Meta torna ai modelli aperti con Muse Glimmer. Perché è importante, in cinque punti

Meta torna ai modelli aperti. E questa volta la notizia potrebbe essere più importante del modello stesso. Con Muse Glimmer, un modello da 30 miliardi di parametri pensato per far funzionare agenti AI direttamente su un Mac o un Pc dotato di una singola GPU, la società di Mark Zuckerberg riapre una strada che sembrava essersi interrotta dopo Llama 4. Ma soprattutto annuncia che presto renderà disponibili anche i pesi di Muse Spark 1.2, il modello più potente della nuova famiglia Muse.

Sappiamo dal sito che Glimmer è multimodale, accetta testo e immagini, ha una finestra di contesto standard da 128 mila token ed è stato progettato per eseguire attività che richiedono più passaggi: usare strumenti, lavorare su file e screenshot, scrivere e correggere codice e portare avanti autonomamente un compito. I pesi sono pubblicati con licenza Apache 2.0, decisamente più permissiva della licenza proprietaria della famiglia Llama.

Ma perché Meta torna proprio adesso sui modelli aperti? E quanto è competitivo Glimmer rispetto a Qwen, Kimi e agli altri modelli cinesi? Proviamo a capirlo in cinque punti.

 Meta torna all’open perché nel frattempo la Cina ha occupato lo spazio lasciato libero dagli americani

Per capire Muse Glimmer bisogna partire dalla Cina. Negli ultimi mesi Alibaba con Qwen, Moonshot AI con Kimi, Z.ai con GLM e DeepSeek hanno trasformato i modelli open-weight da alternativa economica ai modelli americani a una delle aree più competitive dell’intelligenza artificiale. I migliori modelli cinesi aperti sono ormai vicini alle prestazioni dei sistemi proprietari occidentali e soprattutto sono molto forti proprio nel settore che oggi interessa di più all’industria: coding e agenti AI. Kimi K3, Qwen 3.8 e GLM 5.2 hanno mostrato che un laboratorio può conquistare sviluppatori e diffusione globale mettendo a disposizione i propri pesi invece di vendere soltanto l’accesso attraverso un’API.

Zuckerberg stesso ha recentemente sostenuto esplicitamente che gli Stati Uniti devono ridurre gli ostacoli ai modelli open-weight se vogliono competere con la Cina. Startup cinesi come Moonshot, Alibaba e DeepSeek stanno oggi guidando questa parte della corsa all’AI, mentre i modelli di punta di OpenAI, Anthropic e Google restano chiusi.

È quindi difficile leggere Glimmer soltanto come un prodotto. È anche una risposta industriale. Meta vuole tornare a essere il grande fornitore americano dell’ecosistema open-weight e impedire che lo standard di fatto per chi vuole scaricare, modificare e installare un modello diventi cinese.

Muse Glimmer non è semplicemente il nuovo Llama

La differenza con Llama è sostanziale. Llama nasceva come una famiglia di foundation model generalisti: modelli da utilizzare come base per chatbot, applicazioni, fine-tuning e servizi di ogni genere. Anche Llama 4 aveva introdotto multimodalità e architetture Mixture-of-Experts, ma l’obiettivo rimaneva costruire una famiglia general purpose. Glimmer nasce invece attorno a uno scenario preciso: l’agente locale.

È un modello da 30 miliardi di parametri e Meta lo ha addestrato utilizzando gli output del modello più grande Muse Spark attraverso una tecnica di logit distillation. Successivamente lo ha allenato su contesti più lunghi e su molti più dati relativi ad agenti, ragionamento e uso di strumenti. Nella fase finale Meta ha combinato supervised fine-tuning, distillazione on-policy e reinforcement learning sui domini del ragionamento, del coding e degli agenti.

C’è poi una differenza forse ancora più importante: la licenza. Llama utilizza la Llama Community License, che permette un ampio utilizzo commerciale ma contiene condizioni specifiche stabilite da Meta. Glimmer viene invece distribuito sotto Apache 2.0, una delle licenze standard e più permissive del mondo open source.

La vera scommessa è mettere un agente AI dentro il computer, non nel cloud

Meta sostiene che il modello possa funzionare su un Mac o un PC dotato di una singola GPU consumer. Può vedere immagini e screenshot, utilizzare strumenti, modificare file, programmare e continuare a lavorare su un obiettivo per più passaggi. Un agente personale davvero utile deve poter accedere a informazioni estremamente sensibili — calendario, messaggi, documenti, file, magari in futuro dati finanziari o sanitari. Se tutto questo viene inviato a un server remoto, il problema della privacy diventa enorme. Un modello che gira localmente permette invece, almeno in linea di principio, di mantenere quei dati sul dispositivo. Il cambio è anche nel modello di business. Con un modello come Glimmer possiamo scaricare l’intelligenza, modificarla e farla funzionare sulla nostra macchina. Per ora Meta rende liberamente scaricabile Glimmer, mentre Muse Spark, molto più potente, rimane chiuso. L’azienda ha annunciato che aprirà anche i pesi di Spark 1.2, ma proprio questa distinzione suggerisce che in futuro Meta potrebbe mantenere una gerarchia: i modelli sufficientemente piccoli e sicuri aperti, quelli frontier eventualmente sotto maggiore controllo.

Contro i cinesi Glimmer è molto efficiente. Ma non è ancora il migliore

Meta confronta Glimmer soprattutto con modelli della stessa dimensione. E a 30 miliardi di parametri il risultato è notevole. Supera Gemma 4 31B e arriva vicino a modelli molto più grandi, mentre Qwen 3.6 27B rimane particolarmente efficiente. Nei benchmark pubblicati, Glimmer mostra alcuni punti di forza interessanti. Nel tool use di Tau3-Banking ottiene il 24%, contro il 17% circa di Qwen 3.6 27B; in diversi test agentici e di coding è competitivo o superiore ai modelli della stessa categoria.

Il vantaggio principale rispetto ai grandi modelli cinesi è però la dimensione: 30 miliardi di parametri sono pochissimi rispetto ai trilioni di parametri complessivi dichiarati per alcuni dei nuovi modelli MoE di Alibaba e Moonshot. L’obiettivo di Glimmer non è vincere il benchmark assoluto, ma portare capacità agentiche credibili dentro una macchina personale.

E qui arrivano i difetti.

Artificial Analysis misura Glimmer a 953 Elo su GDPval-AA v2, benchmark di lavoro agentico realistico, contro 1.141 di Qwen 3.6 27B. Su Terminal-Bench 2.1 ottiene circa il 52%, mentre Qwen arriva al 61%. Ancora più evidente è il problema delle allucinazioni: nei test di Artificial Analysis il tasso rilevato per Glimmer è dell’82%, contro il 49% di Qwen 3.6 27B.

Quindi il verdetto è abbastanza chiaro: Glimmer è probabilmente più interessante per rapporto tra dimensione, velocità, deployment locale e capacità di utilizzare strumenti che per intelligenza assoluta. La vera sfida probabilmente arriverà quindi con Muse Spark 1.2 open-weight.

Cosa scrive la stampa specializzata: più che un modello, è il secondo tentativo di Meta

La lettura della stampa è abbastanza concorde su un punto: il significato strategico supera quello tecnico. The Verge mette in evidenza soprattutto la dimensione sorprendentemente piccola di Glimmer rispetto ai giganti cinesi e la possibilità di farlo funzionare su hardware personale. TechCrunch lo interpreta come la prima realizzazione concreta dell’idea di Zuckerberg della personal superintelligence: un’intelligenza personale sempre disponibile e capace di lavorare per l’utente. Ma aggiunge una critica importante: Meta parla di democratizzazione dell’intelligenza, mentre continua a decidere quale intelligenza possiamo realmente possedere e quale rimane chiusa nei suoi server. Ars Technica usa una definizione forse ancora più significativa: parla di un altro reboot della travagliata strategia AI di Meta. E Reuters ricorda perché: il cattivo riscontro ottenuto da Llama 4 aveva contribuito al cambio di strategia e alla riorganizzazione della divisione AI. Il Financial Times legge invece la mossa anche come un attacco diretto ai laboratori chiusi: Zuckerberg sta costruendo una contrapposizione politica e industriale con OpenAI, Anthropic e Google attorno all’idea che concentrare i modelli più potenti nelle mani di poche aziende non sia necessariamente la soluzione più sicura.

Meta aveva già provato con Llama a diventare l’Android dell’intelligenza artificiale: fornire gratuitamente la tecnologia di base, costruire un enorme ecosistema intorno ad essa e togliere potere ai concorrenti che vendono modelli proprietari. Quella strategia ha perso terreno proprio mentre DeepSeek, Qwen, Kimi e GLM dimostravano che l’open-weight poteva diventare una delle principali armi competitive della Cina. Con Muse Glimmer Meta sta provando a riprendersi quel ruolo.

Per approfondire.

In cinque punti cosa c’è da sapere su Muse Image di Meta

In cinque punti quello che dobbiamo sapere di Meta Ai

Meta Ai diventa app. La guida per opporsi all’uso dell’Ai e tutto quello che c’è da sapere. In cinque punti