Muse Glimmer 30B
5242°
Meta | 131,072 令牌上下文 | $0.30/M 输入，$1.20/M 输出。Muse Glimmer 30B 是 Meta 超智能实验室推出的密集开源多模态模型，由 Muse Spark 蒸馏而来，针对消费级硬件上的自主代理进行了优化。适合长周期代理和编码工作流，支持多步推理、可靠工具使用、失败恢复、图像理解及超过100种语言的多语言支持。
本模型的指南
全部指南
船长笔记
2026-10-13 的笔记
Muse Glimmer 30B 是 Meta Superintelligence Labs 的开源多模态模型，蒸馏自 Muse Spark，专为在消费级硬件上运行的自主代理设计。约 300 亿参数，支持交错输入文本和图像，覆盖 100 多种语言，采用 Apache 2.0 许可证。如果你想要一个能本地运行、支持工具使用、代码和图像理解且无需云依赖的强大代理模型，这个规模值得关注。
以……著称
- 专为代理工作流设计：工具使用、失败恢复和多步规划。
- 可在消费级硬件本地运行，采用 Apache 2.0 许可证，无需云端。
- 专用 ViT-G 感知编码器处理截图、图表和文档。
- 可控推理强度，按请求权衡质量与速度。
- 开箱即用兼容 OpenClaw、Hermes Agent 等代理框架。
注意
- 仅输出文本：模型能读取图像但无法生成图像。
- 知识截止于 2026 年 1 月 4 日，之后信息未知。
- 300 亿参数密集模型需较大显存，下载前请确认硬件。
推荐尝试的提示词
多步调试代理
你有一个 Python 脚本抓取网页，解析 JSON 响应并写入 CSV，但脚本无报错却生成空文件。请逐步排查每个阶段，找出最可能的失败点，写出修正后的脚本，并解释修改内容和原因。
截图转行动计划
我附上一个网页应用仪表盘的截图。请识别所有可交互元素，基于标签或图标描述其功能，然后写出代理可执行的逐步计划，将主表数据导出为本地 CSV 文件。
工具调用失败恢复
你调用天气 API，参数正确却收到 429 限流错误。你需要三座城市的当前温度，报告两分钟后截止。请推理可行方案，决定备用策略，写出包含重试处理和失败优雅降级的工具调用逻辑。
与……比较
- Muse Spark 1.3 Contributor仅限API模型1,048,576 令牌上下文 · $0.10/M 输入，$0.20/M 输出
- Muse Spark 1.3仅限API模型1,048,576 令牌上下文 · $1.25/M 输入，$4.25/M 输出
- Muse Wonder仅限API模型1,048,576 令牌上下文 · $4.00/M 输入，$20.00/M 输出
- Muse Spark 1.2仅限API模型1,048,576 令牌上下文 · $1.25/M 输入，$4.25/M 输出
来自 meta 的更多文本模型
常见问题
- 我能本地运行 Muse Glimmer 30B 吗？
- 可以。权重开源，采用 Apache 2.0 许可证，模型托管于 Hugging Face（meta-models/Muse-Glimmer-30B）。Meta 明确优化了消费级硬件运行，但 30B 密集模型仍需较大显存。
- API 使用费用和上下文多长？
- 输入每百万令牌 0.30 美元，输出每百万令牌 1.20 美元，上下文窗口为 131,072 令牌。
- Glimmer 与 Muse Spark 有何区别？
- Muse Glimmer 30B 是从 Muse Spark 蒸馏而来，牺牲部分规模以适配消费级硬件，蒸馏过程专注于代理能力而非通用性能。
船长评语罕见的开源本地可运行代理模型，将工具使用和失败恢复视为核心功能，而非附带功能。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Muse Glimmer 30B 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153