In questo articolo Indice dei contenuti 3 sezioni
Meta ha deciso di giocare una carta diversa da quella di OpenAI e Google, e la carta si chiama Muse Glimmer, un modello di intelligenza artificiale da circa 30 miliardi di parametri pensato per girare direttamente sul computer di casa, senza passare da un data center lontano. È un dettaglio che cambia parecchio le abitudini di chi usa questi strumenti ogni giorno, perché l’inferenza resta in locale e la connessione a servizi esterni diventa una scelta, non un obbligo. Il nodo, ovviamente, resta l’hardware.
La novità però non riguarda solo dove il modello viene eseguito. Meta ha pubblicato i pesi di Glimmer con licenza Apache 2.0, un passo che arriva dopo Muse Spark, il primo modello della famiglia Muse sviluppato da Meta Superintelligence Labs, uscito ad aprile senza pesi pubblici e accessibile soltanto tramite un’API privata riservata a utenti selezionati. Il cambio di rotta è netto e vale quanto le specifiche tecniche.
Meta Muse Glimmer: dal ripensamento su Llama al ritorno dei pesi aperti
Per capire il senso della mossa conviene tornare indietro. Nel 2024 Zuckerberg aveva difeso pubblicamente l’idea che l’open source dovesse diventare uno standard per l’intelligenza artificiale, presentando Llama come alternativa ai modelli chiusi degli altri grandi laboratori. A luglio 2025 il tono era diventato più prudente, con avvertimenti espliciti sui rischi della superintelligenza e sulla necessità di scegliere con attenzione cosa rendere pubblico. Quella cautela si era tradotta in Muse Spark e nei suoi pesi tenuti sotto chiave. Glimmer riporta indietro la lancetta.
Sotto l’etichetta dei 30B ci sono capacità pensate per andare oltre la classica conversazione testuale. Meta lo ha addestrato a lavorare con testo e immagini intercalati grazie a un encoder di percezione, a gestire diversi livelli di sforzo nel ragionamento e a operare su dati provenienti da oltre 100 lingue. Vengono distribuite anche versioni quantizzate dei pesi, una tecnica che riduce l’impronta in memoria e rende possibile far girare tutto su hardware di consumo. Ogni configurazione, però, chiede risorse diverse.
Cosa serve davvero per farlo girare
Qui si passa dalla scheda tecnica alla realtà. La documentazione ufficiale di Meta indica come hardware di riferimento 64 GB di VRAM per la versione a precisione piena, 32 GB per la variante K-Quant-Dynamic e 24 GB per K-Quant-17GB. Vale la pena distinguere due numeri che spesso finiscono confusi: il peso del file scaricato e la memoria che il modello richiede quando inizia a lavorare. Ai pesi va sommato lo spazio per la cache KV, per il contesto e per componenti come l’encoder di percezione o il modello ausiliario di decodifica speculativa, quando vengono usati.
Provarlo non richiede costruire un ambiente da zero. Cercando Muse Glimmer da LM Studio su un MacBook Pro con chip M3 Pro e 18 GB di memoria unificata il risultato è chiaro: LM Studio fissa almeno 26 GB di RAM per eseguire la variante più piccola e l’app avvisa prima del download con il messaggio “Likely too large”. Il pulsante di download resta cliccabile, ma quei 18 GB restano sotto il minimo indicato.
Agenti, strumenti e integrazioni
Uno dei punti centrali del lancio è il carattere agentico del modello. Non si tratta solo di rispondere a una domanda, ma di mantenere un piano su più passaggi, chiamare strumenti con parametri precisi, interpretare quello che restituiscono e proseguire anche quando un’operazione fallisce. Serve quindi un ambiente che fornisca strumenti e permessi, quello che di solito viene chiamato scaffold. Meta cita la compatibilità con OpenClaw e altri sistemi di orchestrazione, mentre Bionic di LM Studio rappresenta la strada più accessibile per portare queste funzioni su una macchina personale.
Bionic consente di usare Glimmer dentro flussi agentici e la sua API locale è compatibile con OpenAI Chat Completions, così altre applicazioni possono dialogare con il modello restando sullo stesso computer. Meta distingue poi tra framework per l’esecuzione locale o sul bordo, come llama.cpp, ExecuTorch e MLX, e strumenti per servire il modello su larga scala, come vLLM e SGLang. I pesi aperti allargano le possibilità di integrazione e personalizzazione, con una raccomandazione esplicita dell’azienda: aggiungere protezioni supplementari quando il sistema deve usare strumenti o eseguire azioni irreversibili.
