A Meta Muse Glimmer modellje hosszú, önálló ügynöki munkára készült

Hosszú munkafolyamatokra tervezték

A Fireworks AI 2026. augusztus 10-i bejelentése szerint a Muse Glimmert nem egyszerű csevegésekre, hanem úgynevezett always-on, folyamatosan működő ügynökökre szabták. A modell több egymást követő eszközhívást tud kezelni több fordulón keresztül, és képes lehet egy sikertelen vagy váratlan eredményt adó eszközhívás után újrapróbálkozni, ahelyett hogy leállna.

A rendszer 30 milliárd paraméteres, sűrű modell, amely 52 transzformerrétegből áll. Csoportosított lekérdezési figyelmet használ 32 lekérdezési fejjel és két KV-fejjel, a feed-forward rétegekben pedig SwiGLU található. A nagyjából 1,8 milliárd paraméteres érzékelő kódoló révén natív képfeldolgozást is kínál a szöveges értelmezés mellett, a kontextusablak pedig több mint 128 ezer tokent támogat.

A Meta a modellt 24 GB-os memóriaigényhez alakította. A Fireworks AI szerint a kis KV-lábnyom és a csúszóablakos figyelem csökkenti a kiszolgálás költségét párhuzamos munkameneteknél. A szolgáltató állítása szerint az ügynök így 100 ezer tokennyi összegyűjtött eszközkimenetet is gazdaságosabban kezelhet, mint egy hasonló méretű sűrű modell. A Muse Glimmer a DFlash spekulatív dekódolást is támogatja az alacsonyabb késleltetésű szöveggenerálásért.

Ügyfélszolgálat, kutatás és kódolás

A Fireworks AI három fő felhasználási területet emel ki. Ügyfélszolgálati ügynökök a példák szerint egy teljes ügyintézési folyamatot kezelhetnek: lekérhetik a fiók állapotát, ellenőrizhetik a készletet, előkészíthetnek egy visszatérítést jóváhagyásra, majd megerősíthetik az állapotot a felhasználóval. A cég ugyanakkor a visszafordíthatatlan műveleteknél emberi jóváhagyást javasol.

Hosszú távú kutatási és megfigyelési feladatoknál az ügynök több forrásból gyűjthet adatokat, a megállapításokat a kontextusban tarthatja, majd később összefoglalást készíthet. A Muse Glimmer a saját méretosztályában 74,6 pontot ért el a DeepSearch QA, 75,5 pontot az MCP Atlas, valamint 78,8 pontot a CharXiv Reasoning teszten. A tudásbázis 2026. január 4-én zárult, ezért az időérzékeny információknak eszközökön keresztül kell érkezniük.

Repozitórium-szintű kódolási feladatokra a modell képes lehet a kód átolvasására, módosítás megtervezésére, tesztek futtatására és a hibák utáni újraiterálásra. A Fireworks AI által közölt eredmények szerint a Muse Glimmer 51,2 pontot szerzett a SWE-Bench Pro, 43,6 pontot pedig a SciCode teszten.

Összehasonlítás és elérhetőség

A Fireworks AI táblázata a Muse Glimmert a Gemma 4 31B és a Qwen 3.6 27B modellel vetette össze. Az MCP Atlas teszten az eredmények 75,5, 54,2 és 62,5 pontot tettek ki, ugyanebben a sorrendben. A DeepSearch QA értékei 74,6, 61,7 és 71,1, a Gaia2 eredményei 43,3, 36,4 és 40,0, míg a WildClawBench pontszámai 47,6, 37,6 és 43,2 voltak. A SWE-Bench Pro eredményei 51,2, 36,9 és 50,2 pontot értek el. A Muse Glimmer számait a forrás szerint a Meta jelentette.

A modell Apache 2.0 licenc alatt jelent meg, a Fireworksön pedig szerver nélküli és igény szerinti telepítésben is elérhető. A szolgáltató szerint egy API-hívással el lehet kezdeni a használatát, a rendszer pedig a változó ügynöki forgalomhoz automatikusan skálázódik.

A Fireworks AI által ajánlott beállítások: temperature 1,0, top_p 0,95 és top_k 64. A gondolkodási erősség a rendszerutasításban adható meg, alacsony, közepes, magas és xhigh értékkel. A közzétett benchmarkok magas gondolkodási szint mellett készültek. A vállalat szerint a hosszú, többfordulós API- és MCP-eszközhasználatra a Muse Glimmer erős választás lehet ebben a méretkategóriában, míg terminál- vagy asztali használatnál összehasonlító tesztet javasol.