Meta abre Muse Glimmer, pero 30.000 millones de parámetros aún pesan
Meta puso en circulación el 10 de agosto de 2026 los pesos de Muse Glimmer, un modelo multimodal denso de unos 30.000 millones de parámetros que puede ejecutarse en hardware local. La cobertura de AP registró el lanzamiento ese mismo día y separó su disponibilidad del futuro acceso para desarrolladores a Muse Spark 1.2.
La respuesta corta es que Glimmer ya puede descargarse y no obliga a enviar cada inferencia a un servicio remoto. Sin embargo, «local» no significa ligero: el modelo necesita versiones cuantizadas para entrar en equipos con 24 o 32 GB de memoria, y esa disponibilidad de pesos tampoco revela por sí sola todo el proceso de entrenamiento.
Meta distribuye los pesos, no una reproducción completa del entrenamiento
La presentación técnica de Meta define Muse Glimmer como un modelo abierto para agentes que funciona en el dispositivo y detalla su orientación hacia planificación, uso de herramientas, comprobación de resultados y recuperación ante fallos. El producto acepta texto e imágenes y devuelve texto, por lo que su carácter multimodal no equivale a generación de imágenes.
En este contexto, la formulación más precisa es modelo de pesos abiertos. Los archivos entrenados pueden obtenerse, conservarse y cargarse en infraestructura controlada por el operador; eso permite inspeccionar su estructura, adaptar el despliegue y ejecutar la inferencia sin depender permanentemente de una API comercial.
La apertura de los pesos no entrega automáticamente los conjuntos de datos originales, todos los filtros aplicados, la infraestructura de entrenamiento ni una receta capaz de reproducir el modelo desde cero. Por eso conviene distinguir tres elementos: los artefactos descargables, la licencia que regula su uso y la documentación que explica cómo fueron producidos. Que uno de ellos sea accesible no garantiza que los otros estén disponibles con el mismo nivel de detalle.
Apache 2.0 amplía el uso, pero no completa la documentación
La ficha de Muse Glimmer en Hugging Face identifica 29.600 millones de parámetros, licencia Apache 2.0, una ventana de contexto declarada de al menos 131.072 tokens y archivos GGUF dirigidos a configuraciones con 24, 32 y 64 GB de memoria gráfica. La misma distribución separa el modelo principal de los componentes empleados para percepción visual y decodificación especulativa.
Apache 2.0 es una licencia permisiva: admite uso, modificación y redistribución bajo sus condiciones, incluidas las obligaciones sobre avisos y atribución. Esa licencia es más flexible que varias licencias específicas creadas para modelos de IA, pero no convierte en públicos materiales que no estén incluidos en la distribución.
La diferencia importa porque «código abierto» suele sugerir que un tercero puede estudiar y reconstruir el sistema completo. Con Glimmer, lo verificable es la disponibilidad de los pesos, de formatos preparados para inferencia y de una licencia permisiva. El grado de transparencia del entrenamiento debe juzgarse aparte.
Treinta mil millones de parámetros no son treinta gigabytes
El número de parámetros mide el tamaño nominal de la red, no una cantidad fija de memoria. El consumo depende de la precisión con la que se representa cada peso, del formato empleado y de la memoria adicional requerida por el contexto, la caché KV, los componentes multimodales y las solicitudes simultáneas.
Una estimación aritmética muestra la escala. Si cada uno de los 30.000 millones de parámetros ocupa dos bytes, solo los pesos rondan los 60 GB. Si se representan con cuatro bits, el mínimo teórico baja a unos 15 GB, antes de añadir metadatos, estructuras del formato y memoria de trabajo.
La cuantización consigue esa reducción usando menos bits para representar los pesos. No elimina parámetros ni transforma Glimmer en un modelo pequeño: comprime un modelo denso para que pueda cargarse en hardware más accesible. La calidad y la velocidad resultantes dependen del método de cuantización, del motor de inferencia y del equipo utilizado, por lo que el tamaño del archivo no basta para anticipar el comportamiento.
Los 24 y 32 GB son envolventes de ejecución, no garantías
Una variante cuantizada puede caber en una GPU de 24 GB y aun dejar poco margen para una conversación extensa, entradas visuales o procesos paralelos. Una configuración con 32 GB ofrece más espacio, mientras que la precisión completa apunta a una clase de hardware distinta. En sistemas con memoria unificada, la capacidad también se comparte con el sistema operativo y otras aplicaciones.
Parte de la carga puede trasladarse a la memoria principal cuando el motor lo permite, pero eso modifica la velocidad y no reduce el volumen de datos que debe moverse. Tampoco todas las implementaciones incorporan desde el primer día el mismo soporte para la arquitectura, el codificador visual o la decodificación especulativa.
Ejecutar Glimmer localmente significa, por tanto, que los pesos y la inferencia pueden permanecer en el equipo del usuario. No significa que cualquier portátil, una GPU con poca memoria o una CPU modesta vayan a ofrecer una experiencia comparable a las configuraciones para las que se prepararon los archivos.
Muse Spark 1.2 permanece fuera de este lanzamiento
Muse Glimmer es el modelo cuyos pesos ya están disponibles. Para Muse Spark 1.2, Meta adelantó una vía de acceso para desarrolladores, pero el anuncio recogido el 10 de agosto no estableció que vaya a distribuirse inmediatamente con los mismos archivos ni bajo la misma licencia. Equiparar ambos estados ampliaría lo que se conoce hasta ahora.
La situación al 14 de agosto es concreta: Glimmer puede descargarse, tiene pesos bajo Apache 2.0 y dispone de rutas cuantizadas para ejecución local, aunque su tamaño sigue exigiendo memoria considerable. Quedan por conocer la forma definitiva de acceso a Muse Spark 1.2 y el rendimiento de Glimmer en motores y configuraciones distintos de los documentados por Meta.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.