刚被索赔1.4万亿，Meta连夜开源30B小钢炮：扎克伯格点名DeepSeek、Qwen、Kimi

文 | 象先志

Meta最近的日子，冰火两重天。

一边，加州、科罗拉多、肯塔基、新泽西四个州的总检察长把索赔数字喊到了1.4万亿美元——几乎等于Meta 1.48万亿的总市值，指控它故意把Facebook和Instagram设计成让青少年上瘾的产品。另一边，Meta Superintelligence Labs在8月10日突然开源了Muse Glimmer：一个30B参数的Agent模型，直接挂上最宽松的Apache 2.0许可证。

这是Muse系列第一次开源。此前这条线一直闭源，只走API。

Muse Glimmer是个什么模型

先把公开资料能确认的规格摆上桌。

Muse Glimmer由Meta Superintelligence Labs训练——就是Scale AI创始人Alexandr Wang带队的那家实验室。官方定位很明确：不做聊天机器人，做常驻本地的Agent（always-on local agent）。

架构上，它是一个30B的稠密多模态模型：27.9B的文本解码器，配一个1.9B的ViT视觉编码器和GELU投影层。文本部分52层Transformer，用分组查询注意力（32个Q头对2个KV头），外加混合滑动窗口——每三层2048窗口的局部注意力，夹一层全序列注意力，局部层用RoPE、全局层用NoPE，借此把上下文撑到128k以上。

许可证是Apache 2.0：商用、修改、再分发，基本不设门槛。权重已在Hugging Face开放，GGUF和Unsloth变体同步放出。

落地速度也快得反常：发布当天，llama.cpp、Hugging Face Transformers、Ollama 0.32.7、LM Studio、SGLang全部day-0支持，MLX、vLLM随后几天跟进，AMD、Arm、Intel、NVIDIA都参与了设备端优化。Meta这次明显是有备而来。

30B怎么塞进24GB显卡

30B模型全精度要55GB以上的内存，RTX 5090都装不下。Meta用了两板斧。

第一板斧是量化。权重压到约4-bit，语言模型本体缩到20GB以内，省出来的显存留给KV cache、视觉编码器和投机解码的小模型，整体落在24GB或32GB的包络里。官方的说法是，压缩对Agent任务的性能几乎无损。

第二板斧是投机解码，这块值得拆开讲。传统解码是一个词一个词往外蹦，每一步都要把30B参数完整过一遍。Glimmer配了一个基于DFlash的轻量drafter，数据流是这样的：

小模型先"瞎猜"一大段，主模型一次前向就把整段验完——猜对的白赚，猜错的改掉。生成质量不变，速度直接翻倍起。实测数字：RTX 5090上解码从74.9 tok/s拉到233 tok/s，提速3.1倍；M5 Max的MacBook提速1.8倍到50 tok/s，M4 Max提速1.5倍。SGLang那边更狠，RTX 5090上NVFP4加DFlash，单用户236 tok/s，批量吞吐冲到1452 tok/s。

说白了，Meta用工程手段把一个60GB级的模型，压进了24GB级设备，还跑得足够快——本地Agent最怕的就是想五分钟憋一句话，这个问题算是正面解决了。

打工人的素质，是蒸馏出来的

能力从哪来？答案是自家闭源旗舰。

Glimmer的训练分三段：预训练阶段用Muse Spark的输出做logit蒸馏；中训阶段加长上下文、塞入更密集的Agent数据；后训练结合监督微调、on-policy蒸馏和强化学习。

所谓logit蒸馏，说人话就是：老师模型（Muse Spark）不只要告诉学生"答案是什么"，连"每个候选词的信心分布"都手把手教过去。复杂推理链路和Agent交互数据，全部由这个庞然大物生成，再灌进30B的小身板。

这套流程砸出来的能力清单很Agent向：精确schema的工具调用、多步推理、工具调用失败后自己诊断报错并重试、读截图和图表的多模态输入、100多种语言，还兼容OpenClaw这类编排框架。

不过这里得泼点冷水。官方对比里，Glimmer在MCP Atlas上拿到75.5分，压过Gemma4-31B的54.2和Qwen3.6-27B的62.5；但在OSWorld-Verified、TerminalBench 2.1和SWE-Bench Verified上，反超的恰恰是Qwen3.6-27B。也就是说，这个"小钢炮"在工具调用链路上很强，真到电脑操作和终端写代码的硬碰硬，同尺寸的国产模型还站在它前面。

为什么偏偏现在开源

时间点选得很微妙，三条线拧在一起。

第一条线是开源生态的攻守易形。扎克伯格同日发了一封14页的长文《The Future is for Everyone》，给Meta的AI路线定调：超级智能应该交到每个人手里，反对把它集中在少数公司，并明确主张蒸馏训练、呼吁美国放宽对开源AI的限制。他直接点名DeepSeek、Qwen、Kimi是开源领域的领先者。去年春天Meta一度收回开源脚步，现在等于公开承认：这块地盘被中国模型占了，得抢回来。

第二条线是Muse系列的商业布局。Muse Spark上个月刚开始卖API，但在编码、推理、写作的公开榜单上仍落后于Anthropic和OpenAI的旗舰，Meta的策略是打价格——这跟DeepSeek、月之暗面、阿里用宽松许可证打市场的路数如出一辙。开源Glimmer，等于把旗舰蒸馏出的能力免费下放，给API业务引流。Alexandr Wang同天还预告，Muse Spark 1.2的开源权重版也在路上。

第三条线，就是开头那场1.4万亿美元的官司。四个州按"每个受影响青少年用户乘以法定罚款上限"的算法算出这个天价，Meta在法庭文件里反击称这是"博头条的数字"，消费者保护执法史上从无先例。8月奥克兰开庭在即，此时高举"开源""隐私""个人超级智能"的大旗，叙事上的收益显而易见——合理推演是，Glimmer的发布节奏，很难说与这场舆论战完全无关。

还有个细节值得记下：据《纽约时报》，Meta内部还在搞一个代号Watermelon的更强模型，开不开源没说法。所以Glimmer的定位很清楚——开源的是旗舰的蒸馏产物，看家本事还攥在手里。

结语

把镜头拉远，Glimmer真正有意思的地方在于它验证了一条产品路线：云端旗舰负责把能力推到上限，本地小模型靠蒸馏承接，再用量化和投机解码塞进消费级硬件。文件、日历、代码、聊天记录这些高频又私密的活，迟早要留在设备上跑。

而这场发布会外的那层背景更直白：当扎克伯格需要点名三家中国实验室来证明开源的重要性时，开源大模型的重心在哪儿，已经不用多解释了。