Muse Glimmer与Spark：Meta开放权重回归个人超级智能

[AINews] Muse Glimmer和Spark：开放权重回归个人超级智能承诺美国开放模型的小胜利——Glimmer可在单张RTX 3090上运行！

上周是扎克伯格原创个人超级智能文章发表一周年，MSL今年似乎迎来第二春，他们通过收购Dreamer、推出Muse Spark和最近的Muse Code逐步推进。此前MSL的发布显得谨慎，但今天一切改变了。

扎克伯格携热门续篇回归，发布了MSL首个真正的开放权重前沿级小型LLM，Spark也即将发布。这篇文章勾勒了MSL的长期议程：Meta是一家专注于为每个人构建个人超级智能的公司。

大多数其他实验室专注于为公司、政府或其他机构构建AI，因此如果这些实验室领先，权力平衡将偏向大型机构而非个人。Meta自成立以来的使命就是赋予个人权力。如果我们的信念和原则引领，权力平衡将偏向个人，为每个人创造更美好的未来。

他的核心预测：每个人都将拥有一个极其强大的个人智能体，它了解你、你的目标以及你关心的一切。（这可能是他对OpenClaw感兴趣的原因）每个人都将拥有令人难以置信的创作工具来表达你的想法。

每个人都将拥有强大的工具来创建新业务，经济将更具创业精神。每个人都将拥有一位个性化的导师和教练，拥有每个学科的博士学位和无限的耐心，帮助你学习任何你想学的东西。每个人都将从科学进步中受益，并能为科学进步做出贡献。

每个人都能免费或负担得起地使用这些工具。他列举了一些核心风险：就业增长与经济：“公司规模可能会缩小——就像从工业巨头向科技公司转型时那样。但这并不意味着整体就业减少，而是意味着公司数量更多，每家公司员工更少。

”与社区共建AI基础设施：“在路易斯安那州里奇兰教区，Meta正在建设大型数据中心，由于我们的投资增加了税收，教师今年获得了5万美元奖金……我们通过在任何投资地建设自己的发电基础设施来保持低电价……在水资源紧张地区，我们的目标是恢复200%的用水量。

”防范AI在网络安全、生物恐怖主义等方面的滥用：“我建议开发前沿AI的公司投入大量技术资源，帮助政府加固关键基础设施。我还建议前沿AI实验室应共享新模型的中间训练checkpoint供政府使用和审查，而不是等到训练完成。

”保护自由，防止政府暴政：“为了维护自由，我们必须确保超级智能主要赋能个人。自由民主的理想是个人天然拥有所有权利，仅同意限制部分自由以保护公共利益。同样，个人应能获得个人超级智能，仅在真正必要时受到限制。

”确保美国领导地位：“在基础设施方面，美国及其盟友在芯片设计上占优，但在能源和物理基础设施建设速度上处于劣势。中国等国每两周就新增1GW以上核电容量，因此我们需要加速建设能源和数据中心以保持竞争力。

对芯片的出口管制在关键时期成功减缓了外国实验室的进展，继续这些管制是正确的战略举措。任何减缓美国模型发布的政策——哪怕一个月——都可能给美国领导地位带来重大风险，同时让外国模型领先。

同时，当新能力出现时，美国政府必须拥有先进知识和资源来加固关键系统，并可能在使用先进系统方面获得一段时间的优势。

”与人对齐并应对存在风险：“健康的权力平衡是确保不存在单一的集中式超级智能，而是让尽可能多的个人和企业拥有与其目标对齐的不同超级智能体，以自然经济的方式相互制衡和竞争。如果存在多个前沿实验室，其模型具有不同价值观并能相互制衡，这种平衡将进一步加强。

”保持对超级智能的控制：“存在一个困境：一旦AI系统能自主改进自身，任何不让其AI系统将大量算力用于递归自我改进的实验室都会落后。例如，一个专注于优化计算效率的自我改进AI系统，理论上可以发明方法从每吉瓦中榨取100倍或更多的智能。

这意味着，一个运行在世界算力一小部分上的自我改进AI系统，可能拥有更有效的算力和智能，从而比所有其他系统加起来更大的权力平衡，成为我们担心的单一超级智能。”AI新闻2026年8月8日至8月10日。

我们检查了12个subreddit、544个Twitter账号，没有其他Discord。AINews网站可搜索所有历史期刊。提醒：AINews现在是Latent Space的一部分。你可以选择接收或退订邮件频率！

AI Twitter回顾Meta以Muse Glimmer和Spark 1.2回归开放权重Meta重新进入开放权重前沿：当天主导新闻是Meta发布Muse Glimmer，一个30B密集、多模态、以智能体为中心的模型，采用Apache 2.0许可，

并承诺“很快”发布Muse Spark 1.2权重。公告来自马克·扎克伯格和亚历山大·王，Meta将其定位为对扎克伯格文章中广泛可用的“个人超级智能”的新承诺。Meta的产品线程将Glimmer定位为针对常驻本地智能体优化，能在消费级硬件上运行，并提供官方详情和下载链接。

Glimmer的技术亮点：Meta称Glimmer专为长周期智能体循环、工具使用和本地部署设计。在服务栈中，Meta明确提到量化将LM降至20GB以下，以及轻量级DFlash草稿模型实现设备端更快生成，带来“流畅”的本地交互@AIatMeta。

社区摘要补充了更多架构细节：@eliebakouch指出其与Gemma 4风格混合注意力相似，加上无缩放QK归一化、更大视觉深度和更长SWA；

@nrehiew_强调Glimmer是从Muse Spark进行logit蒸馏，并从一开始就用智能体轨迹训练，即不是传统的“先基础后后训练”发布。

基准测试和部署生态立即落地：Artificial Analysis的第三方分析将Muse Glimmer置于其智能指数35位，略低于Qwen3.6-27B（38）和Kimi K2.5（36），同时开放性得分高（开放指数44）。

他们认为Glimmer在同等规模中表现强劲，尤其适合本地自托管：约60GB BF16、约18GB 4-bit、128K上下文，以及适合单节点部署的内存高效混合注意力。

弱点：幻觉/知识校准相对较差，在智能体知识工作方面落后于部分同行，但在Tau3-Banking工具使用后续任务中表现良好。

Anthropic和OpenAI推动前沿能力：数学和网络安全Anthropic的Claude改进了与黎曼猜想相关的界限：Anthropic报告称，一个未发布的研究版Claude变体，在任务中……