L’essentiel
- Meta publie Muse Glimmer, un modèle de 30 milliards de paramètres sous licence Apache 2.0, son premier modèle ouvert depuis le passage de la famille Muse en licence propriétaire.
- Le modèle est distillé depuis Muse Spark, et Mark Zuckerberg défend noir sur blanc le fait d’apprendre des modèles des autres, au moment où OpenAI et Anthropic dénoncent la pratique.
- Compressé à 4 bits, il tombe de plus de 55 Go à moins de 20 Go et tourne hors ligne sur un seul GPU grand public.
- Il devance Gemma4-31B et Qwen3.6-27B sur les tâches d’agent, avec 75,5 sur MCP Atlas, mais reste derrière Qwen sur le pilotage d’ordinateur, 65,9 contre 75,6.
Meta remet des poids ouverts en circulation, et son fondateur accompagne le geste d’une phrase qui vaut programme : le principe à protéger, écrit Mark Zuckerberg, c’est « qu’on peut apprendre de tout ce qu’on peut observer ». Distiller les sorties des modèles concurrents cesse d’être une pratique qu’on camoufle : Meta la revendique. Le modèle publié lundi sert de démonstration.
Muse Glimmer, ce sont 30 milliards de paramètres sous licence Apache 2.0, téléchargeables sur Hugging Face, usage commercial compris. Premier modèle entièrement ouvert de Meta Superintelligence Labs, il arrive accompagné d’une lettre de 6 500 mots intitulée « The Future is for Everyone ». Les deux se lisent ensemble.
La distillation passe de gêne à doctrine
Glimmer est un modèle dense multimodal distillé depuis Muse Spark, le grand modèle propriétaire maison : le petit apprend à imiter les sorties du grand. Rien d’exotique en soi, c’est ainsi que se fabriquent aujourd’hui la plupart des modèles compacts.
Ce qui change, c’est le cadrage politique. Zuckerberg plaide pour que les États-Unis ne brident pas les modèles ouverts, mais s’assurent que les meilleurs viennent de chez eux, distillation comprise. Il demande au passage moins de contraintes sur les données d’entraînement des laboratoires américains, en échange d’une coopération plus étroite avec le gouvernement.
Le texte ne nomme personne, mais la cible est claire. OpenAI et Anthropic accusent depuis des mois des laboratoires chinois d’utiliser leurs modèles comme professeurs sans autorisation, et Dario Amodei alerte de longue date sur les modèles ouverts les plus avancés tout en poussant au durcissement des contrôles à l’export. Meta normalise la pratique avant que la règle ne se fige. Le coup se joue autant sur le terrain juridique que technique.
Un modèle dense, taillé pour la boucle d’outils
L’architecture dit l’intention. Glimmer active tous ses paramètres à chaque token, l’unité de texte que le modèle traite, sans routage ni sélection d’experts. Moins de variance, une latence prévisible : c’est ce que réclame un agent qui enchaîne vingt appels d’outils d’affilée, bien plus qu’une conversation ponctuelle. La fenêtre de contexte dépasse 131 000 tokens et le modèle lit les images.
Meta l’a entraîné à reprendre la main après un appel d’outil raté. Son communiqué ajoute deux garde-fous : limiter le partage excessif d’informations et résister aux injections de prompt, ces instructions malveillantes glissées dans un contenu non fiable que l’agent va lire. Point sensible dès qu’un agent touche à vos fichiers et à vos identifiants.
Côté matériel, le calcul est fait pour tenir sur une machine de bureau : plus de 55 Go en pleine précision, moins de 20 Go une fois les poids compressés à 4 bits, une enveloppe totale annoncée entre 24 et 32 Go, cache et encodeur d’images inclus. Un petit module de décodage spéculatif, DFlash, devine plusieurs tokens d’avance et les valide en bloc, jusqu’à 3,1 fois plus vite. NVIDIA annonce plus de 20 000 tokens par seconde sur un seul GPU Blackwell Ultra, et pousse le modèle jusqu’aux GeForce RTX 5090 et aux modules Jetson. Ollama, LM Studio, vLLM et SGLang l’ont pris en charge le jour même ; Unsloth a fait tourner une version GGUF en 2 bits, le format de poids compressés pour l’exécution locale, qui enchaîne plus de cent appels d’outils dans 14 Go de RAM.
Devant Gemma et Qwen, sauf pour piloter un ordinateur
Sur les tests d’agent, Glimmer devance ses deux rivaux directs en taille, Gemma4-31B de Google et Qwen3.6-27B d’Alibaba : 75,5 sur MCP Atlas, qui mesure l’orchestration d’outils via le Model Context Protocol (le standard qui branche un modèle sur des outils extérieurs), 74,6 sur DeepSearch QA, 51,2 sur SWE-Bench Pro, 94,7 sur AIME 2026. Le pilotage d’ordinateur, lui, reste à Qwen, avec 65,9 points pour Glimmer sur OSWorld-Verified contre 75,6. Apache 2.0 ne distingue d’ailleurs pas Meta de ces deux-là : Gemma 4 et Qwen3.6 sont publiés sous la même licence.
Deux précautions s’imposent. Meta a produit lui-même l’essentiel des comparaisons et reconnaît dans son rapport de méthodologie que son protocole n’est pas optimisé pour les modèles rivaux. Et le point de départ n’était pas glorieux : Llama 4 a raté son atterrissage, ses chiffres ont été contestés, la plus grosse version de la famille n’est jamais sortie, Yann LeCun a quitté l’entreprise et l’unité a été réorganisée plusieurs fois. Glimmer remet Meta dans la course ; il ne lui rend pas l’avance perdue.
Les poids sont gratuits, le calcul se facture
Ouvrir des poids ne coûte presque rien à Meta, parce que l’argent se gagne ailleurs. L’entreprise ne vend pas de licence de modèle, elle vend du calcul, et Zuckerberg défend dans son texte l’idée d’en vendre la capacité aux enchères. Pendant ce temps, des poids gratuits fixent le prix plancher de l’inférence agentique chez tous les autres, y compris chez ceux qui financent leur recherche avec ces revenus.
Meta promet aussi d’ouvrir les poids d’une version de Muse Spark 1.2. Sa grille tarifaire actuelle montre la mécanique : 1,25 dollar par million de tokens en entrée et 4,25 en sortie, ou 0,10 et 0,20 si vous acceptez que vos données servent à améliorer les produits maison. Vos traces d’usage valent donc plus de 90 % du prix affiché.
Garder la main si l’ouverture se referme
L’intérêt pratique est immédiat : un agent qui traite des fichiers confidentiels sans qu’un octet parte vers le cloud, sans coût au token, et qui continue de travailler une fois le Wi-Fi coupé. Trois réflexes avant de lui confier du travail sérieux.
- Archivez vous-même les poids et les fichiers GGUF que vous utilisez : Apache 2.0 vous protège sur ce qui est déjà publié, pas sur ce qui suivra.
- Mesurez sur vos propres tâches, pas sur des tableaux fournis par l’éditeur du modèle.
- Si votre agent pilote une interface graphique, testez Qwen en parallèle : l’écart mesuré n’est pas anecdotique.
Les poids déjà téléchargés resteront utilisables quoi qu’il arrive, et c’est bien la seule certitude de l’affaire. Le reste, la suite de la famille Muse, la place des laboratoires chinois dans le classement des modèles ouverts, se décidera moins sur Hugging Face que dans les pièces où s’écrivent les règles sur les données d’entraînement.
Mon avis
Le geste le plus rentable de Meta cette année aura coûté le prix d’une distillation. En rendant l’agent local presque gratuit, le groupe vise la marge des autres sur le seul segment qu’ils défendaient encore sans effort, et Apache 2.0 rend la manœuvre irréversible. Je regarde donc une seule chose dans les mois qui viennent : la version ouverte de Muse Spark 1.2. Si elle sort vraiment, la pression sur les tarifs des modèles fermés deviendra intenable avant la fin de l’année ; si elle glisse de trimestre en trimestre, on saura que l’ouverture était surtout un communiqué.
