencia artificial de Meta también es capaz de trabajar en más de 100 idiomas, lo que amplía su utilidad en contextos internacionales y la hace adecuada para usuarios de diferentes regiones y lenguas.
Comparativa de rendimiento con otros modelos de IA
Meta ha evaluado el rendimiento de Muse Glimmer frente a modelos reconocidos del sector, como Gemma4-31B de Google y Qwen3.6-27B de Alibaba.
En los benchmarks presentados, Muse Glimmer supera a estos modelos en tareas relacionadas con agentes generales, codificación y razonamiento, demostrando así que un modelo de tamaño medio, si está correctamente entrenado y optimizado, puede ofrecer resultados de alto nivel en tareas específicas.
Cómo descargar Muse Glimmer
Muse Glimmer ya se encuentra disponible para descarga a través de la plataforma Hugging Face. En los días siguientes al lanzamiento, será posible ejecutarlo localmente gracias a la colaboración de Meta con Ollama, LM Studio y Unsloth.
Además, el modelo podrá integrarse en diversos frameworks de IA como llama.cpp, ExecuTorch y MLX, facilitando su uso por parte de desarrolladores y empresas que busquen soluciones personalizadas de inteligencia artificial.
Meta también ha anunciado que próximamente se abrirán los pesos de Muse Spark 1.2, uno de sus modelos fundacionales más avanzados, lo que sugiere una estrategia de apertura progresiva de sus tecnologías para la comunidad científica y de desarrolladores.
Fuente Infobae
