Meta 的 Muse Glimmer 30B 上线 Fireworks，面向常驻智能体

该模型在设计时充分考虑了智能体场景。它面向“常驻在线”的智能体，而不仅仅是简单的聊天交互。它能够在多轮对话中管理大量顺序工具调用。当工具调用失败或返回意外结果时，它具备从失败中恢复并重试的能力，而不是直接中止。

Muse Glimmer 的架构解析

Muse Glimmer 是一个 30B 稠密模型，由 52 个 transformer 层、分组查询注意力（32 个查询头、2 个 KV 头）以及 SwiGLU 前馈层组成。一个约 1.8B 的感知编码器赋予它原生图像理解能力，与文本处理并行，并支持 128K+ token 的上下文窗口。

Meta 构建此模型的目标是让它能装进 24 GB 显存。同样的设计——较小的 KV 占用、滑动窗口注意力——使其在高并发下服务成本可控。由于权重以 Apache 2.0 许可发布，路径是对称的：在工作站上针对量化版本做原型验证，当需要服务数千个会话时，将同一模型部署到 Fireworks 上。

对智能体而言最重要的细节是注意力模式：大多数层采用 2,048 token 的滑动窗口注意力，每第四层设有一个完整的全局注意力层。配合仅两个 KV 头，这使 KV 缓存保持较小——这正是长上下文智能体在高并发下经济可服务的原因。该模型的架构效率使智能体能够比同类稠密模型更经济地管理 100K token 的累积工具输出，且节省效果可随并发会话数扩展。

该模型还支持 DFlash 投机解码，以降低生成延迟。

该模型的优势场景

从端到端支持问题解决到扩展的自主研究，该模型专为深度多步推理、大规模并行以及严苛智能体工作流中的可靠性而构建。该模型非常适合以下工作负载：

面向客户的支持智能体：端到端解决工单的智能体需要拉取账户状态、检查库存、起草退款以供审批，并在数十次工具调用中与用户确认状态。Meta 建议对不可逆操作进行人工确认；我们对此表示赞同：将模型的作用范围限定为读取、规划和暂存，并对写入操作设置门控。失败恢复在这里至关重要，因为工作流中途超时不应让客户陷入困境。

长时间运行的研究与监控智能体：这类智能体跨多个来源展开工作，将发现保留在上下文中，并在数小时后返回综合结果。Muse Glimmer 在 DeepSearch QA（74.6）和 MCP Atlas（75.5）上领先其规模级别，这两项基准最贴近此类工作形态。原生图像输入意味着图表和文档与文本走同一循环——Muse Glimmer 在 CharXiv Reasoning（78.8）上领先其级别。请注意 2026 年 1 月 4 日的知识截止日期，任何时间敏感的内容都需要通过工具获取。

仓库级编码智能体：这类智能体读取仓库、规划变更、运行测试并针对失败进行迭代。Muse Glimmer 在 SWE-Bench Pro（51.2）和 SciCode（43.6）上领先其级别。

基准测试表现

与 Gemma 4 31B 和 Qwen 3.6 27B 相比，Muse Glimmer 在衡量工具编排和持续多轮工作的基准上领先：

基准测试Muse Glimmer 30B（高推理）Gemma 4 31B（思考模式）Qwen 3.6 27B（思考模式）MCP Atlas（公开）75.554.262.5DeepSearch QA74.661.771.1Gaia243.336.440.0WildClawBench47.637.643.2SWE-Bench Pro51.236.950.2

*注：Muse Glimmer 的基准数据由 Meta 报告

如果你的智能体运行在终端中或驱动桌面，请对两个模型都进行基准测试。如果它通过长时间多轮会话编排 API 和 MCP 工具，那么在此规模下这是更强的选择。

Muse Glimmer 已在 Fireworks 上提供，支持无服务器和按需部署两种方式。我们比其他方晚一天发布，这是有意为之。我们多花了一天来启动，因为我们想把这件事做对。这意味着修正模型发布的生成配置，并将推理强度控制一路贯通到模型。优秀的模型值得优秀的执行。质量是我们的最高优先级，我们希望确保你从第一天起就能获得你所期望的精确性能、控制力和可靠性。

无需采购 GPU。从一次 API 调用开始；无需容量规划即可扩展到生产环境。

为突发性智能体流量而构建。智能体工作负载会不可预测地激增。Fireworks 自动扩缩以匹配需求，因此你无需为峰值预留容量。

良好运行：Meta 建议使用以下设置。

temperature = 1.0，top_p = 0.95，top_k = 64

推理强度在系统提示词中设置为 Reasoning strength: ，可选 low、medium、high 和 xhigh——智能体和编码工作请使用 high 或 xhigh。上表中的所有基准数据均在高强度下测得。

智能体 AI 时代已经到来。我们鼓励你今天就使用 Fireworks 上的 Muse Glimmer 模型开始构建。查看我们的文档并开始构建！

模型发布