Meta เปิดตัว Muse Glimmer โมเดล AI Agent 30B แบบ Open Weights รันบน PC ด้วย GPU ใบเดียวได้

ByThanakarn Juicharoen

Meta เปิดตัว Muse Glimmer โมเดล AI แบบ Open Weights ขนาด 30 พันล้านพารามิเตอร์ ที่ออกแบบมาโดยเฉพาะสำหรับการทำงานแบบ AI Agent และสามารถรันบน Mac หรือ PC ด้วย GPU ระดับ Consumer เพียงใบเดียว ชูจุดเด่นด้านการทำงานแบบ Local AI, การใช้เครื่องมือ, เขียนโค้ด และประมวผลภาพโดยไม่จำเป็นต้องพึ่งพา Cloud ตลอดเวลา

Meta Superintelligence Labs เปิดตัว Muse Glimmer เมื่อวันที่ 10 สิงหาคม 2026 โดยเป็นโมเดล AI รุ่นใหม่ที่ Meta ออกแบบมาเพื่อการทำงานแบบ Agentic AI หรือ AI ที่สามารถวางแผน ใช้เครื่องมือ และดำเนินงานหลายขั้นตอนเพื่อบรรลุเป้าหมายที่ได้รับมอบหมาย

จุดที่น่าสนใจคือ Muse Glimmer มีขนาด 30 พันล้านพารามิเตอร์ (30B) แต่ Meta ระบุว่าสามารถทำงานบน Mac หรือ PC ที่มี GPU ระดับ Consumer เพียงหนึ่งตัวได้ โดยใช้เทคนิค Quantization เพื่อลดขนาดโมเดลลงมาเหลือต่ำกว่า 20GB ทำให้สามารถนำ AI Agent ที่มีความสามารถสูงมารันแบบ Local บนเครื่องของผู้ใช้ได้มากขึ้น

Muse Glimmer คืออะไร?

Muse Glimmer เป็นโมเดล AI ที่เน้นการทำงานแบบ Agentic AI มากกว่าการเป็นเพียง Chatbot สำหรับตอบคำถาม โดย Meta ออกแบบให้โมเดลสามารถทำงานต่อเนื่องหลายขั้นตอน เช่น ใช้เครื่องมือภายนอก เรียกใช้ฟังก์ชัน เขียนและแก้ไขโค้ด รวมถึงวิเคราะห์ข้อมูลจากภาพและเอกสาร

Meta ระบุว่า Muse Glimmer สามารถนำไปใช้กับงานอย่าง อาทิ:

  • Local AI Agent
  • Function Calling
  • การเขียนและ Debug โค้ด
  • การทำงานหลายขั้นตอนแบบ Autonomous
  • การวิเคราะห์ภาพ Screenshot, Chart และเอกสาร
  • LLM-as-a-Judge สำหรับประเมินผลลัพธ์ของโมเดลอื่น
  • การสร้าง Personal Agent ที่ทำงานบนเครื่องของผู้ใช้

แนวคิดสำคัญคือการย้าย AI Agent จากระบบ Cloud มาสู่เครื่องของผู้ใช้โดยตรง ซึ่งช่วยให้สามารถทำงานได้แม้ไม่มี Internet และช่วยลดการส่งข้อมูลส่วนตัวไปยังเซิร์ฟเวอร์ภายนอกในบางกรณี

30B รันบน GPU 24GB ได้

โดยทั่วไปแล้วหากใช้โมเดล 30B ในระดับความแม่นยำเต็มรูปแบบ จะต้องใช้หน่วยความจำมากกว่า 55GB ซึ่งเกินความสามารถของ GPU Consumer ทั่วไปจำนวนมาก

Meta จึงใช้เทคนิค Quantization ลดน้ำหนักของโมเดลลงมาอยู่ที่ประมาณ 4-bit ทำให้ตัวโมเดลมีขนาดต่ำกว่า 20GB

เมื่อรวมพื้นที่สำหรับ KV Cache, ระบบประมวลผลภาพ และโมเดลสำหรับช่วยเร่งการสร้าง Token แล้ว Meta ระบุว่าสามารถทำงานได้ภายในกรอบหน่วยความจำประมาณ 24GB หรือ 32GB

นั่นหมายความว่า Muse Glimmer ถูกออกแบบมาให้เหมาะกับ GPU ระดับสูงของตลาด Consumer ที่มี VRAM 24GB ขึ้นไป โดยไม่จำเป็นต้องใช้ Data Center GPU ขนาดใหญ่

อย่างไรก็ตาม ตัวเลขดังกล่าวควรเข้าใจว่าเป็นข้อกำหนดด้านหน่วยความจำสำหรับการรันโมเดลในรูปแบบที่ Meta ทดสอบ ไม่ได้หมายความว่า GPU 24GB ทุกตัวจะให้ประสิทธิภาพเท่ากัน

เพราะความเร็วจริงยังขึ้นอยู่กับแบนด์วิดท์หน่วยความจำ, พลังการประมวลผลของ GPU, Runtime และการตั้งค่า Quantization ด้วย

ถ่ายทอดความสามารถจาก Muse Spark

เบื้องหลังของ Muse Glimmer คือการใช้เทคนิค Knowledge Distillation โดย Meta ใช้ Muse Spark ซึ่งเป็นโมเดลที่มีขนาดใหญ่กว่าเป็น Teacher Model เพื่อถ่ายทอดความสามารถด้าน Agentic Reasoning ลงมายัง Muse Glimmer ที่มีขนาดเล็กกว่า

กระบวนการฝึกแบ่งออกเป็นหลายขั้นตอน ได้แก่

Pre-Training: Meta ฝึก Muse Glimmer จากผลลัพธ์ของ Muse Spark ด้วยวิธี Logit Distillation และใช้ชุดข้อมูลที่มีลักษณะใกล้เคียงกับ Teacher Model

Mid-Training: เพิ่มข้อมูลที่มี Context ยาวขึ้น และเน้นงาน Agentic มากขึ้น รวมถึงข้อมูลที่มี Reasoning Trace ที่ละเอียดกว่าเดิม

Post-Training: นำ Supervised Fine-Tuning มาผสมกับ On-Policy Distillation และ Reinforcement Learning โดยครอบคลุมทั้งงานทั่วไป การให้เหตุผล การเขียนโค้ด และงาน Agentic AI

แนวทางดังกล่าวช่วยให้ Meta สามารถลดขนาดโมเดลลงอย่างมาก ขณะที่ยังพยายามรักษาความสามารถด้านการทำงาน Agentic เอาไว้

สมองของ AI Agent

Meta ระบุว่า Muse Glimmer ถูกฝึกและประเมินในหลายความสามารถที่จำเป็นต่อการสร้าง AI Agent

โมเดลถูกทดสอบกับ Benchmark อย่าง DeepSearch QA, MCP-Atlas, τ-Bench และ SWE-Bench ซึ่งครอบคลุมการทำงานหลายขั้นตอน การใช้เครื่องมือ การเขียนและแก้ไขโค้ด และการแก้ปัญหาจนเสร็จสิ้น

Muse Glimmer สามารถเรียกใช้ Function และ Tool ต่าง ๆ ตาม Schema ที่กำหนด ซึ่งเป็นความสามารถสำคัญสำหรับ AI Agent ที่ต้องทำงานร่วมกับซอฟต์แวร์หรือบริการอื่น

โมเดลสามารถรักษาแผนการทำงานในงานที่มีหลายขั้นตอนและใช้เวลานานกว่า Prompt ทั่วไป

หาก Tool ที่เรียกใช้เกิด Error หรือส่งผลลัพธ์ที่ไม่คาดคิด Muse Glimmer ถูกฝึกให้วิเคราะห์ปัญหาและลองดำเนินการใหม่ แทนที่จะหยุดทำงานทันที

เข้าใจทั้งข้อความและภาพ

Muse Glimmer มี Perception Encoder สำหรับรับข้อมูลแบบ Multimodal ทำให้สามารถประมวลผล ข้อความและภาพร่วมกัน เช่น Screenshot, Chart และเอกสารได้

นอกจากนี้ยังรองรับข้อมูลมากกว่า 100 ภาษา รวมทั้งภาษาไทยในระดับที่ดีมาก และสามารถกำหนดระดับความพยายามในการ Reasoning เพื่อเลือกระหว่างความเร็วกับคุณภาพของคำตอบได้

ใช้ Speculative Decoding เพื่อเพิ่มความเร็ว

การทำให้โมเดล 30B สามารถรันบนเครื่องพีซีทั่วไปได้นั้น ไม่ได้ทำเพียงต้องแก้ปัญหาด้านหน่วยความจำ แต่ยังต้องแก้ปัญหาเรื่องความเร็วในการสร้าง Token อีกด้วย

Meta จึงนำเทคนิค Speculative Decoding มาใช้ โดย Muse Glimmer มาพร้อมกับโมเดลขนาดเล็กที่เรียกว่า “Drafter” ซึ่งอ้างอิงเทคโนโลยี DFlash

Drafter จะคาดการณ์ Token หลายตัวล่วงหน้า จากนั้นโมเดลหลักจะตรวจสอบผลลัพธ์เหล่านั้นแบบขนาน หากถูกต้องก็สามารถนำไปใช้ต่อได้ทันที วิธีนี้ช่วยลดเวลาที่ต้องใช้ในการสร้างข้อความทีละ Token

จากการทดสอบของ Meta รุ่น K-Quant-17GB เมื่อใช้ร่วมกับ DFlash สามารถเพิ่มความเร็วในการ Decode ได้ประมาณ

  • เร็วขึ้น 3.1 เท่า บน NVIDIA RTX 5090
  • เร็วขึ้น 1.8 เท่า บน Apple M5 Max
  • เร็วขึ้น 1.5 เท่า บน Apple M4 Max

Meta ระบุว่าผลลัพธ์ยังคงคุณภาพของ Output เช่นเดียวกับการสร้าง Token แบบปกติ

เทียบกับ Gemma 4 และ Qwen 3.6

Meta ระบุว่าได้ประเมิน Muse limmer กับโมเดลในระดับขนาดใกล้เคียงกัน เช่น Gemma 4 31B และ Qwen 3.6 27B มีประสิทธิภาพที่แข็งแกร่งในหลาย Benchmark ทั้งด้าน Agentic AI, Coding, Multimodal, Safety และ Reasoning เมื่อเทียบกับโมเดลในกลุ่มขนาดเดียวกัน

อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นผลการประเมินที่ Meta รายงานเอง จึงควรพิจารณาร่วมกับผลการทดสอบจากชุมชนและผู้พัฒนารายอื่นก่อนสรุปว่าโมเดลใดเหนือกว่าในงานจริงทุกประเภท

Model Weights ภายใต้ Apache 2.0

อีกประเด็นสำคัญคือ Meta เปิดปล่อย Model Weights ของ Muse Glimmer ภายใต้ใบอนุญาต Apache 2.0 นั่นทำให้เราสามารถนำโมเดลนี้มาใช้งานได้อย่างอิสระ

โมเดลเปิดให้ดาวน์โหลดผ่าน Hugging Face พร้อมเอกสารสำหรับนักพัฒนา และ Meta ระบุว่าจะมี Integration กับเครื่องมือยอดนิยมตามมา เช่น

  • llama.cpp
  • MLX
  • ExecuTorch
  • Ollama
  • LM Studio
  • Unsloth
  • vLLM
  • SGLang

นอกจากนี้ยังสามารถนำไป Fine-tune เพิ่มเติมผ่าน PyTorch TorchTitan ได้อีกด้วย

จุดนี้ทำให้ Muse Glimmer มีความน่าสนใจอย่างมากสำหรับนักพัฒนาและผู้ที่ต้องการทดลอง Local AI เพราะสามารถดาวน์โหลดโมเดลมารันบนฮาร์ดแวร์ของตัวเองแทนการเรียก API จาก Cloud ได้

คอมที่เหมาะกับ Muse Glimmer

จากข้อมูลของ Meta รุ่นที่ใช้ Quantization ระดับประมาณ 17GB สามารถทำงานในระบบที่มี VRAM หรือ unified memory ประมาณ 24GB หรือ 32GB ได้

GPU VRAM 24GB เหมาะกับแนวทาง Local AI ที่ Meta กำหนดไว้ และมีพื้นที่เหลือสำหรับ KV Cache และส่วนประกอบอื่นของระบบ GPU 32GB ขึ้นไป ก็จะมี Headroom มากขึ้นสำหรับ Context, Cache และการทำงานอื่น ๆ พร้อมกัน

ส่วน GPU 16GB อาจมีข้อจำกัดสำหรับ Configuration ที่ Meta ออกแบบไว้ แม้จะมีความเป็นไปได้ในการใช้ Quantization หรือ Offloading รูปแบบอื่น แต่ประสิทธิภาพและความสะดวกในการใช้งานอาจแตกต่างจากระบบที่มี VRAM 24GB ขึ้นไป

Meta กำลังผลัก AI Agent ให้ทำงานบนเครื่องของผู้ใช้

Muse Glimmer เป็นแนวทางที่น่าสนใจของวงการ AI ในปี 2026 จากเดิมที่โมเดลขนาดใหญ่ต้องพึ่งพา Data Center และ Cloud เป็นหลัก แต่ปัจจุบันผู้พัฒนาเริ่มให้ความสำคัญกับโมเดลขนาดเล็กที่สามารถนำความสามารถระดับสูงบางส่วนลงมาทำงานบนคอมพิวเตอร์ของผู้ใช้ทั่วไปได้

สำหรับ Meta เป้าหมายของ Muse Glimmer ไม่ใช่เพียงการสร้าง Chatbot ที่ตอบคำถามได้ดี แต่เป็นการสร้าง Local Agent ที่สามารถวางแผน ใช้เครื่องมือ รับข้อมูลจากภาพ และทำงานหลายขั้นตอนแทนผู้ใช้

แนวคิดนี้เปิดทางให้เกิดการสร้าง AI ส่วนตัวที่สามารถทำงานบนคอมพิวเตอร์ส่วนตัวได้โดยตรง เช่น จัดการไฟล์ เขียนโค้ด วิเคราะห์เอกสาร หรือเชื่อมต่อกับเครื่องมืออื่น ๆ โดยไม่จำเป็นต้องส่งทุกขั้นตอนไปประมวลผลบน Cloud

[อ่านข้อมูล Muse Glimmer ฉบับเต็มจาก Meta AI Research]

Similar Posts