TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
Meta เปิดตัว Muse Glimmer โมเดล AI ขนาด 30B parameters ที่ออกแบบมาสำหรับงาน AI Agent โดยเฉพาะ พร้อมเปิด open weights สามารถรันบนเครื่อง Mac หรือ PC ที่มี GPU ระดับ consumer เพียงตัวเดียวได้
Muse Glimmer เป็นโมเดลล่าสุดจาก Meta Superintelligence Labs ที่ปรับแต่งมาสำหรับ local agent workflow แบบ always-on ครอบคลุมการใช้งานตั้งแต่ AI Agent บนเครื่อง function calling และการเขียนโค้ด ไปจนถึงการใช้เป็น LLM-as-a-judge สำหรับประเมินผลลัพธ์ โดย Meta ระบุว่าปัจจุบัน foundation model ส่วนใหญ่ยังต้องพึ่งพา Cloud และการเชื่อมต่อเครือข่าย ขณะที่การรันโมเดลบนเครื่องช่วยให้ใช้งาน AI ได้แม้ไม่มีการเชื่อมต่ออินเทอร์เน็ต ซึ่งเป็นแนวทางที่เป็นไปได้มากขึ้น หลังจากที่ชุมชน Open Source พิสูจน์แล้วว่าโมเดลขนาดเล็กที่ฝึกมาอย่างเหมาะสมสามารถเข้าใกล้ระดับ frontier ได้ในงานเฉพาะทาง ทั้งนี้ Muse Glimmer ออกแบบมาให้ทำงานร่วมกับเครื่องมือที่นักพัฒนาใช้งานอยู่แล้ว และจะทยอยปล่อย integration ที่ปรับแต่งประสิทธิภาพแล้วตามมาในอีกไม่กี่วัน
สำหรับกระบวนการฝึกโมเดล Meta แบ่งออกเป็นสามช่วง เริ่มจาก Pre-Training ที่ใช้เทคนิค logit distillation จาก output ของ Muse Spark ซึ่งเป็นโมเดลขนาดใหญ่กว่าที่ทำหน้าที่เป็น teacher ต่อด้วย Mid-Training ที่ป้อนข้อมูล context ยาวและข้อมูลเชิง Agent ที่มี reasoning trace ละเอียดขึ้น และปิดท้ายด้วย Post-Training ที่ผสม supervised fine-tuning เข้ากับ on-policy distillation และ reinforcement learning ทั้งด้าน reasoning การเขียนโค้ด และงาน Agent ผลลัพธ์คือโมเดลที่รองรับความสามารถซึ่งจำเป็นต่อการทำงานแบบ Agent ครบชุด ทั้งการทำงานจนจบ task ได้บน benchmark อย่าง DeepSearch QA, MCP-Atlas, τ-Bench และ SWE-Bench การเรียกใช้เครื่องมือตาม schema ได้แม่นยำตลอด workflow ที่ยาวต่อเนื่อง และการวางแผนหลายขั้นตอน อีกจุดที่ Meta เน้นคือการกู้คืนเมื่อ tool call ล้มเหลว โดยโมเดลจะวิเคราะห์ error แล้วลองใหม่แทนที่จะหยุดทำงาน นอกจากนี้ยังมี perception encoder เฉพาะทางที่รับ input แบบ text และภาพสลับกันได้ เพื่อให้ Agent อ่าน screenshot กราฟ หรือเอกสารประกอบการสนทนา พร้อมทำงานร่วมกับ scaffold สำหรับ Agent อย่าง OpenClaw รองรับการปรับระดับ reasoning effort และรองรับข้อมูลจากภาษามากกว่า 100 ภาษา ทั้งนี้ Muse Glimmer ผ่านการประเมินตามมาตรฐาน Meta’s Advanced AI Scaling Framework ก่อนปล่อยเป็น open weights
ความท้าทายหลักของการรันโมเดลบนเครื่องคือหน่วยความจำและความเร็ว หากใช้ full precision โมเดลขนาด 30B parameters จะใช้หน่วยความจำมากกว่า 55 GB ซึ่งเกินกว่าที่ GPU ระดับ consumer ตัวใดจะรองรับได้ Meta จึงใช้เทคนิค quantization บีบขนาด weights ของโมเดลลงเหลือความละเอียดราว 4-bit ทำให้ตัว language model เหลือขนาดต่ำกว่า 20 GB และยังเหลือพื้นที่ให้ KV cache, perception encoder และ drafter model ทำงานพร้อมกันได้ภายในกรอบหน่วยความจำ 24 GB หรือ 32 GB โดยที่ประสิทธิภาพในงาน Agent แทบไม่ลดลงหรือไม่ลดลงเลย ส่วนเรื่องความเร็วในการสร้างข้อความ Meta แก้ด้วย speculative decoding ผ่าน drafter model ขนาดเล็กที่พัฒนาบนพื้นฐานของ DFlash ซึ่งทำหน้าที่เสนอ token ทีละบล็อกให้โมเดลหลักตรวจสอบแบบขนาน ผลการวัดบนโมเดลเวอร์ชัน K-Quant-17GB คู่กับ drafter ที่ผ่าน quantization แล้ว พบว่าความเร็วในการ decode เพิ่มขึ้น 3.1 เท่าบน RTX 5090 ขณะที่บน MacBook M5 Max เพิ่มขึ้น 1.8 เท่า และ MacBook M4 Max เพิ่มขึ้น 1.5 เท่า โดยคุณภาพของผลลัพธ์ยังเท่าเดิม ด้าน benchmark ทั่วไป Meta เปรียบเทียบกับ Gemma4-31B และ Qwen3.6-27B และระบุว่า Muse Glimmer ทำผลงานได้ดีในกลุ่มโมเดลขนาดเดียวกัน
ผู้ที่สนใจสามารถดาวน์โหลด weights ได้แล้วที่ Hugging Face ส่วนในอีกไม่กี่วันข้างหน้าจะสามารถรันผ่าน Ollama, LM Studio และ Unsloth, deploy ด้วย edge framework อย่าง llama.cpp, ExecuTorch และ MLX รวมถึงให้บริการระดับ scale ด้วย vLLM และ SGLang หรือเริ่มต้นผ่านพาร์ตเนอร์อย่าง Together AI, Fireworks AI และ OpenRouter ได้ ส่วนองค์กรที่ต้องการปรับโมเดลให้เข้ากับงานเฉพาะทางสามารถ fine-tune เพิ่มเติมผ่าน TorchTitan ของ PyTorch ขณะเดียวกัน Meta ยังทำงานร่วมกับ AMD, Arm, Dell, Intel และ NVIDIA เพื่อปรับประสิทธิภาพบนอุปกรณ์แต่ละแพลตฟอร์ม พร้อมเผยแพร่ เอกสารสำหรับนักพัฒนา ที่รวมคำแนะนำการตั้งค่า custom scaffold เพื่อให้เริ่มสร้าง Agent ของตัวเองได้ทันที
ที่มา: https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model
