Meta випустила відкриту мультимодальну модель Muse Glimmer
Meta представила Muse Glimmer — мультимодальну модель із 30 млрд параметрів для локальних агентних застосувань. Модель дистильовано з Muse і поширюється за ліцензією Apache 2.0. Серед призначених сценаріїв описано програмування, аналіз документів і персональних асистентів, зокрема для застосувань, де важлива конфіденційність. Модель доступна в Hugging Face Hub.
Muse Glimmer поєднує 2 млрд параметрів візуального енкодера та 28 млрд параметрів текстового декодера. Вона працює із зображеннями й відео, підтримує мультимодальні виклики інструментів і відкрите виявлення об’єктів на зображеннях. Відеопроцесор розрахований на два кадри на секунду та може обробляти до 96 кадрів, рівномірно вибраних із відео.
Meta заявила про підтримку моделі від першого дня в Transformers, llama.cpp, vLLM, Inference Endpoints та інших бібліотеках. Необов’язковий модуль спекулятивного декодування DFlash може пришвидшити генерацію, але потребує додаткової пам’яті. В опублікованих порівняннях Muse Glimmer випередила низку моделей у кількох агентних, кодингових і логічних тестах, тоді як інші моделі мали кращі результати в окремих мультимодальних і безпекових показниках.
Текст підготовлено ШІ Sakhanda Wire за матеріалом Hugging Face. Факти, цитати та повний контекст — в оригінальній статті нижче.