Meta: Muse Glimmer 30B

meta/muse-glimmer-30b

Nossa análise

Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.

Muse Glimmer 30B é o modelo multimodal denso de pesos abertos (Apache 2.0) da Meta, com cerca de 30 bilhões de parâmetros, destilado do Muse Spark e voltado para tarefas agênticas autônomas em hardware de consumo. Segundo sua ficha técnica, aceita texto e imagens intercalados, gera texto, suporta um contexto de aproximadamente 131 mil tokens e usa raciocínio sempre ativo com níveis de esforço selecionáveis. As avaliações do provedor destacam uso de ferramentas, programação e tarefas de longo horizonte, enquanto o catálogo do OpenRouter adiciona medições externas limitadas de arena e índices. Variantes quantizadas e um modelo auxiliar de decodificação especulativa visam envelopes de memória de 24-32 GB.[1][2]

Pontos fortes

Projetado para fluxos agênticos de ponta a ponta: a ficha técnica reporta chamadas de ferramentas confiáveis baseadas em esquemas, planejamento em múltiplas etapas em horizontes longos e recuperação quando chamadas falham.[2]
Um codificador de percepção dedicado aceita texto e imagens intercalados (capturas de tela, gráficos, documentos) dentro de um contexto de aproximadamente 131 mil tokens, conforme o catálogo e a ficha técnica.[1][2]
Pensado para implantação local: versões quantizadas em 4 bits e um modelo auxiliar de decodificação especulativa por blocos visam GPUs de consumo, com perda de qualidade medida que o provedor reporta como mínima.[2]

Limitações

A evidência vem sobretudo do provedor e de uma ficha de catálogo; a verificação independente é limitada, então resultados de benchmark e velocidades declarados devem ser validados nas suas próprias cargas de trabalho.[1][2]
A ficha técnica adverte que pode gerar respostas imprecisas, enviesadas ou inadequadas, errar em raciocínio de múltiplas etapas em cenários novos, processar vídeo apenas como quadros e não ter sido avaliado em todos os idiomas de treinamento.[2]
O raciocínio é obrigatório, não opcional, conforme o catálogo, e o fabricante recomenda implantação com guardrails (por exemplo, confirmação humana para ações irreversíveis) em vez de uso isolado.[1][2]

Onde usar

Agentes locais de programação e execução de tarefas que planejam, invocam ferramentas, depuram e se recuperam de erros sem infraestrutura em nuvem, conforme sugere a lista de usos previstos do provedor.[2]
Assistentes multimodais que interpretam capturas de tela, gráficos e documentos junto à conversa em ambientes agênticos ou ricos em informação.[2]
Geração de dados sintéticos ou avaliação no estilo LLM-como-juiz para desenvolvimento de modelos subsequentes, sugerido como uso adequado pela ficha técnica.[2]

Fontes

[1] OpenRouter catalog · Meta: Muse Glimmer 30BFontes consultadas: 13 de nov. de 2026
[2] Model documentation · Meta: Muse Glimmer 30BFontes consultadas: 13 de nov. de 2026

Sobre este modelo

A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.

Muse Glimmer 30B is a dense, open-weight multimodal model from Meta Superintelligence Labs, distilled from Muse Spark and optimized for autonomous agents on consumer hardware. It is suited for long-horizon...

Especificações

ID do modelo: meta/muse-glimmer-30b
ID canônico: meta/muse-glimmer-30b-20260810
Criador: meta
Adicionado ao OpenRouter: 09.08.2026
Comprimento de contexto: 131,072
Modalidade: text+image->text
Modalidades de entrada: text, image
Modalidades de saída: text
Preço por token: USD por 1M de tokens: entrada $0.300 / saída $1.2
Corte de conhecimento: —
Data de expiração: —

Tarefas e capacidades

Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.

Tarefa	Nota	Capacidade declarada pela fonte
Qualidade geral	CC — abaixo da faixa B	raciocínio: obrigatório · padrão medium · esforços: xhigh, high, medium, low · parâmetros: include_reasoning, reasoning, reasoning_effort
Programação	BB — próximos 30% da coorte	—
Agentes	BB — próximos 30% da coorte	parâmetros: structured_outputs, tool_choice, tools
Escrita	Sem medição	saída: text
Raciocínio	Sem medição	raciocínio: obrigatório · padrão medium · esforços: xhigh, high, medium, low · parâmetros: include_reasoning, reasoning, reasoning_effort
Análise de documentos	Sem medição	—
Visão	Sem medição	entrada: image
Geração de imagens	Sem medição	—
Áudio	Sem medição	—
Vídeo	Sem medição	—
Embeddings	Sem medição	—

Avaliações

Fonte	Benchmark	Valor	Nota	Dados obtidos
Artificial Analysis	Intelligence index	6.3	CC — abaixo da faixa B	13.11.2026
Artificial Analysis	Coding index	49	BB — próximos 30% da coorte	13.11.2026
Artificial Analysis	Agentic index	8.5	BB — próximos 30% da coorte	13.11.2026
Design Arena	models · 3dtaxa de vitória 26% · posição 100	1,070Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · codecategoriestaxa de vitória 35.7% · posição 81	1,160Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · gamedevtaxa de vitória 29.9% · posição 94	1,109Elo	CC — abaixo da faixa B	13.11.2026
Design Arena	models · uicomponenttaxa de vitória 39.6% · posição 63	1,198Elo	BB — próximos 30% da coorte	13.11.2026
Design Arena	models · websitetaxa de vitória 39.1% · posição 73	1,186Elo	BB — próximos 30% da coorte	13.11.2026

Como funcionam as notas

Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.

S — S — top 10% da coorte
A — A — próximos 20% da coorte
B — B — próximos 30% da coorte
C — C — abaixo da faixa B

Provedores

Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.

Provedor	Comprimento de contexto	Preço entrada /1M	Preço saída /1M	Latência p50 (30m, s)	Taxa p50 (30m, tok/s)	Disponibilidade (30m)
DeepInfrabf16	131,072	$0.300	$1.2	—	—	100%

Dados de provedores obtidos: 13.11.2026

APIs de lote de LLMs cortam o preço pela metade, mas só para o tráfego que pode esperarUm blog de modelagem de custos explica como descontos em lote valem apenas para chamadas adiáveis, por que lote e cache se acumulam multiplicativamente, o bug de cobrança que isso causou e por que descer de nível de modelo costuma economizar mais.