Meta lança Muse Glimmer e promete abrir pesos do Muse Spark 1.2
A Meta revelou o novo modelo multimodal Muse Glimmer, que supera concorrentes em testes de benchmark, e anunciou a abertura dos pesos do Muse Spark 1.2.
Meta lança Muse Glimmer e promete abrir pesos do Muse Spark 1.2
O Muse Glimmer é um modelo multimodal de 30B que supera o Qwen 3.6 27B e o Gemma 4 31B nos benchmarks. Esta é a primeira notável liberação de LLM aberto da Meta desde abril de 2025, e nenhum modelo da empresa nesta categoria de peso havia sido lançado desde o Code Llama 34B, em agosto de 2023.
Arquiteturalmente, trata-se de um modelo denso com um codificador de percepção relativamente grande. A principal desvantagem óbvia é o comprimento de contexto de apenas 131k, inferior ao de seus concorrentes.
Junto com o modelo, foram liberadas quantizações oficiais, permitindo que o modelo caiba em 24 gigabytes de VRAM. Um modelo de rascunho oficial também foi lançado, viabilizando a execução do Muse Glimmer em uma única GPU RTX 5090 a uma velocidade de 230 tokens por segundo.
Por que isso importa
AnáliseEste lançamento representa um avanço significativo em modelos multimodais, com potencial impacto em diversas áreas de aplicação de IA. A abertura dos pesos do Muse Spark 1.2 beneficiará diretamente a comunidade de desenvolvedores.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
Família Llama (Meta Llama)
Série de modelos de linguagem abertos fundamentais da Meta (Llama 3, 3.1, 3.3), que se tornaram o padrão industrial do ecossistema Open Weights, IA local e fine-tuning corporativo.
Meta Llama (O Padrão Aberto de Inteligência Artificial)
A série principal de modelos de linguagem abertos da Meta (Llama 3, 3.3). Disponível para download gratuito, modificação e execução local em servidores próprios, sem restrições ou censura.
Pesquisadores do MIT mostram que GPT-6 Astra pode melhorar outros modelos de IA alterando seus pesos
Em um experimento, a Astra aumentou a precisão do Qwen3.5-0.8B no MATH-500 de 7,9% para 48,1% ao alterar apenas 0,016% dos pesos do modelo.
JSON — dados estruturados para aplicações, APIs e agentes de IA
Guia prático completo sobre o formato JSON: regras de sintaxe, serialização via parse/stringify, integração com REST API, JSON Schema e saída estruturada para inteligência artificial.