Lundi, Meta a annoncé son dernier modèle d’IA : Muse Glimmer. Cependant, la société ne présente pas nécessairement ce modèle comme son plus grand et son meilleur. Bien que Meta ait beaucoup à dire sur le potentiel de performance de Muse Glimmer, il y a deux arguments de vente clés pour le modèle aux yeux de l’entreprise : le fait qu’il soit open-weight et qu’il soit conçu pour fonctionner localement sur des Mac et PC « grand public », mais peut-être pas sur ton ordinateur.
Qu’est-ce que Muse Glimmer ?
Selon Meta, Muse Glimmer est un modèle d’IA de 30 milliards de paramètres optimisé pour les « flux de travail d’agents locaux toujours actifs ». Cela signifie que Glimmer est conçu pour fonctionner de manière autonome directement sur votre machine, plutôt que d’externaliser ce traitement vers le cloud. L’IA locale est beaucoup plus sécurisée que celle basée sur le cloud, car vos données restent dans votre système. Lorsque vous accédez à des serveurs cloud, vous êtes à la merci de l’entreprise propriétaire de ce réseau, ce qui peut mettre vos données en danger.
Bien qu’il existe de nombreux cas d’utilisation pour un modèle comme Muse Glimmer, Meta met l’accent sur son utilisation pour l’IA agentique. Les agents IA peuvent effectuer des tâches en votre nom et gagnent en popularité, car les utilisateurs et les développeurs peuvent demander à leurs agents d’exécuter un certain nombre de fonctions. L’exécution d’agents localement est également très populaire, comme en témoigne la tristement célèbre année d’OpenClaw, mais les modèles les plus exigeants nécessitent également un matériel puissant. Si vous travaillez avec un ordinateur portable, vous ne disposerez peut-être pas de l’énergie nécessaire pour exécuter des agents IA.
Cela fait partie du discours de Meta ici. La société affirme que Muse Glimmer a été formé pour équilibrer les performances avec un matériel limité. Meta dit qu’elle soumet Muse Glimmer à trois séries de formations pour y parvenir : une « pré-formation », qui a formé Muse Glimmer sur les sorties de Muse Spark ; « Mid-Training », qui a formé le modèle sur des données plus « lourdes en agents » ; et « Post-Training », qui a affiné le modèle sur un certain nombre de paramètres. Meta indique que Muse Glimmer peut gérer l’exécution de tâches agentiques de bout en bout, le raisonnement en plusieurs étapes, la récupération en cas d’échec d’un appel d’outil, ainsi que la saisie et le raisonnement multimodèles, entre autres fonctions. Il est également formé sur des données provenant de plus de 100 langues. La société affirme que le modèle fonctionne « très bien pour sa catégorie de taille » par rapport à de nombreux critères de référence standard LLM.
Crédit : Méta
Bien que Muse Glimmer ne soit pas aussi exigeant que les autres modèles, il ne fonctionnera probablement pas bien sur un ordinateur portable moyen. Meta indique qu’un modèle de 30 milliards de paramètres nécessiterait généralement plus de 55 Go de mémoire, mais grâce aux « techniques de quantification », Muse Glimmer peut utiliser moins de 20 Go. Lorsque vous prenez en compte sa « mémoire de travail », Muse Glimmer utilisera probablement 24 Go ou 32 Go de mémoire. Si vous possédez un MacBook ou un PC « Pro », cela pourrait bien vous convenir. Mais si vous êtes comme moi, votre ordinateur portable dispose de 16 Go ou moins de RAM, ce qui n’est pas tout à fait ce dont Muse Glimmer a besoin. Il s’agit néanmoins d’un pas en avant pour l’utilisation locale de l’IA. (Pour référence, Meta dit avoir testé Muse Glimmer sur MacBook M4 Max, M5 Max et avec un GPU RTX-5090.)
Meta dit que Muse Glimmer est « ouverte », ce qui signifie que Meta a publié les poids d’entraînement du modèle. En tant que tel, non seulement n’importe qui peut utiliser le modèle, mais il peut également le régler. Si vous avez des besoins spécifiques pour votre modèle d’IA, vous pouvez bricoler Muse Glimmer pour mieux répondre à votre utilisation.
Comment Muse Glimmer se compare aux autres modèles d’IA
Il y a un parcelle de modèles d’IA sur le marché ces jours-ci, mais Meta n’a que des comparaisons directes avec deux autres modèles : le Gemma4-31b de Google et le Qwen3.6-27B d’Alibaba. Selon les benchmarks de Meta, Muse Glimmer bat les deux modèles dans les 12 tests suivants : MCP Atlas, DeepSearch QA, 𝜏³-banking, WildClawBench, GAIA2, SWE-Bench Pro, Sci Code, Charxiv Reasoning, IFBench, AIME 2026, AA-LCR et Beam 128K. Gemma4-31b détient toujours la couronne dans quatre des benchmarks, tandis que Qwen3.6-27B est en tête dans huit.
Meta n’a pas fourni de comparaisons similaires avec les modèles des leaders de l’industrie, comme OpenAI, DeepSeek, Z.ai ou Moonshot AI. Cependant, Artificial Analysis propose un classement de tous les modèles à poids ouvert du marché. Au moment de cet article, Muse Glimmer (élevé) est en fait à la 18e place. Le Kimi K3 (max) de Moonshot AI est en tête, avec le GLM-5.2 (max) de Z.ai en deuxième position, le V4 Flash (max) de DeepSeek en troisième et le Kimi K3 (faible) en quatrième position. Pour référence, Gemma4-31b est en 32ème, tandis que Qwen3.6-27B est en fait en 17ème. Il existe de nombreuses variables ici, mais ce classement nous donne un aperçu rapide du classement du dernier modèle de Meta parmi la concurrence.
Comment essayer Muse Glimmer
Vous pouvez essayer Muse Glimmer dès maintenant en téléchargeant les poids depuis Hugging Face. Meta indique que le modèle sera disponible dans les prochains jours à partir d’applications comme Ollama, LM Studio et Unsloth.
