Meta تفتح المصدر لنموذج Muse Glimmer 30B، يعمل كعامل ذكاء اصطناعي محلي على الأجهزة الاستهلاكية

مقدمة

أصدرت Meta نموذج Muse Glimmer، وهو نموذج مفتوح الأوزان بـ 30 مليار معامل، مصمم خصيصًا لعوامل الذكاء الاصطناعي المحلية التي تعمل بشكل دائم.

تم إطلاق النموذج من قبل مختبر Meta للذكاء الفائق في 10 أغسطس 2026، وتُوفَّر أوزانه بموجب رخصة Apache License 2.0 المرنة.

يستهدف Muse Glimmer نمط نشر مختلف عن النماذج前沿 السحابية التي يستخدمها معظم الناس اليوم.

فهو لا يتطلب إرسال كل مطالبة أو لقطة شاشة أو مستند أو استدعاء أداة إلى واجهة برمجة تطبيقات نموذج مُدار، بل صُمم ليعمل مباشرة على أجهزة Mac أو PC مزودة بأجهزة استهلاكية مناسبة.

تضعه Meta للاستخدام في المهام التالية:

• عوامل شخصية محلية.
• استدعاء الدوال والأدوات.
• سير عمل متعدد الخطوات.
• البرمجة وتصحيح الأخطاء.
• فهم لقطات الشاشة والمستندات.
• سير عمل موجهة للملفات.
• استدلال طويل المدى.
• تقييم باستخدام LLM كحَكَم.

يقبل النموذج مدخلات نصية وصورية، ويولّد مخرجات نصية. يمكنه تفسير لقطات الشاشة والرسوم البيانية والمستندات والمدخلات البصرية الأخرى عبر مُرمِّز إدراكي متخصص.

تغطي بيانات تدريبه أكثر من 100 لغة.

الفكرة الأساسية بسيطة:

سياق شخصي
+ نموذج محلي
+ أدوات
+ حلقة عامل طويلة الأمد
=
مساعد ذكاء اصطناعي يعمل دون الاعتماد على نموذج سحابي

هذا التصميم المحلي أولاً مهم بشكل خاص للعوامل التي قد تحتاج إلى الوصول إلى بيانات شخصية مثل الملفات والرسائل والتقويم والمستندات العملية.

ومع ذلك، لا ينبغي فهم "النموذج غير المتصل" على أنه "جميع مهام العامل يمكن تشغيلها دون اتصال". يمكن لـ Muse Glimmer نفسه العمل دون اتصال بالإنترنت، لكن العوامل التي تستدعي تقويمًا سحابيًا أو ترسل بريدًا إلكترونيًا أو تبحث في الويب أو تستخدم خدمات بعيدة أخرى ستظل بحاجة إلى اتصال بالشبكة وبيانات اعتماد مناسبة.

Muse Glimmer هو نموذج 30B مُقطَّر من Muse Spark

وصف تقرير AIBase الأولي Glimmer بأنه نسخة مفتوحة من نموذج Muse Spark المبكر لـ Meta.

هذا القول قريب من الناحية المعنوية، لكنه ليس دقيقًا تقنيًا.

يصف الوصف الرسمي لـ Meta أن Muse Glimmer مُقطَّر من Muse Spark.

تم بناء النموذج من خلال عملية تدريب متعددة المراحل، لنقل القدرات من معلم أكبر إلى بنية أصغر مناسبة للأجهزة المحلية.

تصف Meta ثلاث مراحل تدريب رئيسية:

1. ما قبل التدريب: تم تدريب Glimmer باستخدام تقطير المنطق (logit distillation) على مخرجات Muse Spark، مع مزيج بيانات مشابه.
2. التدريب المتوسط: أضافت Meta سياقًا أطول وبيانات أكثر كثافة بالعوامل، بما في ذلك مسارات استدلال أكثر ثراءً.
3. التدريب اللاحق: جمع الفريق بين الضبط الدقيق الخاضع للإشراف، والتقطير داخل السياسة، والتعلم المعزز للمهام العامة والاستدلال والبرمجة والعوامل.

لذا، يمكن تلخيص العلاقة بينهما بشكل أفضل على النحو التالي:

Muse Spark
    ↓
مخرجات المعلم والاستدلال
    ↓
تقطير + تدريب موجه للعوامل
    ↓
Muse Glimmer 30B

Glimmer ليس مجرد تنزيل مباشر لأوزان نفس نقطة التفتيش الخاصة بـ Spark.

إنه نموذج مستقل أصغر، مُحسَّن حول قيود الاستدلال المحلي.

البنية والمواصفات الأساسية

تسرد بطاقة النموذج الحالية لـ Meta حوالي 29.6 مليار معامل إجمالية، بما في ذلك المرمّز البصري.

المواصفة	Muse Glimmer 30B
البنية	محول سببي كثيف مع مُرمِّز إدراكي
إجمالي المعاملات	~29.6B
طبقات المحول	52
البعد المخفي	6,656
الانتباه	نمط محلي/محلي/محلي/عالمي متكرر
النافذة المنزلقة	2,048
طول السياق	131,072+ رمزًا
المُرمِّز البصري	ViT-G/14 بحوالي 1.8B معامل
الحد الأقصى للرموز البصرية لكل صورة	4,096
المدخلات	نص + صور
المخرجات	نص
لغات التدريب	بيانات بأكثر من 100 لغة
تاريخ قطع المعرفة	4 يناير 2026
الرخصة	Apache 2.0

النموذج كثيف وليس خليطًا من الخبراء (Mixture-of-Experts).

هذا يجعل النشر المحلي أكثر صعوبة، لأنه يجب تحميل جميع أوزان النموذج أثناء الاستدلال.

تعالج Meta هذه المشكلة بشكل أساسي من خلال التكميم.

نموذج 30B مصمم ليتناسب مع ذاكرة 24GB أو 32GB

بالدقة الكاملة، يتطلب نموذج بهذا الحجم ذاكرة تتجاوز ما توفره وحدات معالجة الرسوم الاستهلاكية النموذجية.

تقول Meta إن النموذج بالدقة الكاملة يتطلب أكثر من 55GB من الذاكرة، واستهدافها المرجعي للدقة الكاملة هو إعداد VRAM بسعة 64GB.

للنشر المحلي، تقدم Meta متغيرات تكميم بحوالي 4 بت.

المقارنة الرسمية كالتالي:

المتغير	الأجهزة المستهدفة	متوسط الانخفاض في الدقة*
الدقة الكاملة	64GB VRAM	—
K-Quant-Dynamic	32GB VRAM	0.2%
K-Quant-17GB	24GB VRAM	1.0%

*أفادت Meta أن الانخفاض هو متوسط مقاييس الدقة عبر 15 معيارًا شائعًا.

يمكن تقليص أوزان نموذج اللغة المضغوطة إلى أقل من 20GB، مما يترك مساحة من أجل:

• ذاكرة التخزين المؤقت KV.
• المُرمِّز الإدراكي.
• نموذج المسودة DFlash.
• النفقات العامة للتشغيل.

هذا التغيير الهندسي جعل التشغيل الفعلي لنموذج عامل متعدد الوسائط كثيف 30B على جهاز استهلاكي متطور أمرًا واقعيًا.

"الأجهزة الاستهلاكية" لا تزال تتطلب توضيح السياق.

بالمقارنة مع مجموعات مراكز البيانات، فإن متطلبات الذاكرة 24GB أو 32GB قابلة للتحقيق، لكنها ليست تكوين كمبيوتر محمول منخفض المواصفات.

النموذج الكامل لا يزال متطلبًا.

مبني لسير عمل عامل متعدد الخطوات

لا يُوضع Muse Glimmer في المقام الأول كنموذج محادثة خفيف.

دربت Meta النموذج وقيمته حول إنجاز مهام العامل.

تُبرز بطاقة النموذج العديد من القدرات ذات الصلة.

إنجاز المهام من البداية إلى النهاية

صُمم Glimmer لإكمال المهام بأكملها، وليس التوقف بعد رد واحد.

يمكن للعامل:

فهم الهدف
→ وضع خطة
→ استدعاء أداة
→ فحص النتائج
→ مراجعة الخطة
→ استدعاء أداة أخرى
→ إكمال المهمة

هذا مفيد بشكل خاص في السيناريوهات التي تعتمد فيها الإجابة الصحيحة على العمليات الوسيطة.

استخدام موثوق للأدوات

تم تدريب النموذج على استدعاء الوظائف باستخدام أنماط منظمة في سير عمل ممتد.

هذا يجعله مناسبًا للأنظمة التي تكشف عن الأدوات التالية:

• الملفات.
• أوامر الصدفة (Shell).
• قواعد البيانات.
• التقويم.
• المستندات.
• المتصفح.
• التطبيقات الداخلية.

النموذج نفسه لا يحصل تلقائيًا على حق الوصول إلى هذه الأنظمة.

السقالات البرمجية للعامل هي التي تحدد الأدوات الموجودة والصلاحيات التي يحصل عليها النموذج.

استدلال متعدد الخطوات

يدعم Glimmer التخطيط المستمر في سير عمل أطول.

كما يدعم أربعة إعدادات لكثافة الاستدلال:

منخفض
متوسط
مرتفع
مرتفع جدًا

توصي Meta باستخدام المستوى "مرتفع" أو "مرتفع جدًا" للمهام الأكثر صعوبة في البرمجة والاستدلال والعوامل.

عندما يكون زمن الاستجابة أكثر أهمية من الاستدلال العميق، قد تكون المستويات المنخفضة أكثر ملاءمة.

التعافي من الفشل

من أهم خصائص العامل قدرته على مواصلة العمل بعد فشل استدعاء أداة.

صرحت Meta أن Glimmer تم تدريبه على تشخيص النتائج غير المتوقعة وإعادة المحاولة، بدلاً من التوقف فورًا.

بالنسبة للمساعد المحلي طويل الأمد، هذا لا يقل أهمية عن أداء المعايير الأساسية.

الأدوات الحقيقية تفشل.

تُنقل الملفات. تعيد الأوامر أخطاءً. تنتهي مهلة واجهات برمجة التطبيقات. قد لا تنجح البرامج في الترجمة.

العامل الذي لا يتعافى يحول كل فشل صغير إلى انقطاع يتطلب تدخلًا بشريًا.

المدخلات النصية والصورية تجعل لقطات الشاشة أكثر فائدة

يحتوي Muse Glimmer على مُرمِّز بصري مخصص بحوالي 1.8 مليار معامل.

هذا يمكنه من معالجة مدخلات نصية وصورية متداخلة.

تسلط Meta الضوء بشكل خاص على حالات الاستخدام التي تتضمن:

• لقطات الشاشة.
• الرسوم البيانية.
• المستندات.
• الواجهات المرئية.

هذا الأمر ذو أهمية خاصة للوكلاء الحاسوبيين التشغيليين.

يمكن للوكلاء المحليين فحص لقطات شاشة التطبيقات واستخدام هذا السياق البصري في خطوة الاستدلال التالية.

توفّر Ollama الأمثلة التالية:

• بناء التطبيقات بناءً على المخططات الهيكلية (Wireframes).
• سير عمل تشغيلي حاسوبي مدفوع بلقطات الشاشة.
• قراءة الإيصالات والمستندات والرسوم البيانية.

الفيديو ليس نمط إدخال محسّنًا أصليًا.

تُظهر بطاقة نموذج Meta أنه يمكن معالجة الفيديو كإطارات منفصلة، لكن النموذج غير محسّن بشكل صريح لفهم الفيديو.

إدخال وإخراج الصوت غير مدعومين أيضًا.

تغطية أكثر من 100 لغة تدريب

ذكرت AIBase أن Glimmer يدعم التفاعل النصي والصوري، ويغطي بيانات تدريبية بأكثر من 100 لغة.

تؤكد بطاقة نموذج Meta أن بيانات تدريبه مستمدة من أكثر من 100 لغة.

هذا لا يعني ضمانًا للأداء المتطابق عبر جميع اللغات.

توضح Meta صراحةً أن النموذج لم يتم تقييمه بكل لغة من لغات بيانات ما قبل التدريب، وأن الأداء قد يكون أضعف خارج اللغات المدعومة رئيسيًا.

بالنسبة للتطبيقات المحلية متعددة اللغات، يجب على المطورين اختبار اللغة المستهدفة مباشرة بدلاً من افتراض جودة موحّدة.

DFlash يسرّع حلقة الوكيل المحلي

قد تبدو سير عمل الوكلاء المحليين بطيئة لأن المهمة الواحدة قد تتطلب جولات متعددة من الاستدلال واستدعاء الأدوات.

عقوبات زمن الانتظار الصغيرة التي تتكرر عبر 20 أو 50 خطوة وكيل تصبح ملحوظة.

يأتي Muse Glimmer مزودًا بنموذج مصاحب لفك التشفير التخميني خفيف الوزن يعتمد على DFlash.

يقترح النموذج الأولي كتلةً من الرموز المستقبلية.

بعد ذلك، يتحقق نموذج Glimmer الرئيسي من هذه الرموز المقترحة بالتوازي.

تبسيط العملية كما يلي:

يقترح DFlash كتلة
← يتحقق Muse Glimmer
← يتم قبول الرموز الصحيحة
← يتم تصحيح الرموز الخاطئة

صرّحت Meta أن نموذج DFlash يمكنه اقتراح كتلة من 16 رمزًا في تمريرة أمامية واحدة.

الهدف هو تقليل الاختناقات التسلسلية في عملية التوليد المعتادة رمزًا برمز.

أبلغت Meta عن سرعات فك التشفير لنموذجها K-Quant-17GB مع نموذج DFlash الكمي المصاحب:

الجهاز	خط الأساس	مع DFlash	نسبة التسريع المبلغ عنها
NVIDIA RTX 5090	74.9 رمز/ثانية	233.4 رمز/ثانية	3.1×

|
| Apple M5 Max | 26.6 رمز/ثانية | 50.2 رمز/ثانية | 1.8× |
| Apple M4 Max | 23.7 رمز/ثانية | 37.8 رمز/ثانية | 1.5× |

هذه قياسات أبلغت عنها Meta.

صرّحت الشركة أن الاختبارات استخدمت فك تشفير جشع بحجم دفعة 1، وتم إجراء القياسات على M4/M5 عبر ExecuTorch، وعلى RTX 5090 عبر llama.cpp.

ستختلف السرعة في التطبيقات الفعلية وفقًا للعوامل التالية:

• طول المطالبة.
• حجم السياق.
• طريقة التكميم.
• زمن انتقال الأدوات.
• العتاد.
• بيئة التشغيل.
• إدخال الصور.
• كثافة الاستدلال.
• تفعيل فك التشفير التخميني.

أداء المعايير

قارنت Meta نموذج Muse Glimmer مع نماذج أخرى مفتوحة الأوزان من نفس فئة الحجم، بما في ذلك Gemma4-31B و Qwen3.6-27B.

تشمل النتائج التي أبلغت عنها بعض الشركات:

المعيار	Muse Glimmer 30B
MCP Atlas	75.5
DeepSearch QA	74.6
WildClawBench	47.6
OSWorld-Verified	65.9
SWE-Bench Pro	51.2
SWE-Bench Verified	76.0
TerminalBench 2.1	51.7
ScreenSpot Pro	75.4
MMMU Pro	74.0
AIME 2026	94.7
GPQA Diamond	83.5

الأداء العام تنافسي، لكنه ليس متصدرًا في جميع المجالات.

على سبيل المثال، تُظهر مخططات Meta الخاصة أن نماذج أخرى تتفوق على Glimmer في عدة معايير.

هذا أمر متوقع.

المنتج الرئيسي لـ Muse Glimmer ليس "تحقيق أفضل النتائج في جميع المعايير".

بل هو مزيج من العناصر التالية:

القدرات الوكيلية
+
الإدخال متعدد الوسائط
+
التنفيذ المحلي
+
الأوزان المفتوحة
+
استهداف ذاكرة استهلاكية

منهجية المعايير تحتاج إلى فهم سياقي

أصدرت Meta أيضًا وثيقة منهجية تقييم مستقلة.

تشير الوثيقة إلى أن البيانات المقارنة قد تأتي من مزيج من المصادر التالية:

• إعادة إنتاج داخلية.
• نتائج مُبلَغ عنها ذاتيًا من مزودي النماذج.
• Artificial Analysis.

معايير الوكلاء حساسة بشكل خاص للعوامل التالية:

• مطالبات النظام.
• السقالات الوكيلية.
• تعريفات الأدوات.
• حدود الوقت أو الجولات.
• إعدادات أخذ العينات.
• بيئة التشغيل.

جداول المعايير هي دليل مفيد.

لكن لا ينبغي اعتبارها إثباتًا على أن نموذجًا معينًا هو الأمثل في كل نشر وكيل فعلي.

الخصوصية المحلية هي حالة الاستخدام الاستراتيجية الرئيسية

تركز المقالة الأصلية على الخصوصية الشخصية.

وهذا أيضًا أحد أهم الأسباب لتشغيل الوكلاء محليًا.

قد يحتاج الوكيل الشخصي المفيد إلى الوصول إلى:

• المستندات المحلية.
• الرسائل.
• الملاحظات.
• ملفات العمل.
• لقطات الشاشة.
• الجدول الشخصي.
• حالة التطبيقات.
• سياق المشاريع الخاصة.

إرسال كل هذه المواد إلى خدمة نماذج عن بُعد يشكّل نمط تدفق بيانات مختلفًا تمامًا عن المعالجة على جهاز المستخدم.

تصميم Muse Glimmer يسمح بإبقاء حلقة الاستدلال الأساسية تعمل محليًا.

تشير وثيقة وصفات Muse Glimmer الرسمية من Meta إلى أن الوصفة المحلية أولًا يمكن أن تعمل دون الحاجة إلى:

• البنية التحتية السحابية.
• الاستدلال المُدار.
• مفاتيح API.
• الوصول إلى الشبكة.

هذا يمكن أن يقلل من كمية البيانات الشخصية التي تغادر الجهاز.

المحلي لا يعني تلقائيًا الخصوصية

هذا التمييز لا يزال مهمًا.

يمكن للنموذج المحلي الاتصال بأدوات ترسل البيانات إلى أماكن أخرى.

على سبيل المثال:

نموذج Glimmer المحلي
← خدمة بريد إلكتروني سحابية
← تقويم بعيد
← بحث ويب
← خوادم MCP تابعة لجهات خارجية

في هذا النظام، استدلال النموذج محلي، لكن سير العمل ليس غير متصل بالكامل.

تعتمد الخصوصية على بنية الوكيل الكاملة.

يجب على المطورين تدقيق:

• صلاحيات الأدوات.
• نقاط النهاية البعيدة.
• السجلات.
• الذاكرة المستمرة.
• الوصول إلى المتصفح.
• الوصول إلى الصدفة.
• بيانات الاعتماد.
• القياس عن بُعد.
• سلوك الإضافات أو MCP.

الاستدلال المحلي هو بدائية خصوصية مفيدة، وليس ضمانًا عامًا.

حتى بدون شبكة، يمكن للوكيل الشخصي العمل

بالنسبة لسير العمل المبنية بالكامل حول الموارد المحلية، يمكن لـ Muse Glimmer مواصلة العمل عند انقطاع الشبكة.

يمكن للوكيل الشخصي المحلي نظريًا معالجة المهام التالية:

• البحث في الملاحظات المحلية.
• إعادة تنظيم الملفات.
• تلخيص المستندات دون اتصال.
• صياغة رسائل لإرسالها لاحقًا.
• كتابة وتصحيح الأخطاء في الكود المحلي.
• استخراج المعلومات من لقطات الشاشة.
• إنشاء تقارير محلية.
• إدارة قوائم المهام المخزنة محليًا.

هذا هو معنى وصف Meta لـ Glimmer كنموذج وكيل محلي دائم التوفر.

يمكن للنموذج أن يظل متاحًا دون انتظار نقطة نهاية سحابية.

يمكن أن يوفر هذا أيضًا تكاليف واجهات برمجة التطبيقات المستندة إلى الرموز بعد أن يدفع المستخدم تكلفة العتاد والكهرباء.

النموذج لا يزال بحاجة إلى سقالات وكيل

تنزيل Muse Glimmer لا ينشئ تلقائيًا مساعدًا شخصيًا كاملاً.

النموذج مجرد مكوّن.

لا يزال الوكيل المفيد بحاجة إلى بيئة تنفيذ.

تشمل المكونات النموذجية:

Muse Glimmer
+
تعليمات النظام
+
تعريفات الأدوات
+
حلقة الوكيل
+
ضوابط الأذونات
+
الذاكرة
+
التطبيقات المحلية أو البعيدة

تشير بطاقة نموذج Meta إلى أن Glimmer متوافق مع أنماط تنسيق الوكلاء مثل OpenClaw و Hermes Agent.

أصدرت Meta أيضًا Muse Glimmer

دليل برمجي شامل، يغطي:

• البدء السريع.
• أساسيات استخدام الأدوات.
• وصفات الوكلاء الأذكياء.
• خوادم الاستدلال.
• النشر على أجهزة محددة.
• بدائل الاستضافة.

وهذا يجعل هذا الإصدار أكثر قيمة من مجرد نشر الأوزان فقط.

البدء السريع مع Ollama على Apple Silicon

أضاف Ollama دعمًا مبكرًا لـ Muse Glimmer في 10 أغسطس.

عند كتابة هذا المقال، تشير ملاحظات إصدار Ollama الخاصة إلى أن الدعم الأولي يتم من خلال محرك MLX على Apple Silicon.

من المتوقع ظهور المزيد من التحسينات لاحقًا لمنصات Apple Silicon وNVIDIA وAMD وغيرها.

قم بتثبيت الإصدار الحالي من Ollama وقم بتشغيل:

ollama run muse-glimmer:30b-mlx

للتكامل مع وكلاء البرمجة المدعومين، توفر وثائق Ollama أمثلة مثل:

ollama launch claude --model muse-glimmer:30b-mlx

بالنسبة لـ OpenClaw:

ollama launch openclaw --model muse-glimmer:30b-mlx

بالنسبة لـ Hermes:

ollama launch hermes --model muse-glimmer:30b-mlx

نظرًا لأن دعم وقت التشغيل المحلي يتطور بسرعة بعد إصدار نماذج جديدة، يرجى مراجعة أحدث وثائق Ollama قبل افتراض وجود نفس تسميات النماذج ودعم الواجهة الخلفية على Windows أو Linux أو NVIDIA أو AMD.

تشغيل النموذج باستخدام vLLM

توفر صفحة النموذج الحالية على Hugging Face دليلًا سريعًا لبدء استخدام vLLM.

قم بتثبيت vLLM:

pip install vllm

قم بتقديم خدمة Muse Glimmer:

vllm serve "meta-models/Muse-Glimmer-30B"

يقوم الخادم الناتج بكشف واجهة برمجة تطبيقات متوافقة مع OpenAI.

وهذا يمكن أن يسهل اتصال التطبيقات التي تعرف بالفعل كيفية استدعاء نقاط نهاية دردشة محلية بأسلوب OpenAI.

الذاكرة المطلوبة لتقديم الخدمة بدقة كاملة أعلى بكثير من الإصدارات الكمية 24GB/32GB.

مسار النشر.

يرجى اختيار مصنوعات النموذج ووقت التشغيل بناءً على الأجهزة المتاحة فعليًا.

التشغيل باستخدام SGLang

توفر صفحة النموذج الرسمية أيضًا مسار SGLang:

pip install sglang

ثم:

python3 -m sglang.launch_server \
    --model-path "meta-models/Muse-Glimmer-30B" \
    --host 0.0.0.0 \
    --port 30000

بعد ذلك يمكن استدعاء النموذج من خلال نقطة نهاية الخادم المحلي المتوافقة مع OpenAI.

مشغل نماذج Docker

تدرج صفحة تكامل Hugging Face الحالية أيضًا:

docker model run hf.co/meta-models/Muse-Glimmer-30B

يمكن للنشر القائم على Docker تبسيط التعبئة، ولكن لا يزال يتعين التحقق من توافق الأجهزة ومتطلبات الذاكرة ودعم وقت التشغيل على الجهاز المستهدف.

المصنوعات المنشورة ليست مجرد نقطة تفتيش BF16 واحدة

تتضمن مجموعة Hugging Face من Meta حاليًا العديد من المصنوعات الرسمية:

1. Muse-Glimmer-30B — أوزان BF16 للبحث والضبط الدقيق.
2. Muse-Glimmer-30B-GGUF — ملفات K-quant الرسمية للاستدلال المحلي.
3. Muse-Glimmer-30B-ExecuTorch-PTE — مبني للنشر على الأجهزة، بما في ذلك مخططات النشر لـ Metal.
4. Muse-Glimmer-30B-assistant — نموذج مرافق لفك التكهن بـ DFlash.

تُظهر بطاقة نموذج Meta أن هذا الإصدار يتضمن:

• أوزان BF16 كاملة الدقة.
• متغيرين بكمية 4 بت.
• نموذج مسودة DFlash.
• مشفر الإدراك الحسي.

وكلها منشورة بموجب ترخيص Apache 2.0.

هذا أكثر ودية للمطورين مقارنة بنشر نقطة تفتيش بحثية كبيرة واحدة فقط.

البرمجة المحلية هي حالة الاستخدام الرئيسية

البرمجة هي واحدة من أوضح حالات استخدام الوكلاء المحليين.

عادةً ما يحتاج وكلاء البرمجة إلى الوصول إلى:

• مستودعات التعليمات البرمجية.
• الملفات المحلية.
• الصدفة.
• أدوات البناء.
• الاختبارات.
• مخرجات المترجم.
• لقطات الشاشة أو التصميمات.

قد يكون الاحتفاظ بهذه المواد محليًا جذابًا في السيناريوهات التالية:

• البرمجيات الاحتكارية.
• التعليمات البرمجية الداخلية للشركات.
• المنتجات غير المنشورة.
• مشاريع العملاء الحساسة.
• الشبكات المعزولة أو البيئات منخفضة الاتصال.

قامت Meta بتقييم Glimmer على مهام البرمجة مثل SWE-Bench وTerminalBench، وأدرجت وكلاء البرمجة كأحد حالات الاستخدام المتوقعة.

ومع ذلك، فإن النشر المحلي لا يلغي المخاطر المعتادة لوكلاء البرمجة.

النموذج الذي لديه أذونات shell أو كتابة ملفات يمكنه:

• حذف الملفات.
• تعديل التكوينات.
• تشغيل أوامر غير آمنة.
• تثبيت تبعيات غير موثوقة.
• تسريب البيانات من خلال الأدوات المتصلة.

التحكم في الأذونات والعزل في sandbox لا يزالان ضروريين.

توصي Meta بإضافة حواجز حماية إضافية للعمليات في العالم الحقيقي

لا تصف بطاقة نموذج Meta Glimmer كنظام مستقل يجب منحه وصولًا غير مقيد.

وتوصي بنشر النموذج كجزء من نظام أوسع مع تدابير حماية مناسبة للسياق.

بالنسبة لحالات الاستخدام الوكيلية، توصي Meta تحديدًا بتنفيذ ضوابط مثل التأكيد البشري للعمليات غير القابلة للعكس.

هذا مهم بشكل خاص للمهام التي تنطوي على:

• إرسال رسائل البريد الإلكتروني.
• حذف البيانات.
• نشر المحتوى.
• تحويل الأموال.
• تغيير البنية التحتية للإنتاج.
• تعديل الإعدادات الأمنية.

يمكن للنماذج المحلية تقليل الاعتماد على السحابة، ولكن لا يزال يتعين تصميم الوكلاء بعناية.

تقييم الجاهزية: متوسط أو أقل

تشير Meta إلى أن القدرة الإجمالية لـ Muse Glimmer أقل من Muse Spark، وبالتالي لا تصل إلى

تعريف Meta للذكاء الاصطناعي المتقدم في إطارها الموسع للذكاء الاصطناعي المتقدم.

ومع ذلك، لا تزال Meta تقوم بتقييم هذا الإصدار مفتوح المصدر من خلال عملية الاستعداد الخاصة بها.

تعطي بطاقة النموذج التصنيفات التالية:

مجال المخاطر	تقييم Meta
الكيميائي/البيولوجي	متوسط منخفض أو أقل
الأمن السيبراني	متوسط منخفض أو أقل (استنتاجي)
فقدان السيطرة	متوسط منخفض أو أقل (استنتاجي)

تشير Meta إلى أن الاستنتاجات بشأن الأمن السيبراني وفقدان السيطرة هي استنتاجية، جزئيًا لأن Glimmer أضعف بشكل عام من Muse Spark 1.0، الذي حصل على نفس التصنيفات في هذه المجالات.

هذه هي تقييمات السلامة الخاصة بـ Meta، وليست شهادات مستقلة.

وتعترف الشركة أيضًا أن الاختبارات لا يمكنها تغطية جميع السيناريوهات.

الذكاء الفائق الشخصي هو الاستراتيجية الأكبر

يربط الجزء الختامي من مقال AIBase بين Muse Glimmer وفكرة مارك زوكربيرج حول الذكاء الفائق الشخصي.

هذا الارتباط رسمي.

كررت Meta مرارًا وتكرارًا وضع نماذجها ومنتجاتها الحديثة على النحو التالي: يجب أن يساعد الذكاء الاصطناعي المتقدم الأفراد في متابعة أهدافهم الخاصة، بدلاً من تركيز الذكاء في أيدي عدد قليل من الشركات أو الحكومات.

في مقال زوكربيرج بتاريخ 10 أغسطس "المستقبل للجميع"، دعا إلى توزيع الذكاء الاصطناعي المتقدم على نطاق واسع.

تشمل السيناريوهات التي ذكرها حيث يمكن للوكلاء الشخصيين المساعدة:

• العلاقات الشخصية.
• الصحة.
• المهنة.
• الشؤون المالية.
• إدارة المنزل.
• التعلم.
• الإبداع.
• الأعمال الجديدة.

كما ذكر أن Meta تنوي جعل هذه الأدوات مجانية أو بأقل سعر ممكن للمستخدمين، بما في ذلك إصدارات مجانية متاحة لمليارات الأشخاص.

Muse Glimmer هو عرض عملي لجزء من هذه الفلسفة:

نماذج وكيلة قوية
→ أوزان قابلة للتنزيل
→ استدلال محلي
→

إليك الترجمة إلى العربية:

---

## النماذج مفتوحة المصدر كاستراتيجية لموازنة القوى

حجة زوكربيرغ تتجاوز راحة المطورين.

فهو يرى أن الذكاء الاصطناعي مفتوح المصدر وسيلة للحد من تركيز السلطة.

منطقه كالتالي:

```نص عادي
قلة من المؤسسات تتحكم بأقوى نماذج الذكاء الاصطناعي
← يصبح الذكاء مركّزًا

كثيرون يمكنهم تشغيل نماذج قوية
← تتوزع القدرات على نطاق أوسع

هل يؤدي هذا إلى نتائج أمنية أفضل؟ إنها مسألة خلافية.

يرى زوكربيرغ أن الوصول الواسع يمكن أن يُحدث توازنًا وتكاملًا.

بينما يرى آخرون أن النماذج مفتوحة المصدر عالية القدرة قد تزيد من مخاطر إساءة الاستخدام، إذ يصعب تطبيق بعض الضمانات الأمنية بمجرد توزيع الأوزان على نطاق واسع.

حقيقة أن Muse Glimmer ليس النموذج الأقوى لدى Meta أمر حاسم في هذا النقاش.

يُظهر تقييم Meta الداخلي للاستعداد أن Glimmer أضعف بوضوح من Muse Spark، ويصنّفه ضمن المخاطر الحدودية الرئيسية كمستوى منخفض أو أقل.

هذا يجعله نقطة دخول منخفضة المخاطر نسبيًا لتنفيذ استراتيجية محلية/مفتوحة المصدر.

استراتيجية Meta للنماذج المفتوحة والمغلقة أكثر مرونة مما توحي به المقالة المصدرية

تقدّم مقالة AIBase ثنائية بسيطة:

Muse Glimmer = مفتوح المصدر
Muse Spark = مغلق المصدر

هذا يصف بدقة جزءًا من الوضع الحالي لمنتجات Meta، لكنه جامد جدًا كاستراتيجية طويلة المدى.

تم إطلاق Muse Spark في البداية عبر Meta AI ومعاينة خاصة بواجهة برمجية (API)، وليس كأوزان قابلة للتنزيل.

أما Glimmer فهو مفتوح الأوزان.

ومع ذلك، في تصريحه العاشر في أغسطس، قال زوكربيرغ أيضًا إنه بما أن مختبر Meta للذكاء الفائق أصبح قيد التشغيل، فإن Meta ستعود لإصدار بعض النماذج مفتوحة المصدر.

كما ذكرت تقارير معاصرة حول نفس الإعلان أن Meta تخطط لإصدار المزيد من إصدارات Muse مفتوحة الأوزان.

لذا فإن الفهم الأكثر دقة هو:

تتبنى Meta أنماط وصول مختلفة لمستويات قدرات ومنتجات مختلفة، مع التزام علني بمواصلة الإصدارات المفتوحة في المستقبل.

وبالتالي، فإن الاستنتاج بأن Meta قررت إبقاء نماذجها الأقوى مغلقة بشكل دائم هو استنتاج مطلق أكثر من اللازم.

لماذا الوكلاء المحليون ضروريون للمنافسة في الذكاء الاصطناعي الاستهلاكي

يتميز الذكاء الاصطناعي السحابي بمزايا واضحة:

• قوة حاسوبية هائلة متاحة.
• تحديث سريع للنماذج.
• بنية تحتية مركزية للأدوات.
• دعم أسهل للنماذج الحدودية فائقة الضخامة.

بينما يوفر الذكاء الاصطناعي المحلي مجموعة أخرى من المزايا:

• خصوصية في عمليات الاستدلال.
• إمكانية الاستخدام دون اتصال.
• لا حاجة للدفع لكل رمز مقابل الخدمات السحابية.
• زمن استجابة شبكي أقل لبعض سير العمل.
• وصول مباشر للبيانات المحلية.
• تحكم أكبر للمطورين.

ما يجعل Muse Glimmer جديرًا بالاهتمام هو محاولته جلب قدرات وكيل قوية إلى الجانب المحلي من هذه المعادلة.

الهدف ليس مساعدًا صغيرًا يجيب على بعض الأسئلة المحددة مسبقًا.

بل نموذج قادر على:

• التخطيط.
• استخدام الأدوات.
• التعافي من الأخطاء.
• فهم لقطات الشاشة.
• كتابة الأكواد.
• معالجة سياقات طويلة.
• إنجاز مهام متعددة الخطوات.

هنا تكمن أهمية هدف النشر على ذاكرة 24GB/32GB.

فهو يجعل القدرات الوكيلة في متناول الأجهزة التي يمتلكها فعليًا المطورون الأفراد والمستخدمون المتقدمون.

ما هو مؤكد وما يحتاج إلى مزيد من التحليل

الادعاء	الحالة الحالية
أصدرت Meta نموذج Muse Glimmer في 10 أغسطس 2026	مؤكد
النموذج بحوالي 30 مليار معامل	مؤكد
أُصدرت أوزان النموذج بترخيص Apache 2.0	مؤكد
Glimmer مشتق من Muse Spark عبر التقطير	مؤكد
Glimmer هو نفسه نموذج Muse Spark تمامًا لكن مفتوح المصدر	لا
النموذج يقبل مدخلات نصية وصورية	مؤكد
ينتج مخرجات نصية	مؤكد
تم تدريبه على بيانات بأكثر من 100 لغة	مؤكد
طول السياق 131,072+ رمزًا	مؤكد
الإصدارات الكمية موجهة لبيئات ذاكرة 24GB و32GB	مؤكد
يمكن تشغيله على أجهزة Mac أو PC بأجهزة استهلاكية مناسبة	أكدت Meta ذلك
يمكن تشغيله محليًا دون بنية تحتية سحابية أو اتصال بالإنترنت	مؤكد بالنسبة للنموذج نفسه
جميع مهام الوكيل يمكن إنجازها دون اتصال	لا؛ الأدوات المتصلة بالشبكة تتطلب اتصالاً
تسريع فك التشفير DFlash	مؤكد
أبلغت Meta عن تسريع يصل إلى 3.1x على RTX 5090	ادعاء من الشركة
Muse Glimmer موجه للوكلاء المحليين وأغراض البرمجة	مؤكد
إدارة البريد والتقويم والملفات تلقائيًا بعد التنزيل	لا؛ يتطلب إطار عمل للوكيل وتفويضًا بالأدوات
Muse Spark سيبقى مغلقًا بشكل دائم	لم يُؤكد بعد
زوكربيرغ يريد ذكاءً فائقًا شخصيًا متاحًا على نطاق واسع وبأسعار معقولة	مؤكد

الأسئلة الشائعة

ما هو Meta Muse Glimmer؟

Muse Glimmer هو نموذج متعدد الوسائط مفتوح الأوزان بحوالي 30 مليار معامل من مختبر Meta للذكاء الفائق. وهو مُحسَّن لسير عمل الوكلاء المحليين، واستخدام الأدوات، والبرمجة، وفهم لقطات الشاشة، والاستدلال طويل السياق، والمهام متعددة الخطوات.

تم.

هل Muse Glimmer مفتوح المصدر؟

أصدرت Meta أوزان النموذج والملحقات ذات الصلة بموجب ترخيص Apache 2.0 المتساهل، ووصفت هذا الإصدار بأنه مفتوح المصدر/مفتوح الأوزان. من الناحية التقنية الدقيقة، يُوصف عادةً بأنه نموذج مفتوح الأوزان لأن العمل الأساسي المُصدَر هو النموذج المُدرَّب.

كم يحتاج Muse Glimmer من ذاكرة الفيديو (VRAM)؟

الإصدارات الكمية الرسمية من Meta تستهدف 32GB من ذاكرة الفيديو لإصدار K-Quant-Dynamic، و24GB لإصدار K-Quant-17GB. يتطلب النموذج بدقة كاملة أكثر من 55GB من الذاكرة، والتكوين المستهدف الموضح في بطاقة نموذج Meta هو 64GB.

هل يمكن تشغيل Muse Glimmer دون اتصال بالإنترنت تمامًا؟

نعم. يمكن تشغيل النموذج محليًا للاستدلال دون الحاجة إلى نموذج سحابي أو اتصال بالإنترنت. ومع ذلك، إذا استخدم الوكيل البحث عبر الويب، أو البريد السحابي، أو التقويم البعيد، أو قواعد البيانات عبر الإنترنت، أو أدوات إنترنت أخرى، فستتطلب هذه الاستدعاءات اتصالاً بالشبكة.

هل يدعم Muse Glimmer الصور؟

نعم. إنه مزوَّد بمشفر إدراكي متخصص بحوالي 1.8 مليار معامل يقبل مدخلات نصية وصورية. يمكنه التفكير في لقطات الشاشة والرسوم البيانية والمستندات والمحتوى البصري الآخر وتحليله.

هل يمكنني تشغيل Muse Glimmer باستخدام Ollama؟

نعم. أضاف Ollama دعمًا أوليًا لـ Muse Glimmer على محرك MLX الخاص بأجهزة Apple Silicon. عند الإصدار، ذكر Ollama أن المزيد من التحسينات ودعم المنصات الأخرى قادمة، لذا يجب على مستخدمي الأجهزة الأخرى مراجعة أحدث ملاحظات الإصدار.

هل Muse Glimmer هو النسخة مفتوحة المصدر من Muse Spark؟

ليس تمامًا. تم اشتقاق Muse Glimmer من Muse Spark عبر التقطير، وتدريبه كنموذج مستقل بحجم 30B موجه لأعباء عمل الوكلاء المحليين. إنه يرث قدرات النموذج الأكبر معلمًا، لكنه ليس مجرد نقاط تفتيش لـ Spark مع ترخيص مفتوح.

ما هو DFlash في Muse Glimmer؟

DFlash هو نموذج مصاحب لفك التشفير التخميني يقترح كتلًا من الرموز المستقبلية ليقوم النموذج الرئيسي بالتحقق منها بالتوازي. أبلغت Meta عن تسريع يصل إلى 1.5x على M4 Max، و1.8x على M5 Max، و3.1x على RTX 5090 في تكوينات الاختبار الخاصة بها.

الأدوات ذات الصلة

• Muse Glimmer على Hugging Face: بطاقة النموذج الرسمية من Meta، تشمل أوزان BF16، والهندسة المعمارية، والمعايير، وملاحظات السلامة، وأمثلة النشر.
• دفتر وصفات Muse Glimmer: وصفات رسمية من Meta للوكلاء المحليين، واستدعاء الأدوات، وخوادم الاستدلال، والنشر على أجهزة محددة.
• [Ollama](https://ollama.

com/blog/muse-glimmer): عند التشغيل محليًا، يوفر دعمًا مبكرًا لـ Muse Glimmer وتكاملًا مع الوكلاء.

• llama.cpp: بيئة تشغيل استدلال محلية واسعة الاستخدام، مدعومة بنظام GGUF الخاص بـ Muse Glimmer.
• vLLM: خادم استدلال عالي الإنتاجية، يوفر أمثلة خدمة رسمية لـ Muse Glimmer.
• SGLang: إطار عمل للاستدلال والخدمة، مدعوم حاليًا من صفحة نموذج Muse Glimmer.
• ExecuTorch: بيئة تشغيل استدلال حافة من PyTorch، تستخدمه Meta لقياس أداء Muse Glimmer على أجهزة Apple.
• LM Studio: بيئة سطح مكتب لاكتشاف وتشغيل النماذج المحلية، بما في ذلك النماذج المتوافقة مع Muse Glimmer.

القياس الكمي.

روابط ذات صلة

• Meta: إطلاق Muse Glimmer: الإعلان الرسمي من مختبر Meta للذكاء الفائق في 10 أغسطس.
• بطاقة النموذج الرسمية لـ Muse Glimmer: المواصفات الرئيسية والمعايير والتراخيص وأهداف القياس الكمي والاستخدامات المقصودة ومعلومات السلامة.
• مجموعة نماذج Muse Glimmer: مجموعة من القطع الأثرية المتعلقة بـ BF16 وGGUF وExecuTorch وDFlash المقدمة من Meta.
• منهجية تقييم Muse Glimmer: المنهجية التفصيلية من Meta حول معايير الوكلاء والبرمجة وتعدد الوسائط والاستدلال والسلامة.
• ورقة DFlash: ورقة بحثية تصف طريقة فك التخمين الانسدادي المتسلسل التي يستخدمها Glimmer.
• مركز Meta AI للمطورين: بوابة Meta الرسمية لنماذج الذكاء الاصطناعي وأدوات المطورين وموارد Muse.
• المستقبل للجميع: بيان مارك زوكربيرغ في أغسطس 2026 حول الذكاء الفائق الشخصي والذكاء الاصطناعي المفتوح وسهولة الوصول والقدرة على التحمل واللامركزية.

ملخص

Muse Glimmer هو نموذج جديد مفتوح الأوزان بحجم 30B من مختبر Meta للذكاء الفائق، مصمم للوكلاء المحليين المقيمين في الذكاء الاصطناعي. وهو مشتق من Muse Spark عبر التقطير، وليس نسخة مفتوحة مباشرة من Spark، ويتكامل مع إدخال متعدد الوسائط، واستدعاء الأدوات، والبرمجة، والاستدلال طويل السياق، واستعادة الأعطال، وأكثر من 100 لغة تدريب.

يركز الجهد الهندسي على النشر المحلي. توفر Meta تكوينات قياس كمي مصممة لبيئات ذاكرة 24GB و32GB، ونافذة سياق تزيد عن 128K، ونموذجًا مصاحبًا لفك التخمين يسمى DFlash، والذي تقول الشركة إنه يمكن أن يحسن سرعة التوليد بشكل كبير.

التنفيذ المحلي يمنح المطورين سيطرة أكبر على الملفات الخاصة والسياقات الشخصية، مع تقليل الاعتماد على الاستدلال المُدار. لكن هذا لا يجعل تلقائيًا جميع سير العمل المتصلة بالوكلاء خاصة أو دون اتصال؛ فالبريد الإلكتروني البعيد والتقويم والمتصفح وخدمات MCP الأخرى ستظل تولّد تدفقات بيانات خاصة بها.

يتماشى هذا الإصدار أيضًا مع استراتيجية Meta الأوسع للذكاء الفائق الشخصي. يعتقد زوكربيرغ أن الذكاء الاصطناعي المتقدم يجب أن يُوزَّع على نطاق واسع، وأن يُقدَّم مجانًا أو بأسعار معقولة، وأن يكون بشكل متزايد في أيدي الأفراد، وليس متمركزًا في أيدي عدد قليل من المؤسسات.

أهمية Muse Glimmer ليست في أن نموذج 30B يحل محل أكبر نماذج السحابة، بل في أن قدرات الوكلاء متعددة الوسائط الجادة تصل إلى أجهزة يمكن للمطورين الأفراد والمستخدمين المتقدمين امتلاكها والتحكم فيها.