Le 10 août 2026, Meta a publié Muse Glimmer, un modèle de 30 milliards de paramètres conçu pour faire tourner un agent IA complet directement sur un ordinateur personnel, sans dépendre d'une API cloud. C'est le premier modèle en poids ouverts de Meta depuis la famille Llama, et le premier sous licence Apache 2.0, la licence la plus permissive du marché, sans les restrictions d'utilisateurs actifs mensuels qui limitaient Llama. ## Un agent complet dans 24 gigaoctets de mémoire À pleine précision, un modèle de 30 milliards de paramètres nécessite plus de 55 gigaoctets de mémoire, hors de portée de la quasi-totalité des ordinateurs personnels. Meta a compressé Muse Glimmer par quantification à 4 bits pour ramener son empreinte sous les 20 gigaoctets, laissant suffisamment de marge pour le cache de contexte, l'encodeur de perception visuelle et un modèle compagnon de décodage spéculatif, le tout tenant dans une enveloppe de 24 à 32 gigaoctets de VRAM. Concrètement, cela correspond à une carte graphique grand public haut de gamme comme une Nvidia RTX 4090, ou un Mac équipé d'au moins 32 gigaoctets de mémoire unifiée. Alexandr Wang, directeur IA de Meta, précise que le modèle conserve sa fiabilité agentique avec seulement 24 gigaoctets de VRAM, sans dégradation significative de précision, Meta annonçant une perte de qualité de seulement 1% sur sa configuration la plus compacte. Le modèle intègre également un système de décodage spéculatif baptisé DFlash, qui fait passer la vitesse de génération sur une RTX 5090 de 74,9 à 233,4 tokens par seconde, soit une accélération de 3,1 fois. Meta a démontré ces capacités avec un scénario concret : Glimmer découvre seul une instance Home Assistant sur le réseau local, interroge les API des appareils connectés, rédige un tableau de bord HTML/CSS/JavaScript fonctionnel et déploie un serveur local pour vérifier son propre travail, sans aucune intervention humaine intermédiaire. ## Face à Qwen et Gemma : des résultats mitigés mais un signal fort | Modèle | Développeur | Licence | Cible d'usage principal | |---|---|---|---| | Muse Glimmer 30B | Meta (États-Unis) | Apache 2.0 | Agents locaux 24-32 Go de VRAM | | Qwen3.6-27B | Alibaba (Chine) | Apache 2.0 | Codage, usage terminal | | Gemma 4 31B | Google DeepMind (États-Unis) | Licence Google restrictive | Raisonnement compact | | gpt-oss-120b | OpenAI (États-Unis) | Apache 2.0 | GPU data center unique 80 Go | Sur les benchmarks propres à Meta, Glimmer domine son propre comparatif face à Gemma4-31B et Qwen3.6-27B sur les tâches agentiques : 75,5 sur MCP Atlas, 74,6 sur DeepSearch QA, 51,2 sur SWE-Bench Pro. Mais le tableau n'est pas à sens unique : Qwen conserve l'avantage sur l'usage d'ordinateur (75,6 contre 65,9 pour Glimmer sur OSWorld-Verified) et sur le travail en terminal, tandis que Gemma reste devant sur le raisonnement pur. Ce que ce lancement change surtout, c'est la balance géographique de l'IA open source : selon les données d'usage de mai 2026, les modèles chinois représentaient environ 61% des tokens consommés sur OpenRouter, avec quatre des cinq modèles les plus utilisés venant de laboratoires chinois, pendant que Llama disparaissait complètement du classement. Muse Glimmer est l'une des rares contre-attaques américaines crédibles à ce mouvement. > « Muse Glimmer, tout comme des modèles bien plus volumineux, peut fonctionner comme un agent pleinement autonome capable de planifier, d'appeler des outils, de vérifier ses propres résultats et de récupérer après une erreur. » > — Alexandr Wang, directeur de l'intelligence artificielle chez Meta ## Ce qu'un modèle local change pour une petite structure Meta reste toutefois transparente sur les limites : sur un test d'injection de prompt appelé Siren AgentDojo, Glimmer affiche un taux de réussite d'attaque de 28,4%, entre Gemma (25,6%) et Qwen (40,3%), et l'entreprise recommande explicitement de déployer le modèle avec des garde-fous, notamment une confirmation humaine pour toute action irréversible. Faire tourner un agent en local ne supprime pas ces risques, cela déplace simplement où s'exécute le calcul, pas la nécessité de superviser ce que l'agent fait de ses accès aux outils. Pour un indépendant ou une TPE qui hésite à envoyer des documents sensibles ou des captures d'écran professionnelles à une API cloud, ou qui veut simplement s'affranchir des coûts au token, la possibilité de faire tourner un agent complet sur un poste de travail change concrètement l'équation, à condition de disposer du matériel adapté et de bien cadrer les tâches confiées au modèle. C'est précisément l'un des enjeux abordés dans la formation [Augmenter sa productivité et créativité à l'aide de l'intelligence artificielle](https://www.travelearn.fr/formation/augmenter-sa-productivit-et-crativit-laide-de-lintelligence-artificielle), qui aide à choisir entre solutions cloud et solutions locales selon le contexte réel de l'entreprise plutôt que par réflexe. --- **Sources** - [Meta returns to open source with Muse Glimmer - VentureBeat](https://venturebeat.com/technology/meta-returns-to-open-source-with-muse-glimmer-an-apache-2-0-licensed-30b-parameter-ai-model-optimized-for-agents-available-now) - [Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device - Meta AI Research](https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model) - [Meta AI Releases Muse Glimmer: A 30B Open-Weights Agentic Model - MarkTechPost](https://www.marktechpost.com/2026/08/10/meta-ai-releases-muse-glimmer/)