Meta's Superintelligence Labs ने म्युज ग्लिमर, Apache 2.0 लायसन्स अंतर्गत प्रकाशित केलेले 30-बिलियन पॅरामीटर AI मॉडेल जारी केले आहे जे ग्राहक-श्रेणी GPU वर स्थानिक पातळीवर AI एजंट चालवण्यासाठी डिझाइन केलेले आहे. हे वजन हगिंग फेसवर उपलब्ध आहे, जे ओपन-वेट इकोसिस्टममध्ये कंपनीच्या नवीनतम पुशला चिन्हांकित करते ज्याला सीईओ मार्क झुकरबर्गने AI च्या भविष्यावर नव्याने प्रकाशित केलेल्या 6,500 शब्दांच्या निबंधात चॅम्पियन केले आहे.
डेव्हलपर्स इंटेलिजेंट सिस्टीम कसे बनवतात आणि उपयोजित करतात या AI इंडस्ट्री कव्हरेजच्या व्यापक लहरी मध्ये रिलीझ आले आहे. मेटा म्हणते की डेव्हलपर क्लाउड-होस्टेड API ला डेटा न पाठवता स्थानिक कोडिंग, फंक्शन कॉलिंग, स्वायत्त एजंट्स आणि LLM-ए-जज मूल्यांकन कार्यांसाठी म्यूज ग्लिमर वापरू शकतात.
ऑन-डिव्हाइस एजंटसाठी तयार केलेले
मेटा पोझिशन्स म्युज ग्लिमरला विशिष्ट ऑपरेशनल अडचणींवर उपाय म्हणून: क्लाउड-होस्ट केलेल्या मॉडेल्सना सतत नेटवर्क ऍक्सेस आणि केंद्रीय पायाभूत सुविधा आवश्यक असतात, जे लेटन्सी, खर्च आणि गोपनीयतेच्या समस्यांचा परिचय देऊ शकतात. कंपनी त्याऐवजी वर्कलोडसाठी मॉडेल पिच करते ज्यासाठी डिव्हाइसवर उपस्थिती आवश्यक आहे, वैयक्तिक एजंट्ससह ज्यांना वेळापत्रक, संदेश, फाइल्स आणि इतर खाजगी संदर्भांमध्ये प्रवेश आवश्यक आहे.
मॉडेल एका समर्पित परसेप्शन एन्कोडरद्वारे इंटरलीव्ह केलेला मजकूर आणि प्रतिमा स्वीकारते, एजंटना संभाषणाचा भाग म्हणून स्क्रीनशॉट, चार्ट आणि दस्तऐवजांचा अर्थ लावू देते. मेटा अहवाल देतो की ही मल्टीमोडल क्षमता एजंटांना व्हिज्युअल इंटरफेसबद्दल तर्क करू देते, हे वैशिष्ट्य जे टीम बिल्डिंग टूल्ससाठी महत्त्वाचे आहे जे ग्राफिकल सॉफ्टवेअर किंवा वेब पृष्ठांशी संवाद साधतात.
म्युज ग्लिमर ओपनक्लॉ आणि इतर एजंट-ऑर्केस्ट्रेशन नमुन्यांना देखील समर्थन देते, मॉडेलच्या विकसक दस्तऐवजीकरणामध्ये तपशीलवार सानुकूल स्कॅफोल्ड्ससह. मॉडेलवर तयार केलेला स्थानिक कोडींग एजंट कोणत्या रेपॉजिटरीज, टर्मिनल्स, चाचणी वातावरणात आणि कमांड्समध्ये प्रवेश करतो हे ठरवू शकतो, जरी मेटा चेतावणी देते की कार्य यश मोजण्यापूर्वी संस्थांनी उपलब्ध कमांड्स आणि रिपॉझिटरीज परिभाषित केल्या पाहिजेत.
प्रतिस्पर्ध्यांविरुद्ध बेंचमार्क कामगिरी
मेटा च्या अंतर्गत बेंचमार्क चाचण्या म्युज ग्लिमरला Google च्या Gemma4-31B आणि Alibaba च्या Qwen3.6-27B च्या आठ पैकी पाच सामान्य-एजंटिक बेंचमार्कवर ठेवतात. एकूण एजंटिक स्कोअरवर, Gemma4-31B साठी 61.7 आणि Qwen3.6-27B साठी 71.1 च्या तुलनेत म्यूज ग्लिमर 74.6 वर पोहोचला.
मॉडेलने WildClawBench वर 47.6 पोस्ट केले, Gemma4-31B च्या 37.6 आणि Qwen3.6-27B च्या 43.2 च्या पुढे. GAIA2 वर, सामान्य AI सहाय्यकांसाठी बेंचमार्क, Muse Glimmer ने 43.3 गुण मिळवले, ज्याच्या तुलनेत प्रतिस्पर्धी मॉडेल्ससाठी 36.4 आणि 40.0. OSWorld-Verified, जे एजंटच्या वास्तविक संगणक वातावरणात कार्य करण्याच्या क्षमतेची चाचणी घेते, समूहातील सर्वात मोठे अंतर निर्माण केले: Gemma4-31B च्या 58.5 विरुद्ध म्यूज ग्लिमरने 65.9 गाठले.
प्रत्येक श्रेणीने मेटाच्या मॉडेलला पसंती दिली नाही. SkillsBench वर, Qwen3.6-27B ने 46.6 च्या स्कोअरसह आघाडी घेतली, जिथे Muse Glimmer ने 44.3 रेकॉर्ड केले. Qwen3.6-27B ने म्युज ग्लिमरच्या 953 विरुद्ध 1,141 सह GDPval-AA वर आघाडी घेतली.
कोडिंग परिणाम स्पर्धात्मक लँडस्केप दर्शवतात
म्यूज ग्लिमरचे कोडिंग बेंचमार्क एक संकुचित स्पर्धात्मक चित्र सादर करतात. Gemma4-31B साठी 36.9 आणि Qwen3.6-27B साठी 50.2 च्या तुलनेत मॉडेलने SWE-Bench Pro ने 51.2 गुण मिळवले. तथापि, Qwen3.6-27B ने SWE-Bench Verified वर 77.2 ने पुढे, Muse Glimmer च्या 76.0 विरुद्ध, आणि TerminalBench 2.1 ने 60.7 विरुद्ध Muse Glimmer च्या 51.7 ने आघाडी घेतली.
मेटाने पुरवलेली सामग्री अयशस्वी टूल कॉलसाठी पुन्हा प्रयत्न करण्याचे प्रशिक्षण देखील वर्णन करते, असे वर्तन जे एजंटना त्रुटींमधून स्वयंचलितपणे पुनर्प्राप्त करण्यास सक्षम करते. कंपनीने नमूद केले आहे की या क्षमतेसाठी पुनरावृत्ती प्रयत्नांवर नियंत्रण आवश्यक आहे, विशेषत: जेथे साधन स्त्रोत कोड बदलू शकते किंवा बाह्य प्रणालींना आवाहन करू शकते.
झुकरबर्गचे ओपन-वेट व्हिजन
द म्युज ग्लिमर रिलीज झुकेरबर्गच्या एआय विकासासाठी त्यांची दृष्टी मांडणाऱ्या एका दीर्घ निबंधाच्या प्रकाशनाशी एकरूप आहे. रॉयटर्स आणि ब्लूमबर्गच्या म्हणण्यानुसार, मेटा सीईओने ओपन-वेट दृष्टिकोनाला चॅम्पियन करण्यासाठी निबंधाचा वापर केला, असा युक्तिवाद केला की मोठ्या प्रमाणावर उपलब्ध मॉडेल्स काही कॉर्पोरेट हातात एआय पॉवरचे केंद्रीकरण रोखतात.
झुकेरबर्गने सुपरइंटिलिजेंट सिस्टम्सवर नियंत्रण ठेवणाऱ्या एकल घटकाच्या जोखमींविरुद्ध चेतावणी दिली आहे, असे सांगून की एकल परोपकारी सुपरइंटिलिजन्स अशी कोणतीही गोष्ट नाही. मेटा ची ओपन-वेट स्ट्रॅटेजी हे दोन्ही तांत्रिक तत्वज्ञान आणि ओपनएआय आणि अँथ्रोपिक सारख्या बंद मॉडेल प्रतिस्पर्ध्यांविरूद्ध स्पर्धात्मक भूमिका म्हणून टिप्पणी करते.
न्यू यॉर्क टाईम्सने म्युझ ग्लिमरचे वर्णन मेटाच्या AI क्षमतेची एक मुक्त-स्रोत आवृत्ती म्हणून केले आहे ज्याचा वापर ग्राहक घरी करू शकतात, तर वॉल स्ट्रीट जर्नलने नमूद केले आहे की हा निबंध झुकेरबर्गच्या आजपर्यंतच्या त्याच्या AI जागतिक दृष्टिकोनातील सर्वात तपशीलवार मांडणीचे प्रतिनिधित्व करतो.
संघांसाठी व्यावहारिक विचार
मेटा चे बेंचमार्क प्रमाणित चाचण्यांवर कार्यप्रदर्शन दर्शवतात, परंतु एखाद्या संस्थेने स्वतःच्या फाइल्स, कॅलेंडर, मेसेजिंग सिस्टम किंवा अंतर्गत साधनांशी कनेक्ट केल्यानंतर स्थानिक एजंट कसे वागेल हे ते दर्शवत नाहीत. कंपनी कबूल करते की स्क्रीनशॉट-रीडिंग मॉडेल्स ते काय पाहतात याचा अर्थ लावू शकतात, तरीही स्थानिक चाचणीमध्ये अद्याप परवानग्या, प्रदर्शन लेआउट, दस्तऐवज स्वरूप आणि कनेक्ट केलेल्या साधनांद्वारे परत आलेल्या त्रुटींचा समावेश असणे आवश्यक आहे.
म्युज ग्लिमरचे मूल्यांकन करणाऱ्या संस्थांसाठी, मेटा तैनातीपूर्वी एजंटला उपलब्ध कमांड्स आणि रिपॉझिटरीज परिभाषित करण्याची शिफारस करते. मॉडेलच्या सुरक्षितता-संबंधित मूल्यमापनांमध्ये CI मेमरीज आणि सायरन एजंटडोजो चाचण्यांचा समावेश आहे, जरी कंपनी प्रत्येकासाठी वेगवेगळे उपाय वापरते.
रिलीझने मेटाला ओपन-वेट स्पेसमध्ये Google च्या Gemma लाइन आणि Alibaba च्या Qwen मॉडेल्सशी थेट स्पर्धा केली आहे. Apache 2.0 परवान्याने व्यावसायिक वापरास अनुमती देऊन, Muse Glimmer विकासकांमध्ये दत्तक घेण्यास गती देऊ शकते ज्यांना आवर्ती खर्च आणि क्लाउड API च्या गोपनीयता व्यापार-ऑफशिवाय एजंटिक क्षमता हवी आहे.
AI च्या पुढे रहा
AI मॉडेलमधील नवीनतम घडामोडींसाठी, ओपन-वेट रिलीझ आणि उद्योगाला आकार देणारी स्पर्धात्मक गतिमानता, व्यापक कव्हरेजसाठी AI Buzz Wire ला भेट द्या.
अधिक एआय बातम्या वाचा →
