Meta, tek tüketici GPU'sunda çalışan açık ağırlıklı ajan modeli Muse Glimmer'ı yayımladı
Meta 10 Ağustos 2026'da Muse Glimmer'ı duyurdu: 30 milyar parametreli, Apache 2.0 lisanslı ve cihazınızda çalışacak şekilde tasarlanmış bir ajan modeli. Nicemlemeyle bellek ihtiyacı 20 GB altına iniyor, DFlash adlı yöntem RTX 5090'da 3,1 kata varan hızlanma sağlıyor. SiliconANGLE'a göre bu, şirketin bir yılı aşkın süredir ilk açık kaynak model sürümü.
Cihazda çalışsın diye tasarlanmış bir ajan modeli
Meta'nın 10 Ağustos 2026 tarihli araştırma blogu yazısı modeli şu başlıkla tanıtıyor: cihazınızda çalışan açık bir ajan modeli. Model 30 milyar parametreli ve izin verici Apache 2.0 lisansıyla yayımlanmış durumda.
Bellek tarafındaki tablo şöyle. Model tam hassasiyette 55 GB'ın üzerinde bellek istiyor. K-Quant nicemlemesiyle bu ihtiyaç 20 GB'ın altına iniyor ve hedeflenen dağıtım zarfı 24 GB ya da 32 GB oluyor. Duyuruda K-Quant-Dynamic ve K-Quant-17GB adlı varyantlardan söz ediliyor ve ajan görevlerinde asgari düzeyde ya da hiç bozulma olmadığı belirtiliyor.
SiliconANGLE'ın aynı tarihli haberine göre bu sürüm, Meta'nın bir yılı aşkın sessizliğin ardından açık kaynağa dönüşü anlamına geliyor. Aynı gün Mark Zuckerberg bir deneme yayımladı; SiliconANGLE'a göre metin açık kaynak düzenlemesini, güvenlik değerlendirmesi için bir yönetim kurulu yapısını ve ABD hükümetinin açık kaynak önündeki düzenleyici engelleri azaltması çağrısını içeriyor.
DFlash, hız rakamları ve çalıştığı ortamlar
Modelin hız tarafındaki ana unsuru DFlash adlı spekülatif kod çözme yöntemi. Mantık şu: küçük bir taslakçı model önce bir taslak üretiyor, ana model bu taslağı doğrulayıp düzeltiyor. SiliconANGLE bu süreci taslakçının ürettiği yanıtların doğrulanıp iyileştirilmesi olarak tarif ediyor.
Duyurudaki hızlanma rakamları donanıma göre veriliyor: RTX 5090 üzerinde 3,1 kat, Apple M5 Max üzerinde 1,8 kat ve M4 Max üzerinde 1,5 kat.
Çalıştırma tarafında duyuruda birçok ortam adı geçiyor. Optimizasyon için llama.cpp, MLX ve ExecuTorch sayılıyor; ayrıca Ollama, LM Studio, Unsloth, vLLM ve SGLang anılıyor. Yani model, yerel kurulum araçlarının çoğunda çalışacak biçimde paketlenmiş durumda.
Karşılaştırma tarafında bir sınır var ve bunu açıkça belirtelim. Duyuruda model Gemma4-31B ve Qwen3.6-27B ile ajan, kodlama, çok kipli, güvenlik ve akıl yürütme başlıklarında karşılaştırılıyor, ancak sayısal skorlar yazı içinde bir grafik görselinde duruyor ve metin olarak aktarılmıyor. SiliconANGLE'a göre model iki düzine testin yaklaşık yarısında bu iki rakibini geçti ve çevrimiçi araştırma, kod üretimi ile bilimsel grafik analizinde öne çıktı. Tek tek skorları burada vermiyoruz, çünkü birincil kaynakta metin olarak doğrulanamıyor.
Ajan yeteneği veri merkezinden masaüstüne iniyor
Buradaki asıl haber parametre sayısı değil, çalıştığı yer. Ajan yeteneği bugüne kadar büyük ölçüde veri merkezinde yaşadı; bu model onu tek bir tüketici ekran kartına sığdırmayı hedefliyor. Bu değerlendirme bize ait.
İkincisi lisans. Apache 2.0, ticari kullanıma izin veren izin verici bir lisans. Ağırlıkların açık ve lisansın izin verici olması, modelin kurum içinde barındırılmasının önünü açıyor. Bu, veri dışarı çıkmadan çalışması gereken işler için doğrudan bir seçenek anlamına geliyor.
Üçüncüsü, SiliconANGLE'ın aktardığı iki davranış: görev başına harcanan hesaplamayı ayarlayan akıl yürütme gücü ayarları ve başarısız görevleri yeniden deneme eğilimi. İkincisi ajan işlerinde önemli, çünkü bir engelle karşılaşınca duran bir model üretim akışını kırar.
Dördüncüsü hız ile beklenti arasındaki ilişki. Üç kata varan hızlanma etkileyici, ama karşılaştırma noktası aynı cihazdaki kendi temel hızı; bulut üzerindeki büyük modellerle bir kıyas değil. Yerelde çalıştırmanın kazancı hızdan çok denetim ve veri sınırında. Bu yorum bize ait.
Türkiye'deki işletmeler için anlamı
Aşağıdaki değerlendirme kaynaklarda yer almıyor, bizim okumamız. Duyuruda Türkiye'ye özgü bir not bulunmuyor.
En doğrudan ilgilenecek kesim, verisini dışarı çıkaramayan işletmeler: sağlık, hukuk, finans, muhasebe ve kamu işi yapan şirketler. KVKK kapsamında müşteri verisiyle çalışan bir ekip için, modelin kendi donanımınızda çalışabilmesi bir uyum kolaylığı sağlar. Bu çıkarım bize ait, kaynak bunu bir uyum tavsiyesi olarak yazmıyor.
Donanım tarafında eşik makul ama sıfır değil. 24 ila 32 GB VRAM, bugün tek bir üst segment ekran kartı ya da güçlü bir dizüstü anlamına geliyor. Türkiye'de bu, çoğu KOBİ için tek seferlik bir donanım yatırımı demek; abonelik maliyeti ile karşılaştırılması gereken bir hesap.
Pratik öneri şu: her işi yerel modele taşımaya çalışmayın. Yerelde çalıştırmanın en net kazandığı yer, verinin hassas olduğu ve hacmin düzenli olduğu işler. Kampanya metni üretmek gibi hassas olmayan işlerde bulut modelleri hâlâ daha pratik. Ayrımı iş bazında yapmak, tek bir araca geçmekten daha iyi sonuç verir.
UNALSOFT açısı
Agentic AI tarafında müşterilerimizle en çok konuştuğumuz konu, hangi işin hangi modelde çalışacağı. Açık ağırlıklı ve cihazda çalışan bir ajan modeli bu tartışmaya somut bir seçenek ekliyor: veri sınırı olan işler artık kurum içinde kalabilir. Ama bir modelin yerelde çalışabiliyor olması, o işin yerelde yapılması gerektiği anlamına gelmiyor. Bizim kurduğumuz sıra şu: önce işin veri hassasiyetini sınıflandırmak, sonra hacmi ve gecikme toleransını ölçmek, en sonunda model seçmek. Model seçimiyle başlayan projeler genellikle iki kez kuruluyor.
Kaynaklar
Meta Research, Muse Glimmer duyurusu · SiliconANGLE, Meta açık kaynak Muse Glimmer'ı yayımladı
Hangi işiniz kurum içinde kalmalı?
Veri hassasiyetine göre model seçimini birlikte planlayalım.