Willison segnala Muse Glimmer, modello 30B con licenza Apache 2.0
Testo scritto con l’intelligenza artificiale a partire da fonti pubbliche, senza revisione umana prima della pubblicazione.
Il nuovo modello da 30 miliardi di parametri è ottimizzato per esecuzione locale, uso di tool e completamento agentico di task complessi.
Il 10 agosto 2026 Simon Willison segnala Muse Glimmer: un modello da 30 miliardi di parametri con licenza Apache 2.0. Nel post scrive: “Meta are back in the open weights game! Muse Glimmer is a brand new 30B model under a clean Apache 2.0 license (a step up from the janky Llama licenses of old).”
Il modello viene presentato come ottimizzato per l’uso locale. Le affermazioni chiave riguardano tre aspetti: completare compiti end-to-end in scenari agentici, usare strumenti in modo affidabile, sostenere ragionamenti su più passaggi. La descrizione menziona la capacità di lavorare dentro scaffold, scrivere e fare debug del codice, rispondere a richieste multi-turno dall’inizio alla fine.
Willison riporta che Muse Glimmer “achieves strong success rates” su quattro benchmark: DeepSearch QA, MCP-Atlas, 𝛕-Bench e SWE-Bench. Il post indica che questi test misurano la capacità del modello di operare all’interno di scaffold, maneggiare codice, e chiudere richieste multi-turno. Le tre aree di capacità – completamento di compiti completi, uso affidabile di tool con schemi precisi durante workflow estesi, ragionamento multi-step su orizzonti lunghi – sono presentate come focus dell’ottimizzazione.
Willison mostra un esempio pratico: ha generato “un pellicano” usando LM Studio con una versione del modello da 18,16 GB. Il post include l’immagine e la nota sulla dimensione del file usato in LM Studio. Non aggiunge altri dettagli tecnici, ma indica esplicitamente lo strumento impiegato e la dimensione della build caricata.
Secondo esperimento: integrazione con un agente di coding. Willison ha provato Muse Glimmer con il suo plugin llm-coding-agent, puntandolo a un checkout fresco di Datasette. Ha usato il prompt: “how does auth work?”. Il post pubblica la risposta, preceduta da un transcript che elenca le chiamate di tool effettuate lungo l’esecuzione. Il materiale condiviso mostra la sequenza delle invocazioni, non solo l’output finale, e documenta il comportamento del modello durante un workflow con strumenti.
La licenza dichiarata è Apache 2.0. Willison la definisce “clean” e la contrappone alle vecchie licenze Llama, descritte come “janky”. L’indicazione sulla licenza compare insieme alla descrizione del modello come “brand new 30B model”. La formulazione nel post non entra nei dettagli delle clausole, ma segnala con chiarezza il tipo di licenza associata a Muse Glimmer e la differenza percepita rispetto alle licenze precedenti citate.
Nel complesso, il post di Willison mette in fila tre claim funzionali – completamento di compiti end-to-end in contesti agentici, uso affidabile di strumenti, ragionamento multi-step – supportati da riferimenti a quattro benchmark e da due prove d’uso: generazione di un’immagine con LM Studio e una sessione con llm-coding-agent su Datasette con prompt “how does auth work?”. Entrambe le prove sono descritte nel post con i nomi propri, il prompt e, nel caso di LM Studio, la dimensione del modello caricato.
Un dettaglio utile per chi vuole valutare il modello: la trascrizione pubblicata per il test con llm-coding-agent include l’elenco delle chiamate agli strumenti eseguite lungo il flusso, utile a osservare in modo puntuale come il modello gestisce l’orchestrazione dei tool durante l’esecuzione.
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate nel pezzo. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.