還記得當年靠 Llama 系列撐起整個開源 AI 生態的 Meta 嗎？自從改組成 Meta Superintelligence Labs 之後，先是推出免費生圖的 Muse Image，又端出第一個收費模型 Muse Spark 1.1，讓不少人以為 Meta 從此告別開源路線。結果 2026 年 8 月 10 日，Meta 無預警發布了 Muse Glimmer——一個 300 億（30B）參數、採 Apache 2.0 授權的開源 AI 模型，權重直接放上 Hugging Face 讓大家免費下載！
Muse Glimmer 的定位很明確：不跟雲端旗艦模型比智力，而是主打「一張消費級顯示卡就能跑的本地 AI 代理人」。它針對多步驟推理、端到端任務執行（agentic）、本地寫程式助手、LLM 評審（LLM-as-a-judge）等場景最佳化，而且 Ollama 當天就火速推出支援版本，LM Studio 等工具也在支援名單上。
平常有在玩 Ollama 或 LM Studio 的讀者，這篇一定要看完——阿正老師帶你了解 Muse Glimmer 的特色、硬體需求，以及跟其他開源模型比起來值不值得下載。
文章目錄
一、Muse Glimmer 是什麼？基本資訊一覽
Muse Glimmer 是 Meta Superintelligence Labs 於 2026 年 8 月 10 日發布的開源大型語言模型，參數量 300 億（30B），採用密集（dense）架構，設計目標是「常駐在你電腦上的本地 AI 代理人」。跟先前只提供 API 的 Muse Spark 不同，Muse Glimmer 的模型權重以 Apache 2.0 授權完整開放，可以免費下載、修改，甚至商業使用。
| 官方網站 | https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model |
| 最新版本 | Muse Glimmer 30B（發布日期2026-08-10） |
| 支援系統 | Windows / macOS / Linux（透過 Ollama、LM Studio 等本地推論工具執行） |
| 費用 | 免費（Apache 2.0 開源授權，可商用） |
| 繁中支援 | 多語言能力與繁體中文表現待確認（建議下載後實際測試） |
| 軟體下載 | [Ollama本站下載點] [LM Studio本站下載點] |
二、四大特色：為什麼它跟其他開源模型不一樣？
現在開源模型百家爭鳴，Muse Glimmer 憑什麼吸引大家的目光？阿正老師整理出四個重點：
1. Meta 重回開源陣營的象徵
Llama 之後，Meta 已經很久沒有拿出像樣的開源模型了，中間開源舞台幾乎被中國模型包場——DeepSeek V4、Kimi K3、GLM-5.2、Qwen3.8-Max 輪番上陣。Muse Glimmer 用的還是比 Llama 更寬鬆的 Apache 2.0 授權（Llama 是自訂授權、有使用限制），對開發者和企業都更友善。
2. 專為「AI 代理人」訓練，不是聊天機器人
Muse Glimmer 的訓練與評估重點放在端到端任務完成（agentic task completion）和多步驟推理——說白話就是「交代一件事，它自己拆步驟、用工具、做到完」，而不只是一問一答。官方點名的應用場景包括本地程式開發代理人（coding agent）、自動化工作流程，以及當「LLM 評審」幫你評估其他模型的輸出品質。
3. 單張消費級顯示卡就能跑
30B 的參數量是刻意選的：夠聰明做代理人任務，又不至於大到只有伺服器跑得動。經過 4-bit 量化後，模型可以塞進單張高階消費級顯示卡的記憶體裡（詳見下一節的硬體需求），這也是它主打「always-on 常駐本地代理人」的底氣——不用連網、不用月費、資料不出門。
4. 生態系支援火速到位
發布當天 Ollama 0.32.7 就正式加入 Muse Glimmer 支援，LM Studio、Unsloth、vLLM 等主流工具也在官方公布的支援名單中，llama.cpp 與 Apple MLX 的整合則預告近日跟上。不像有些模型開源後要等社群慢慢移植，Muse Glimmer 是「開箱即用」等級的支援度。
三、硬體需求：我的電腦跑得動嗎？
依外媒報導，Muse Glimmer 完整精度的權重約 55GB，經 4-bit 量化後約 18～20GB。這代表：
- 24GB VRAM 顯示卡（如 RTX 4090 / 5080 等級）：可以完整載入 4-bit 量化版，體驗最順。
- 12～16GB VRAM 顯示卡：需要把部分模型層放到系統記憶體（offload），跑得動但速度會明顯變慢。阿正老師的 RTX 5070 12GB 就屬於這一級，建議實際測試時觀察 token 產生速度再決定日常使用方式。
- Apple Silicon Mac：統一記憶體 32GB 以上較有餘裕；16GB 的機種（例如阿正老師的 M4 Mac Mini 16GB）載入 20GB 級的模型會相當吃緊，可能需要更低精度的量化版本（待社群釋出）。
- 純 CPU：技術上可行但速度不實用，不建議。
如果你的顯示卡不夠力，也別灰心——想體驗裝置端 AI，可以先從更小的模型入手，例如之前介紹過的 Bonsai 27B（3.9GB 就能跑）。
四、怎麼下載使用？Ollama 一行指令搞定
最簡單的方式是透過 Ollama（安裝方式見阿正老師的 Ollama 完整教學）：
- 先把 Ollama 更新到 0.32.7 或更新版本（舊版不支援）。
- 開啟終端機，輸入模型拉取指令（模型名稱以 Ollama 模型庫頁面標示為準）。
- 等模型下載完成後即可離線對話，或接上支援 OpenAI 相容 API 的工具當程式助手。
偏好圖形介面的朋友，可以用 LM Studio 直接在軟體內搜尋下載；進階玩家則可以到 Hugging Face 的 meta-models 頁面抓原始權重自己量化。
五、跟其他開源模型比一比
| 模型 | 參數規模 | 授權 | 定位 | 一般電腦跑得動？ |
|---|---|---|---|---|
| Muse Glimmer | 30B（dense） | Apache 2.0 | 本地 AI 代理人、寫程式、LLM 評審 | 高階顯示卡可（24GB 最穩） |
| Bonsai 27B | 27B（高壓縮） | 開源 | 裝置端 AI、手機也能跑 | ✅ 幾乎都能跑（3.9GB） |
| Kimi K3 | 2.8T（MoE） | 開源權重 | 旗艦級多模態 | ❌ 伺服器等級才行 |
| Qwen3.8-Max | 2.4T（MoE） | 預告開源（上架時程待確認） | 旗艦級多模態 | ❌ 伺服器等級才行 |
| GLM-5.2 | 大型 MoE | 開源 | 長上下文、免費網頁版 | ❌ 以雲端使用為主 |
簡單說：想在自己電腦上跑一個「夠聰明的代理人」，Muse Glimmer 目前是 30B 級距裡生態支援最完整的新選擇；追求極致小巧選 Bonsai，追求旗艦智力則還是得靠雲端或伺服器級硬體。
六、阿正老師的總結
有 24GB VRAM 顯示卡、想打造本地寫程式助手
→ Muse Glimmer。專為代理人任務訓練、Apache 2.0 無商用顧慮，LM Studio / Ollama 一鍵就能跑。
顯示卡記憶體 12GB 以下、只是想體驗本地 AI
→ 先從 Bonsai 27B 這類輕量模型入手，等社群釋出更低精度的 Glimmer 量化版再上車。
你會下載 Muse Glimmer 嗎？
Meta 睽違多時重回開源陣營，你看好 Muse Glimmer 嗎？你的顯示卡跑得動嗎？還是你已經有慣用的本地模型了？
歡迎在下面留言跟阿正老師分享！
