小扎万字长文炮轰闭源：蒸馏无罪，Meta 正式重回开源模型路线

AI摘要 Meta发布300亿参数开源模型Muse Glimmer，采用Apache 2.0许可证，支持单卡消费级设备部署；同步宣布设立独立AI安全董事会，重构高危模型发布决策机制；并明确转向本地智能体优先的架构范式。

Muse Glimmer专为长流程任务与精确工具调用优化，支持多模态理解与长上下文记忆；独立AI安全董事会将逐项审核模型发布；Muse Spark 1.2权重即将开源，延续开放战略。

适合AI基础设施工程师、智能体系统架构师、开源模型应用开发者阅读。

8 月 10 日，Meta 超级智能实验室正式发布 Muse Glimmer，并依据宽松的 Apache 2.0 许可证开放模型权重。

Meta 首席执行官马克·扎克伯格表示，不久后还将发布 Muse Spark 1.2 的权重，这是 Meta 最新的基础模型。这标志着 Meta 重新回归“开放”AI 战略。扎克伯格还发布了一篇万字长文，主张不应让强大的人工智能集中在企业和政府手中。

另外，Meta 设立了独立董事会，负责制定安全标准、逐项审核每一次模型发布。扎克伯格认为，即使创始人控股，也不再由 CEO 单独决定高危 AI 上线，呼吁全行业效仿。

Meta 战略转型后发布的首款模型 Muse Glimmer，拥有 300 亿参数，专为持续运行的本地智能体工作流优化，可在配备单张消费级 GPU 的 Mac 或 PC 上运行。其应用场景涵盖本地个人智能体、函数调用、代码开发以及“以大模型评估大模型”等任务。

https://huggingface.co/meta-models/Muse-Glimmer-30B

为了让模型能够管理日程、起草消息、整理文件并适应用户的工作方式，Muse Glimmer 重点强化了长流程执行、精确工具调用、多模态理解、长上下文记忆和指令遵循能力。

在预训练期间，利用 Muse Spark 的输出进行 logit 蒸馏，采用与教师模型相近的数据组合；中期训练时，加入更长上下文、更高比例的智能体任务数据以及更丰富的推理轨迹；后训练阶段，结合监督微调、在线策略蒸馏和强化学习，覆盖通用、推理、编程和智能体任务。

Meta 内部也将 Muse Glimmer，与 Gemma4-31B 和 Qwen3.6-27B 进行了多种基准测试对比：

不过，虽然这组比较在参数规模上相对公平，但有网友指出，Qwen 3.6 已经不是最新一代模型，Muse Glimmer 还需要与后续 27B 级模型进行直接测试，才能判断其真实竞争力。

据介绍，Muse Glimmer 支持端到端任务执行、精确工具调用、多步骤推理、失败诊断与重试，并可通过专用感知编码器同时处理文字和图像。模型兼容 OpenClaw 等智能体编排方式，支持调整推理强度，并覆盖 100 多种语言。

为适应本地设备，Meta 通过约 4 bit 量化，将原本需要超过 55GB 内存的语言模型压缩至 20GB 以内，使 KV 缓存、图像感知编码器和推测解码模块可共同运行在 24GB 或 32GB 内存环境中。

为提高生成速度，Muse Glimmer 还配备基于 DFlash 的轻量级草稿模型。该模型可一次提出一组候选 token，再由主模型并行验证、接受正确内容并修正错误内容，从而减少逐 token 生成带来的等待时间。Meta 表示这显著提高了 Muse Glimmer 的文本生成速度。

测试结果显示，在配合 K-Quant-17GB 量化模型运行时，DFlash 可使 Muse Glimmer 的解码速度在 RTX 5090 上提升约 3.1 倍，在 M5 Max 和 M4 Max 上分别提升约 1.8 倍和 1.5 倍。所有计算均可在本地设备完成。

有网友表示，已经通过 Ollama 在一台配备 32GB 内存的旧款 Mac mini 上运行 Muse Glimmer，初步效果不错，但完成任务的速度较慢。也有测试者认为，模型的推理过程相对简洁，不过在部分任务中可能比一些容易反复推演的模型更有效率。

部分开发者则对其编程能力持保留态度，认为 Muse Glimmer 虽然能够处理代码任务，但真正优势可能在智能体工作流、工具调用和不同的安全对齐方式，而非直接挑战最强云端编程模型。“Qwen3.6 27B 是编程中常用的中型模型，能战胜它绝非易事。”有网友说道。

另外，Muse Glimmer 主打消费级设备部署，但 24GB 以上显存或统一内存对普通用户而言仍是一道门槛。“并非每个人都负担得起 24GB 内存设备。”有网友说道。

有网友估算，官方测试所使用的 RTX 5090 价格可能达到数千美元。如果只考虑短期使用成本，订阅云端前沿模型或许更加划算。本地部署的价值更多体现在隐私、离线使用、可定制性，以及不受 API 费用和服务策略变化影响。

发布模型的同时，扎克伯格还在 Meta 网站发表了一篇长文。他在文中写道：“大多数其他实验室都专注于为企业、政府或其他机构构建 AI。因此，如果这些实验室取得领先，权力平衡就会向大型机构倾斜，而不是个人。”这番话似乎是在针对谷歌、Anthropic 和 OpenAI 等公司。

扎克伯格表示，Meta 将继续投资开放权重模型。他批评竞争对手实验室采取“封闭”路线：这些实验室通过销售模型访问权限获得了数十亿美元收入。

扎克伯格写道：“有些人认为，降低风险的最佳方式是限制个人能够获得的能力。”但他认为，“广泛部署的开源系统已被证明更加安全，因为有更多人可以发现其中的漏洞”。

他以 Hugging Face 为例称，在封闭模型以安全为由拒绝其请求后，Hugging Face 利用开放模型修补了自身安全系统。

扎克伯格发表上述言论之际，中国 AI 实验室的开放模型正在缩小与美国实验室最先进专有模型之间的差距。

OpenAI 和 Anthropic 此前指责国内竞争对手利用美国 AI 实验室模型的输出训练自己的模型。这项技术被称为“蒸馏”。然而，扎克伯格对此表示支持。他认为，维护“人们可以从自己观察到的任何事物中学习”这一原则非常重要，并否定了蒸馏“有害”的观点。

不过，扎克伯格支持继续通过芯片出口管制减缓竞争对手的发展。

他在文中称，中国大约每两周就有超过 1 吉瓦核电产能投入运行，因此美国需要加快建设能源设施和数据中心，并继续通过芯片出口管制减缓竞争对手的发展。即使只有两个月的技术领先也具有巨大价值，而模型发布延迟一个月就可能影响美国的领先地位。

不过，扎克伯格不赞成禁止个人和企业使用外国开放模型，认为这会降低可用 AI 的质量并加剧集中化。Meta 主张减少美国实验室在训练数据、蒸馏等方面面临的政策阻力。

扎克伯格还表示，Meta 将把模型安全审查权交给公司独立董事会。他表示，不应由他本人或任何一位 AI 企业负责人单独决定超级智能如何部署，并呼吁其他前沿实验室建立类似的独立监督机制。

针对 AI 取代工作的担忧，扎克伯格认为，自动化速度并不一定快于 AI 提升个人能力、创造新需求和新职业的速度。如果超级智能主要用于发明而非替代现有岗位，个人能力增长可能追上甚至超过自动化。

他预计，未来可能出现单人产品工作室、世界构建师、体验设计师和利用 AI 制定个性化疗法的“个人生物学家”。企业平均规模可能缩小，但企业总数有望增加，少数人借助个人智能体即可经营较大规模的公司。

他承认，工作方式变化将带来艰难的适应过程，但认为个人智能体也可承担职业培训和转型辅导。

这位 Meta 创始人批评竞争对手 AI 实验室所宣扬的论调“充斥着末日叙事”。“认为 AI 危险到只有极端集中权力才是安全道路，这种观点本身就存在问题。随着每个人都获得更强大的工具，每个人塑造未来的能力都会增强，而不是减弱。”

https://www.meta.com/thefutureisforeveryone/

今年早些时候，Meta 以安全问题为由，拒绝公开 Muse Spark 的底层权重。随着头部 AI 公司之间的竞争日益激烈，如何以及在多大范围内开放最强大的技术，正成为行业争论的焦点。

周一，Meta 还宣布设立一只规模为 10 亿美元的基金，用于支持其美国数据中心所在地的社区。该公司正在加快建设实现上述 AI 愿景所需的基础设施。大型科技公司的数据中心建设已引发周边居民反弹，因为这些项目可能争夺电力和水等稀缺资源。

扎克伯格此次表态正值 Meta 投入数十亿美元追赶 AI 技术前沿，并大力推广其“个人超级智能”愿景之际。

不过，Meta 上个月披露，AI 基础设施支出导致其自由现金流下降 91%，此后公司股价一度下跌近 8%。过去一年，该公司的股价累计下跌近 20%。其间，Meta 投入巨资招揽顶尖 AI 人才并建设 AI 数据中心。