Meta vill stå upp mot OpenAI och Google med ett mycket speciellt vapen: en kraftfull AI som fungerar offline på din dator

Vi har blivit vana vid att använda artificiell intelligensmodeller utan att tänka för mycket på var de arbetar. Vi skriver en fråga från vår mobiltelefon eller dator, men mycket av beräkningen sker i fjärrdatacenter som tillhör ett annat företag och normalt kräver en uppkoppling för att svara. Att köra kraftfulla modeller direkt på vår egen dator förändrar förhållandet ganska mycket: vi kan hålla slutsatser lokalt och bestämma när vi ansluter AI till externa verktyg eller tjänster.

Problemet är att att göra det med riktigt kapabla modeller fortfarande har en uppenbar hårdvarubarriär. Det är just den terrängen som Meta vill placera Muse Glimmer i, dess nya modell med cirka 30 000 miljoner parametrar utformade för att köras på lokala datorer och arbeta inom agentflöden. Lanseringen har dock en andra läsning som går utöver hårdvaran: företaget har publicerat sina vikter under Apache 2.0-licens efter att Muse Spark, den första modellen av Muse-familjen utvecklad av Meta Superintelligence Labs, kom i april utan offentliga vikter och genom ett privat API för utvalda användare.

Glimmer representerar alltså både ett engagemang för lokala agenter och en ny rörelse av Meta mot modeller med öppen vikt. För att förstå den förändringen måste vi gå tillbaka till strategin som Meta hade byggt kring Llama. 2024 försvarade Zuckerberg offentligt att öppen källkod borde bli en standard för AI och presenterade Lama som ett alternativ till de stängda modellerna i andra stora laboratorier. Tonen ändrades i juli 2025, då han varnade för att superintelligens skulle innebära nya risker och att Meta måste vara försiktig med vad hon beslutade sig för att öppna.

Den försiktigheten tog form 2026 med Muse Spark, vars vikter inte publicerades, före den nya vändningen som representeras av Glimmer och som Financial Times har beskrivit som en återgång av Meta till sin öppna strategi. Meta återgår till öppna vikter, men Glimmer vill göra något mer. Under den 30B-etiketten samlar Glimmer flera funktioner som är utformade för att fungera i bredare scenarier än en textkonversation.

Meta har tränat det att arbeta med text och bilder sammanflätade med hjälp av en perceptuell kodare, stödja olika nivåer av resonemang och arbeta med data från mer än 100 språk. Företaget distribuerar också kvantiserade versioner av vikterna, en teknik som minskar deras minnesfotavtryck och gör det möjligt att köra dem på konsumenthårdvara. Nackdelen är att varje konfiguration kräver olika resurser, en viktig skillnad när vi går från det tekniska bladet till vår egen dator.

Här kommer en av nycklarna till lanseringen: vad det innebär för Glimmer att vara en "agent"-modell. Vi pratar inte bara om att svara på en fråga, utan om att upprätthålla en plan över flera steg, anropa verktyg med specifika parametrar, tolka vad de returnerar och fortsätta även om någon operation misslyckas. För att göra allt detta behöver du en miljö som ger dig de verktygen och behörigheterna, som ofta kallas en ställning.

Meta nämner kompatibilitet med OpenClaw och andra orkestreringssystem, medan LM Studios Bionic erbjuder en mer lättillgänglig väg för att föra dessa funktioner till vårt eget team.

Kvantisering gör det möjligt för Glimmer att passa in i mycket mer blygsamma maskiner än de som behövs för att bära hela vikten, men det eliminerar inte minneskraven. Den officiella metafilen anger målhårdvaran som 64 GB VRAM för fullprecisionsversionen, 32 GB för K-Quant-Dynamic och 24 GB för K-Quant-17 GB. Här är det viktigt att urskilja två siffror som ofta blandas ihop: storleken på filen vi laddar ner och det minne som modellen behöver när den börjar fungera.

Till vikterna måste läggas utrymme för KV-cachen, kontexten och andra komponenter, såsom perceptuell kodare eller den extra spekulativa avkodningsmodellen när den används. Att prova det hemma kräver inte att man skapar en miljö från grunden. I vårt test har vi letat efter Muse Glimmer från LM Studio på en MacBook Pro med M3 Pro-chip och 18 GB enhetligt minne, men vi har ont om vad som krävs: LM Studio ställer in minst 26 GB RAM för att köra den mindre varianten.

Applikationen själv varnar oss innan den laddas ner med meddelandet "Likely too large", vilket indikerar att dess krav kan överskrida de tillgängliga resurserna. Vi kan också trycka på nedladdningsknappen, men 18 GB enhetligt minne på denna Mac är under det minimum som publicerats av LM Studio för Glimmer. I Xataka markerar 2026 början på den meteoriska karriären för humanoida robotar: den här grafen illustrerar det perfekt.

Nästa steg är att ta bort Glimmer från chattfönstret och förvandla det till ett annat verktyg. Bionic låter den användas inom agentflöden och dess lokala API är kompatibel med OpenAI Chat Completions, så att andra applikationer kan kommunicera med modellen från själva enheten. Meta skiljer vidare mellan lokala eller edge-exekveringsramverk, såsom llama.cpp, ExecuTorch och MLX, och verktyg för att betjäna modellen i skala, såsom vLLM och SGLang.

Öppna vikter utökar möjligheterna till integration och anpassning, även om företaget självt rekommenderar att införliva ytterligare skydd när systemet ska använda verktyg eller utföra oåterkalleliga åtgärder. Glimmer lämnar alltså en läsning som går utöver dess siffror eller de riktmärken som Meta jämför den med. Vi ser hur två rörelser börjar mötas: modeller som är tillräckligt kapabla att utföra komplexa uppgifter lokalt och agentsystem förberedda att använda verktyg utan att nödvändigtvis vara beroende av en fjärrtjänst.

Det finns fortfarande en uppenbar hårdvarubarriär, som våra egna tester visar, men riktningen är tydlig. Genom att återpublicera öppna vikter återställer Meta också en strategi med vilken man vill differentiera sig från de stora laboratorierna som håller sina mest avancerade modeller under kontrollerad åtkomst. Bilder | Meta + Photoshop på Xataka | USA fortsätter att vara överlägsna i AI-modeller för att generera text eller kod.

Om vi pratar om video finns det en absolut kung: Kina