Meta ha rilasciato il 9 agosto 2026 Muse Glimmer, un modello di intelligenza artificiale da 30 miliardi di parametri distribuito con licenza permissiva Apache 2.0. La sua caratteristica principale è che gira in locale su un normale computer con una singola scheda grafica: niente cloud, niente abbonamento, nessun dato che esce dal proprio dispositivo. È la versione aperta e distillata del più potente Muse Spark 1.2, che resta invece a pesi chiusi.
Cosa sa fare Muse Glimmer
Glimmer è progettato come agente "sempre attivo": non solo risponde a domande, ma sa usare strumenti, chiamare funzioni, scrivere e correggere codice, manipolare file e leggere schermate. Accetta in ingresso testo e immagini ed è stato addestrato su oltre 100 lingue, italiano compreso. È pensato per compiti in più passaggi — leggere una cartella di documenti e riassumerli, automatizzare un flusso di lavoro, fare da valutatore automatico (il cosiddetto LLM-as-a-judge) — il tutto girando sul proprio hardware, anche offline. Secondo TechCrunch, è il primo assaggio concreto della "superintelligenza personale" descritta da Mark Zuckerberg.
Muse Glimmer contro Muse Spark: la strategia a due velocità
La logica di Meta è chiara: un modello di punta chiuso (Muse Spark 1.2, con contesto fino a un milione di token) per le prestazioni massime, e una versione compatta e aperta (Glimmer) che chiunque può scaricare, mettere a punto e integrare nei propri prodotti. Apache 2.0 è una delle licenze più permissive in circolazione e consente anche l'uso commerciale, un vantaggio competitivo importante rispetto ai modelli con licenze più restrittive.
Come scaricarlo e provarlo con Ollama
Il modo più semplice per provarlo è Ollama, che sa scaricare i file GGUF direttamente da Hugging Face. Dopo aver installato Ollama, basta un comando da terminale:
ollama run hf.co/meta-models/Muse-Glimmer-30B-GGUF:Q4_K_MIl primo avvio scarica il modello (alcuni gigabyte), poi si apre una chat interattiva. Un esempio di prompt di prova:
Sei un assistente in italiano. Riassumi in tre punti i vantaggi di eseguire un modello di IA in locale invece che nel cloud.
La risposta attesa è un elenco puntato che tocca privacy (i dati restano sul dispositivo), assenza di costi ricorrenti e funzionamento offline. In alternativa, chi preferisce un'interfaccia grafica può usare LM Studio: si cerca "Muse-Glimmer-30B-GGUF", si scarica una versione quantizzata (per esempio Q4_K_M) e si chatta senza toccare la riga di comando.
Provare la versione completa con transformers
Per chi sviluppa in Python e ha una GPU adeguata, il modello completo è su Hugging Face. Serve una versione recente della libreria transformers:
pip install -U transformers accelerate torch
from transformers import AutoProcessor, AutoModelForImageTextToText
model_id = "meta-models/Muse-Glimmer-30B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
model_id, torch_dtype="auto", device_map="auto"
)
messages = [{"role": "user", "content": [{"type": "text",
"text": "Scrivi una funzione Python che verifica se una stringa è palindroma."}]}]
inputs = processor.apply_chat_template(messages, add_generation_prompt=True,
tokenize=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=300)
print(processor.decode(out[0], skip_special_tokens=True))Requisiti hardware e limiti
Trenta miliardi di parametri non sono pochi. In precisione piena (FP16) il modello richiede oltre 60 GB di memoria, fuori portata per una GPU domestica. La quantizzazione risolve il problema: in 4 bit (Q4_K_M) l'ingombro scende attorno ai 18-20 GB, sufficienti per una scheda con 24 GB di VRAM come una RTX 4090, oppure per un Mac con chip Apple Silicon e almeno 32 GB di memoria unificata. Con versioni più compresse si può scendere ancora, sacrificando un po' di qualità. Il consiglio pratico: partire da una quantizzazione Q4 con Ollama o LM Studio per capire se il modello risponde alle proprie esigenze, e passare alla versione completa solo se si dispone dell'hardware e serve la massima qualità. La scheda tecnica completa è sul repository ufficiale su Hugging Face e sul blog di Meta AI.
