闭源旗舰 Muse Spark 1.1
Meta 用 Muse 系列重新回到了前沿模型的牌桌。据 O'Reilly 8 月趋势综述，Meta 推出 Muse Spark 1.1，主打计算机使用（computer use）工作流优化。开发者媒体 AI Tech Model 补充了定价细节：Muse Spark 1.1 API 于 7 月 9 日上线，输入每百万 token 1.25 美元、输出 4.25 美元，约为竞品同档价格的四分之一；在第三方 Artificial Analysis 智能指数上得分 52、全球排名第四，较 Meta 2025 年的 Llama 提升约 3 倍。
更关键的是迭代速度。AI Tech Model 报道，Meta 要求约 7000 名内部工程师每周使用其 Muse Code 编程代理，数月内由此生成超过 800 项性能改进。这种"用自己的产品逼出 bug"的打法，放大了 Meta 的工程规模优势——别人很难靠同等人力去复现这种反馈回路。
开源牌：Muse Glimmer 30B
在闭源旗舰之外，Meta 打出开源牌。Open Source For You 报道，8 月 10 日前后，Meta 超级智能实验室（MSL）在 Hugging Face 以 Apache 2.0 协议发布 Muse Glimmer：一个 300 亿参数的稠密多模态模型，经 4-bit 量化后可在单张消费级显卡（18—20GB 显存）上离线运行，支持文本与图像输入，面向编程、函数调用、自主智能体等任务。
这是一套"两层级"策略：前沿的 Spark 保持闭源变现，轻量能本地跑的 Glimmer 开源圈生态、也规避部分监管 scrutiny。Hugging Face 在 8 月 10 日确认了这一发布，称其"本地、智能体、多模态、开源"。对开发者来说，这意味着不用把数据送去云端，也能跑一个能力不俗的模型。
对行业的信号
Meta 的动作说明两件事。其一，开源与闭源不再是二选一，而是可以并行：用开源换生态与口碑，用闭源旗舰赚高价值客户的钱。这种"两全"正在成为大厂的标配思路。其二，智能体工作流正成为模型竞争的主战场——无论是 Spark 的 computer use 优化，还是 Glimmer 的本地 agent 执行，都围绕"让模型真的把活干完"展开，而不是停留在对话层面。
对企业而言，这类可本地部署的开源模型值得关注：在数据安全要求高、调用量大的场景下，一张显卡跑一个 30B 模型，可能比把数据送去云端 API 更划算，也更可控。尤其是金融、制造、医疗这类对数据出境敏感的行业，"私有化小模型 + 云端大模型"的组合，会越来越常见。
本地部署的算账
Glimmer 30B 的意义，不在于它有多强，而在于它"够用且能本地跑"。一张消费级显卡、18—20GB 显存，就能离线跑一个多模态智能体模型。对数据敏感的企业，这意味着核心文档不必出内网，也能用上像样的 AI 能力。虽然 30B 比不上万亿参数的闭源旗舰，但在客服应答、文档归类、内部知识检索这类"高频但低风险"的任务上，它往往已经够用，且单次成本趋近于零。
给企业的参考
第一，开源协议要盯紧。Glimmer 选 Apache 2.0，企业可无限制商用、修改、闭源衍生，这对中小企业尤其友好；选型时别只看能力，也要看"用了之后能不能放心商用"，协议卡脖子的事在行业里并不罕见。
第二，关注"网关友好度"与本地化能力。一个能本地跑、又能接进多模型编排的模型，比一个能力强但完全封闭的模型更实用。对已经跑起智能体工作流的企业，把敏感数据留在内网、只把非敏感任务交给云端，是更稳妥的拆分方式。
信息来源
O'Reilly《Radar Trends to Watch: August 2026》（2026-08）
Open Source For You《Meta Open Sources Muse Glimmer: A 30B Agentic AI Model》（2026-08）
AI Tech Model《Why the AI Industry Is Watching Meta Muse Spark Model Updates》（2026-08）