Meta ha vuelto a colocar la ejecución local en el centro de su estrategia de inteligencia artificial con Muse Glimmer, un modelo de 30.000 millones de parámetros diseñado para agentes que operan de forma continua en un Mac o un PC. La compañía publica los pesos bajo licencia Apache 2.0 y plantea tareas como llamar a herramientas, programar, analizar documentos o evaluar otras respuestas de IA desde el propio dispositivo. La cuestión empresarial pasa ahora por cuánto de ese trabajo puede salir de la nube sin sacrificar capacidad, velocidad ni control.
Muse Glimmer lleva la IA agéntica al dispositivo
Según Meta, Muse Glimmer está optimizado para «always-on local agent workflows», una categoría que exige bastante más que responder a una conversación. El modelo ha sido entrenado para completar tareas de varios pasos, utilizar funciones con esquemas precisos, recuperarse de fallos en herramientas, mantener razonamientos prolongados y procesar texto e imágenes intercalados mediante un codificador de percepción. También admite distintos niveles de esfuerzo de razonamiento y datos de entrenamiento en más de 100 idiomas.
Ese diseño apunta a asistentes con acceso persistente a calendarios, mensajes, archivos y otras fuentes de contexto personal o corporativo. Ejecutar el modelo en local puede reducir la dependencia de una conexión permanente y la necesidad de enviar cada interacción a un servicio remoto. Sin embargo, un agente que consulte APIs o aplicaciones externas seguirá condicionado por cómo se configure el flujo completo. El procesamiento local no convierte automáticamente todo el sistema en un entorno aislado.
La arquitectura refleja además una restricción física. Un modelo de 30.000 millones de parámetros en precisión completa superaría los 55 GB de memoria, según Meta. Para llevarlo a hardware de consumo, la compañía aplica cuantización cercana a 4 bits y reduce el modelo de lenguaje a menos de 20 GB, dejando margen para la caché KV, el componente de visión y un sistema de decodificación especulativa dentro de configuraciones de 24 GB o 32 GB.
Meta sostiene que esa compresión apenas degrada el rendimiento en tareas agénticas. Compara Muse Glimmer con Gemma4-31B y Qwen3.6-27B en pruebas de agentes, código, razonamiento, multimodalidad y seguridad. Entre los benchmarks citados figuran DeepSearch QA, MCP-Atlas, τ-Bench y SWE-Bench, aunque la información facilitada no incluye aquí todos los resultados numéricos.
Muse Glimmer recurre a destilación para reducir tamaño
La compañía ha construido el modelo a partir de Muse Spark mediante un proceso de destilación. En el preentrenamiento utilizó salidas de Muse Spark y «logit distillation»; después incorporó secuencias de contexto más largas, más tareas agénticas y trazas de razonamiento enriquecidas. El postentrenamiento combinó ajuste supervisado, destilación «on-policy» y aprendizaje por refuerzo en razonamiento, programación y uso de agentes.
La elección técnica enlaza con un debate más amplio sobre quién puede reutilizar el conocimiento generado por modelos rivales. Mark Zuckerberg defendió expresamente la destilación en un ensayo publicado junto con la nueva estrategia de Meta. The Wall Street Journal recoge además una propuesta para que el Gobierno estadounidense colabore con las empresas en la evaluación de seguridad de nuevos modelos y un mayor papel del consejo de administración de Meta en esos criterios.
Muse Glimmer llega con una definición de apertura que conviene precisar. Meta distribuye los pesos y permite descargarlos y modificarlos bajo Apache 2.0. The New York Times subraya la diferencia entre un modelo de «pesos abiertos» y uno completamente abierto, que exigiría publicar todos los componentes necesarios para reproducirlo. Para las empresas, la distinción afecta a la auditabilidad y a la capacidad real de modificar la cadena tecnológica.
La estrategia supone también un giro respecto a los últimos meses. Meta mantuvo cerrado Muse Spark cuando lo presentó y empezó a vender acceso al modelo, después de haber utilizado durante años la apertura como elemento diferenciador. Financial Times interpreta Glimmer y la futura publicación de pesos de una versión de Muse Spark como una vuelta a esa línea mientras la compañía intenta recortar distancia con OpenAI y Anthropic.
La velocidad local se convierte en una variable de producto
El segundo frente de Muse Glimmer es la latencia. Meta acompaña el modelo con un «drafter» ligero basado en DFlash, encargado de proponer bloques de tokens que el modelo principal verifica en paralelo. La decodificación especulativa pretende acelerar cadenas largas de razonamiento y llamadas a herramientas sin alterar el resultado final.
Las pruebas internas citadas por Meta muestran una aceleración de 3,1 veces en una RTX 5090, 1,8 veces en un MacBook con M5 Max y 1,5 veces en un M4 Max al utilizar la versión K-Quant-17GB junto al drafter cuantizado. Son datos del fabricante y deberán contrastarse con cargas reales, especialmente en agentes que alternen inferencia, visión, acceso a disco y servicios externos. La utilidad de un agente local depende tanto del benchmark como del tiempo que tarda en decidir y ejecutar el siguiente paso.
Meta prevé integraciones con llama.cpp, MLX y ExecuTorch, además de disponibilidad mediante Ollama, LM Studio y Unsloth. También cita vLLM y SGLang para despliegues a escala y servicios como Together AI, Fireworks AI y OpenRouter. El catálogo muestra que la compañía quiere mover la misma familia entre dispositivo, servidor propio y proveedores de infraestructura.
Meta vincula los modelos abiertos con su carrera de infraestructura
El lanzamiento coincide con un esfuerzo financiero de otra magnitud. The Wall Street Journal cifra en hasta 145.000 millones de dólares el gasto de capital previsto por Meta este año, gran parte destinado a centros de datos, y recoge un objetivo acumulado de 600.000 millones hasta 2028. Zuckerberg ha añadido un fondo de 1.000 millones de dólares para comunidades que alojan infraestructuras de la compañía.
Financial Times sitúa ese despliegue frente a una mayor resistencia local por el consumo de energía y agua y a la presión de los inversores sobre el retorno de la IA. El diario señala que las acciones de Meta cayeron cerca de un 8% después de que la empresa informara de una reducción del 91% en su flujo de caja libre, en un trimestre marcado por el gasto en infraestructura.
Muse Glimmer introduce una derivada económica adicional. Un modelo capaz de ejecutarse en un único equipo desplaza parte del coste de inferencia hacia el cliente y amplía los entornos en los que Meta puede ganar presencia sin suministrar directamente toda la capacidad de cómputo. A la vez, los agentes locales trasladan responsabilidades a las empresas: gestión de versiones, seguridad del endpoint, permisos sobre herramientas, consumo de memoria y observabilidad de acciones automáticas.
Para los departamentos de tecnología, el atractivo estará en decidir qué procesos justifican mantener la inferencia cerca de los datos y cuáles siguen beneficiándose de modelos alojados en la nube con más capacidad. Muse Glimmer abre esa opción con un tamaño que ya entra en estaciones de trabajo de gama alta. La adopción dependerá de cómo responda bajo flujos empresariales sostenidos, con herramientas reales, permisos restringidos y costes operativos medidos durante meses.
