Google 发布 EmbeddingGemma 2 论文，这是一个 Apache 2.0 许可的端侧多模态嵌入模型，把文本、代码、图像、音频和视频映射到同一向量空间。模型基于 Gemma 4 构建，通过向更大的 Gemini Embedding 2 学习并用对比训练调优，744M 参数规模在多项任务上超过大 2 至 12 倍的模型。在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整多模态模型约 567MB，上下文窗口扩大 4 倍至 8K tokens，可容纳约 5.5 分钟音频、29 张图像或 58 帧视频；直接嵌入语音在 MSEB 口语查询检索基准上得分 69.54，高于先转写再检索的 57.59，代码检索在 MTEB Code 上从 EmbeddingGemma 1 的 68.76 提升到 78.68。
匹配字段标题
Meta从更大的Muse Spark蒸馏出稠密30B模型Muse Glimmer,并以模拟应用中的合成智能体轨迹进行训练。该模型4-bit权重不到20 GB,可在单张RTX 5090上运行。据2026年10月22日报道,在多工具测试MCPAtlas上,Muse Glimmer得75.5,高于Gemma4-31B的54.2和Qwen3.6-27B的62.5;但在OSWorld-Verified上以65.9落后于Qwen3.6-27B的75.6。目前尚无后续发展事实。
匹配字段标题
Meta 于 2026 年 10 月 20 日发布 30B 开源权重模型 Muse Glimmer 的技术报告,该模型面向消费级硬件上的智能体任务,并以 4-bit 精度在单张消费级 GPU 上运行。转述者补充称,该模型在工具调用和多步规划上领先同规模开源模型,部分指标超过 Qwen3.6-27B 和 Gemma4-31B;4-bit 量化后约 17GB,目标在 24GB 显存设备上运行,采用 DFlash 推测解码在 RTX 5090 上约 233 tokens/s,相比普通解码提速约 3.1 倍。目前尚无后续发展事实。
匹配字段标题
Meta从更大的Muse Spark蒸馏出稠密30B模型Muse Glimmer,并以模拟应用中的合成智能体轨迹进行训练。该模型4-bit权重不到20 GB,可在单张RTX 5090上运行。据2026年10月22日报道,在多工具测试MCPAtlas上,Muse Glimmer得75.5,高于Gemma4-31B的54.2和Qwen3.6-27B的62.5;但在OSWorld-Verified上以65.9落后于Qwen3.6-27B的75.6。目前尚无后续发展事实。
匹配字段标题
Meta 于 2026 年 10 月 20 日发布 30B 开源权重模型 Muse Glimmer 的技术报告,该模型面向消费级硬件上的智能体任务,并以 4-bit 精度在单张消费级 GPU 上运行。转述者补充称,该模型在工具调用和多步规划上领先同规模开源模型,部分指标超过 Qwen3.6-27B 和 Gemma4-31B;4-bit 量化后约 17GB,目标在 24GB 显存设备上运行,采用 DFlash 推测解码在 RTX 5090 上约 233 tokens/s,相比普通解码提速约 3.1 倍。目前尚无后续发展事实。
匹配字段标题