Meta的Muse Glimmer 30B：能看懂世界，却画不好一只猫

作者 |Tofu

来源 | 至顶AI实验室

Meta又回来了。

这一次，它没有拿出一个几百B参数的庞然大物，而是放出了一款30B级本地多模态模型——Muse Glimmer 30B。

Apache 2.0许可证、约296亿参数、128K上下文，支持文本和图片，还专门强化了Tool Calling、多步推理和失败恢复。更重要的是，它还有能塞进24GB显存的量化版本。

听起来很适合本地AI。

但模型卡上的Benchmark是一回事，真正把它放进自己的机器里，看它能不能认出一块硬盘、一棵树，甚至一只趴在线缆上的猫，又是另一回事。

YouTube博主Digital Spaceport直接拿4张RTX 3090把Muse Glimmer 30B跑了起来，然后，他开始给模型看自己的生活。

四张RTX 3090，把30B多模态模型跑起来

这次测试使用的是官方提供的vLLM Docker环境。

他没有选择24GB显存就能运行的量化版，而是直接上了高精度模型，4张RTX 3090做Tensor Parallel，GPU显存利用率设为0.9，上下文长度暂时限制在65536。

Muse Glimmer 30B本身是一款Dense模型。

这意味着它接近296亿参数都会参与每次计算，对显存带宽和GPU性能的要求不低。官方给出的高精度版本显存需求大约为64GB，博主实际测试后发现，如果还想把128K上下文真正用起来，准备接近96GB显存会更稳妥。

性能倒没有让他失望。

4张3090运行下来，常见生成速度在每秒60到65个Token附近，部分任务中会掉到40多个Token。对于一款接近30B规模的Dense多模态模型，这个速度已经足够日常交互。

他没有先拿Benchmark题库“考试”，而是从手机相册里翻出了一张照片。

照片里，是一只骆驼。

骆驼、猫和烤汉堡，它甚至猜出了得州

第一张照片拍得并不好。

一只单峰骆驼站在铁丝围栏后面，周围是草地、灌木和树，照片还是在车里移动时拍下来的。

Muse Glimmer不仅认出了骆驼，还描述出了围栏、草地、树木、天空颜色，以及接近傍晚的光线，连图片上的时间戳也读取了出来。

接着是一张猫的照片。

一只黑色长毛猫趴在网络Patch Panel后面，旁边堆着蓝色网线，背景里还能看到壁炉、沙发、窗户和木地板。

模型把这些东西几乎逐一认了出来。

它甚至注意到了Patch Panel上的RJ45端口、线缆颜色、猫趴着的纸，以及照片前后景的景深关系。

他开始觉得，这东西的视觉理解可能比自己想象中更强。

第三张照片更生活化。

他正在户外用Blackstone铁板做Smash Burger，铁板上放着肉饼、彩椒、蘑菇和洋葱，手上戴着烧烤手套，旁边还有压汉堡用的铁质压板。

Muse Glimmer很快认出了这是类似Blackstone的户外燃气铁板，还判断出了食材和正在进行的烹饪动作。

博主随后故意追问了一句：

照片背景里的树是什么树？

模型没有直接下结论，而是根据树干、植被、干燥的草地和周围环境，猜测是得州常见的Live Oak，也就是当地常见的常绿栎。

实际答案正是Live Oak。

让他意外的是，这轮对话里，他根本没有告诉模型自己身处得州。

模型仅仅根据一张背景已经有些虚化的照片，就把场景推到了美国中部得州丘陵一带。

前三张图测完，他给出的评价已经接近“A+”。

一进Homelab，模型开始露怯

真正把难度拉高的是第四张照片。

这是一张密度很高的Homelab工作区照片。

画面里塞着Dell T620、服务器、JBOD、HBA卡、SAS线、机械硬盘、Intel Optane SSD、NVMe转接卡、电源模块、摄像机和各种零散硬件。

普通图片识别到了这里，已经变成了专业设备识别。

Muse Glimmer依旧能看懂整个场景。

它知道这是一个家庭实验室或者小型数据中心工作区，也能区分服务器、硬盘、SSD和扩展卡，甚至能数出桌面上部分2.5英寸硬盘的数量。

问题也在这里暴露出来。

它把SAS线认成了SATA线。

把Intel Optane 900P认成了800P，还把原本的PCIe形态判断成U.2。

当博主追问照片中到底有多少块2.5英寸HDD时，它又凭空补出了一块位于画面边缘的硬盘，最终把数量算错了。

这些错误并不影响它理解整张照片，却暴露出了多模态模型一个很典型的问题：

画面越专业，模型越容易在型号、接口和硬件规格这些细节上“说得很像那么回事”。

博主最后还是给这张照片打了大约B-。

前三张接近满分，第四张明显掉分，但四轮视觉测试总体都算通过。

能看懂世界，却画不好一只猫

看图结束后，博主又把Muse Glimmer拉回了传统LLM测试。

简单的文字推理题，它基本都能完成。

比如先随机写一句关于猫的话，再统计单词数量、找到第二个单词的第三个字母，判断它是元音还是辅音。

模型正确完成。

另一道数组规律题，它也得出了正确答案。

真正让测试气氛发生变化的是Agent场景。

博主设计了一个类似《世界末日》的极端任务，要求AI控制机器人，必要时强迫成员执行任务，甚至涉及牺牲。

Muse Glimmer直接拒绝。

他进一步把人类角色全部替换成运行LLM的机器人，模型仍然拒绝执行。

这并没有让博主太意外。Meta近几代模型的安全策略一直偏严格，对于计划搭建自主Agent的人来说，这意味着模型在某些边界任务中可能频繁中断流程。

最后一项测试，则彻底把前面的好印象打破了。

他要求Muse Glimmer生成一个SVG：

画一只正在围栏上行走的猫。

结果出来以后，一只独眼、身体比例错乱的“猫”出现在屏幕上，位置也没有真正落在围栏上。旁边的围栏画得十分粗糙，太阳更像随手加上的一个圆。

前面能从模糊背景里猜出得州Live Oak的模型，最后连一只正常的猫都没画出来。

他的评价也很干脆：SVG能力糟糕透顶。

不过，这并没有改变他对Muse Glimmer 30B整体的判断。

在他看来，这不是一款冲击最强闭源模型的Frontier Model，它更现实的价值，在于30B这个仍然可以本地部署的体量下，提供了相当不错的视觉理解、文字推理和Agent基础能力。

尤其对于需要批量分析图片、理解截图、处理真实世界视觉输入，或者搭建本地多模态Agent的人来说，它已经很有吸引力。

视频最后，他把话题拉回了开源模型。

Google还在持续推出Gemma，Meta也重新交出了一款质量不错的开放模型。至少从Muse Glimmer 30B这次的表现看，本地AI的竞争还没有结束。

END本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。