Meta Muse Glimmer, Model AI Baru yang Menarik Perhatian

Ilustrasi Meta Muse Glimmer. Foto: Unsplash.com/Surface

Perkembangan teknologi kecerdasan buatan terus berkembang. Meta Muse Glimmer hadir sebagai salah satu model AI yang dirancang untuk mendukung pekerjaan berbasis agen secara lokal.

Model ini menawarkan kemampuan yang ditujukan untuk menangani tugas berkelanjutan dengan penggunaan alat dan pengelolaan konteks.

Pengembangannya juga memungkinkan pemrosesan AI dilakukan dengan lebih fleksibel sesuai kebutuhan perangkat dan aplikasi.

Meta Muse Glimmer, Model Open Weights

Ilustrasi Meta Muse Glimmer. Foto: Unsplash.com/Mad Fish Digital

Dikutip dari developer.meta.com, Meta Muse Glimmer merupakan model open-weights berukuran 30 miliar parameter yang dikembangkan oleh Meta Superintelligence Labs untuk kebutuhan agentic AI lokal.

Model ini dirilis dengan lisensi Apache 2.0, sehingga pengembang dapat menggunakannya secara komersial, melakukan modifikasi, dan mendistribusikannya kembali sesuai ketentuan lisensi tersebut.

Salah satu sasaran utamanya adalah membuat agen yang mampu menjalankan pekerjaan dalam beberapa tahapan.

Agen dapat menentukan langkah, menggunakan tool, memeriksa hasil, menyesuaikan tindakan ketika terjadi kesalahan, lalu meneruskan pekerjaan tanpa harus mengulang seluruh proses dari awal.

Kemampuan persistent state menjadi bagian penting dari rancangan tersebut. Sistem dapat mempertahankan kondisi pekerjaan setelah sesi berakhir atau perangkat mengalami restart.

Pengelolaan memori juga ditujukan untuk membantu agen mempertahankan konteks ketika mengerjakan tugas yang berlangsung selama berjam-jam.

Fokus pada penggunaan lokal memberikan pilihan bagi pengembang yang tidak ingin seluruh proses AI bergantung pada server cloud.

Pemrosesan di perangkat dapat membantu memberikan kendali lebih besar terhadap data dan lingkungan kerja, terutama ketika agen berinteraksi dengan file lokal, dokumen, atau sumber daya lain yang bersifat pribadi.

Dari sisi kemampuan, Muse Glimmer 30B dilengkapi dengan persepsi multimodal. Model ini diuji melalui sejumlah benchmark yang mencakup penalaran terhadap dokumen, tampilan antarmuka, serta materi multimodal lainnya.

Pada Charxiv Reasoning, model memperoleh skor 78,8, sedangkan ScreenSpot Pro mencapai 75,4.

Kemampuan agentic juga diuji melalui beberapa benchmark. Muse Glimmer 30B mencatat skor 75,5 pada MCP Atlas dan 74,6 pada DeepSearch QA.

Pengujian tersebut berkaitan dengan kemampuan model dalam menyelesaikan tugas yang melibatkan proses bertahap dan penggunaan alat.

Untuk pekerjaan pemrograman, Muse Glimmer 30B memperoleh skor 76,0 pada SWE-Bench Verified dan 51,2 pada SWE-Bench Pro. Model juga mencatat 51,7 pada TerminalBench 2.1 serta 43,6 pada SciCode.

Hasil tersebut memperlihatkan bahwa pengembangan model tidak hanya diarahkan untuk percakapan, tetapi juga pekerjaan teknis yang membutuhkan pemrosesan kode dan lingkungan terminal.

Pada pengujian penalaran umum, model memperoleh skor 94,7 pada AIME 2026 dan 83,5 pada GPQA Diamond. Muse Glimmer juga mendapatkan 77,0 pada IFBench dan 80,0 pada AA-LCR.

Setiap benchmark memiliki karakteristik penilaian berbeda sehingga angka tersebut perlu dilihat sebagai bagian dari rangkaian evaluasi, bukan satu ukuran tunggal kemampuan model.

Aspek keamanan turut diperhatikan karena agen lokal dapat berinteraksi dengan sumber daya yang lebih luas.

Pengembangan Muse Glimmer mencakup upaya untuk mengurangi oversharing, menghadapi prompt injection dari konten yang tidak tepercaya, serta menjaga batas akses terhadap data.

Model ini dapat dijalankan menggunakan beberapa framework. Llama.cpp menyediakan pilihan eksekusi pada CPU, GPU, maupun kombinasi keduanya, sementara vLLM dapat digunakan untuk deployment dengan endpoint yang kompatibel dengan OpenAI API.

ExecuTorch juga menjadi salah satu opsi untuk penerapan pada perangkat seperti ponsel dan tablet.

Pengguna yang memiliki perangkat keras lebih terbatas dapat memanfaatkan quantization untuk mengurangi presisi bobot dan kebutuhan memori.

Teknik speculative decoding juga tersedia untuk mempercepat inference dengan menggunakan model yang lebih kecil dalam mengusulkan token sebelum diperiksa oleh model utama.

Pengujian awal pada perangkat AMD menunjukkan Muse Glimmer 30B dapat mencapai hingga 24 token per detik pada AMD Ryzen AI Max+ 395 dan hingga 53 token per detik pada Radeon AI PRO R9700 dengan dFlash.

Hasil tersebut berasal dari pengujian menggunakan llama.cpp, backend Vulkan, serta speculative decoding sehingga performanya dapat berbeda pada konfigurasi perangkat lain.

LM Studio menyediakan cara yang lebih praktis untuk menjalankan model secara lokal pada perangkat yang didukung.

Sementara itu, Lemonade dapat digunakan untuk memasukkan Muse Glimmer 30B ke dalam aplikasi melalui layanan lokal dengan API yang kompatibel dengan OpenAI.

Penggunaan tersebut membuka peluang penerapan untuk coding assistant, otomasi alur kerja, perangkat riset, dan aplikasi yang membutuhkan pemrosesan data di perangkat.

Struktur model yang berorientasi pada tugas panjang membuatnya lebih sesuai untuk skenario ketika AI perlu melakukan serangkaian tindakan, bukan sekadar memberikan satu respons.

Meta Muse Glimmer dirancang sebagai model lokal yang menggabungkan kemampuan penalaran, penggunaan tool, memori, dan pemrosesan multimodal dalam satu sistem.

Lisensi terbuka serta dukungan terhadap berbagai framework juga memberi ruang bagi pengembang untuk menyesuaikannya dengan kebutuhan aplikasi dan perangkat yang digunakan. (Khoirul)