Muse Glimmer – Meta tomonidan ochiq manbada taqdim etilgan 30 milliard parametrli katta til modeli Faoliyat yuritmoqda

Muse Glimmer — Meta tomonidan ochiq manbada taqdim etilgan 30 milliard parametrli katta til modeli bo‘lib, kecha-kunduz qurilmada ishlaydigan Agent ish jarayonlari uchun chuqur optimallashtirilgan. 4 bitli kvantlash texnologiyasi yordamida model 24 GB videoxotirali bitta GPU yoki Apple Silicon’da ravon ishlaydi, xulosa chiqarish unumdorligi esa juda kam pasayadi. Sinovlar model RTX 5090, M4/M5 Max platformalarida real vaqt suhbatlari va aqlli agentlar bilan o‘zaro aloqalarni bajara olishini ko‘rsatdi. DFlash spekulyativ dekodlash texnologiyasi bilan tezlik 3,1 baravargacha oshadi. Model MCP Atlas, SWE-Bench Pro va boshqa qator mezonlarda bir xil o‘lchamdagi raqobatchilardan ustun.

Mahalliy Agent xulosasi: kecha-kunduz fonda ishlashni qo‘llab-quvvatlaydi, aqlli agentlar ish jarayonlari uchun chuqur optimallashtirilgan va internetga ulanmasdan murakkab vazifalarni rejalashtira oladi.
Kam videoxotira bilan samarali joylashtirish: 4 bitli kvantlash texnologiyasi yordamida 30B parametrli model 24 GB videoxotirali bitta qurilmada yoki 32 GB yagona xotirali Mac’da mahalliy ishlaydi.
Real vaqt rejimidagi interaktiv suhbat: M4 Max, M5 Max va yuqori darajadagi kompyuterlarda ravon suhbat hamda real vaqt Agent javoblarini ta’minlab, kechikish past bo‘lgan vazifalarga moslashadi.
Multimodallik va vositalardan foydalanish: MCP Atlas kabi agent mezonlarini qo‘llab-quvvatlaydi, vositalardan foydalanish, kod generatsiyasi va ko‘p bosqichli xulosa chiqarish imkoniyatlariga ega.

WeChat’da kuzatib, “开源” deb javob yuboring va AI ochiq manbali loyihalar guruhiga qo‘shiling
Model arxitekturasi va ko‘lami: Muse Glimmer Transformer arxitekturasiga asoslangan bo‘lib, jami parametrlar soni 30 milliardni tashkil etadi. Agentic vazifalar uchun keyingi bosqichda o‘qitish va ko‘rsatmalar asosida nozik sozlash orqali vositalardan foydalanish, kod generatsiyasi va ko‘p bosqichli xulosa chiqarish qobiliyatlari kuchaytirilgan.
4 bitli kvantlash orqali siqish: past bitli kvantlash texnologiyasi model hajmini sezilarli darajada kamaytiradi. Natijada 30B parametrli model 24 GB videoxotirali bitta qurilmada yoki 32 GB yagona xotirali Mac’da mahalliy ishlaydi, sinovlarga ko‘ra agent vazifalarida unumdorlik juda kam pasayadi.
DFlash spekulyativ dekodlashi: spekulyativ dekodlash mexanizmi qoralama model yordamida token nomzodlarini tez yaratadi va ularni asosiy model orqali parallel tekshiradi. RTX 5090’da tezlik 3,1 baravargacha oshib, dekodlash tezligi 233 tok/s ga yetadi.
Kross-platformali xulosa chiqarish freymvorki: Apple Silicon uchun ExecuTorch, NVIDIA GPU uchun esa llama.cpp orqali moslashtirilgan. Bu turli apparat platformalarida barqaror va samarali mahalliy xulosa chiqarish tajribasini ta’minlaydi.

Muhitni tayyorlash: mahalliy qurilmada kamida 24 GB videoxotirali NVIDIA GPU yoki 32 GB yagona xotirali Apple Silicon Mac bo‘lishi kerak (M4/M5 Max tavsiya etiladi).
Og‘irliklarni yuklab olish: Hugging Face’dagi meta-models/Muse-Glimmer-30B repozitoriyiga kiring va 4 bitli kvantlangan model fayllari hamda konfiguratsiya fayllarini yuklab oling.
Freymvorkni tanlash: NVIDIA foydalanuvchilari modelni llama.cpp orqali yuklaydi; Apple Silicon foydalanuvchilari eng yaxshi unumdorlik uchun ExecuTorch’dan foydalanadi.
Xulosa chiqarishni ishga tushirish: mos keluvchi mahalliy xulosa chiqarish UI’si orqali modelni yuklang va maksimal tezlik uchun DFlash spekulyativ dekodlashni yoqing.
Agent ish jarayoniga ulash: MCP protokoli yoki mahalliy API orqali modelni shaxsiy bilimlar bazasi, kod repozitoriylari va vositalar zanjiriga ulang hamda fonda doimiy ishlaydigan avtomatlashtirilgan vazifalarni yo‘lga qo‘ying.

Yuqori darajadagi mahalliy unumdorlik: 4 bitli kvantlashdan so‘ng unumdorlik juda kam pasayadi. SWE-Bench Pro, DeepSearch QA va boshqa vazifalarda Gemma4-31B hamda Qwen3.6-27B’dan sezilarli ustunlik qiladi.
Qulay apparat talablari: katta modellarni mahalliy joylashtirishdagi videoxotira to‘sig‘ini bartaraf etadi. 24 GB videoxotira 30B parametrli modelni ishga tushirish uchun yetarli bo‘lib, individual dasturchilar va kichik hamda o‘rta korxonalar xarajatlarini kamaytiradi.
Xulosa chiqarish tezligidagi sakrash: DFlash spekulyativ dekodlashi integratsiyasi RTX 5090’da dekodlash tezligini 74.9 tok/s dan 233 tok/s gacha oshirib, 3,1 baravarlik tezlashuvni ta’minlaydi.
Xavfsizlik va nazorat: 100% mahalliy hisoblash tufayli ma’lumotlar qurilmadan chiqmaydi. Siren AgentDojo xavfsizlik sinovida hujumlarning muvaffaqiyat darajasi raqobatchilarnikidan past bo‘lib, unumdorlik va maxfiylik uyg‘unlashadi.

Hugging Face model kutubxonasi: https://huggingface.co/meta-models/Muse-Glimmer-30B

Mahalliy AI yordamchisi: fonda doimiy ishlaydigan shaxsiy agent sifatida kun tartibini boshqarish, elektron xatlar loyihasini tayyorlash va kodni tekshirish kabi kundalik vazifalarni bajaradi. Bulutli API’ga bog‘lanish talab etilmaydi.
Maxfiy ma’lumotlarga sezgir sohalar: tibbiyot, moliya va huquq kabi ma’lumotlar muvofiqligiga juda yuqori talab qo‘yiladigan sohalarda qo‘llanadi. Asosiy ma’lumotlarning 100% mahalliy qurilmada qolishini ta’minlaydi.
Dasturchilar vositalari zanjiri: IDE yoki terminalga integratsiya qilinib, oflayn kodni to‘ldirish, avtomatlashtirilgan testlar yaratish va repozitoriy darajasida kodni tushunish imkonini beradi. SWE-Bench darajasidagi dasturiy muhandislik vazifalarini qo‘llab-quvvatlaydi.
Chekka qurilmalarda joylashtirish: 24GB+ videoxotirali ish stansiyasi yoki yuqori unumdor Mac’da ishlaydi va kichik hamda o‘rta jamoalarga arzon narxda korporativ darajadagi AI imkoniyatlarini taqdim etadi.