Nos hemos acostumbrado a utilizar modelos de inteligencia artificial sin pensar demasiado en dónde están funcionando. Escribimos una pregunta desde el móvil o el ordenador, pero buena parte del cálculo ocurre en centros de datos remotos que pertenecen a otra compañía y normalmente requieren conexión para responder. Ejecutar modelos potentes directamente en nuestro propio equipo cambia bastante esa relación: podemos mantener la inferencia en local y decidir cuándo conectamos la IA a herramientas o servicios externos. El problema es que hacerlo con modelos realmente capaces sigue teniendo una barrera evidente de hardware.
Ese es precisamente el terreno en el que Meta quiere colocar a Muse Glimmer, su nuevo modelo de unos 30.000 millones de parámetros pensado para ejecutarse en equipos locales y trabajar dentro de flujos agénticos. El lanzamiento tiene, sin embargo, una segunda lectura que va más allá del hardware: la compañía ha publicado sus pesos bajo licencia Apache 2.0 después de que Muse Spark, el primer modelo de la familia Muse desarrollado por Meta Superintelligence Labs, llegara en abril sin pesos públicos y mediante una API privada para usuarios seleccionados. Glimmer supone así tanto una apuesta por los agentes locales como un nuevo movimiento de Meta hacia los modelos de pesos abiertos.
Para entender ese cambio hay que volver a la estrategia que Meta había construido alrededor de Llama. En 2024, Zuckerberg defendió públicamente que el código abierto debía convertirse en un estándar para la IA y presentó Llama como una alternativa frente a los modelos cerrados de otros grandes laboratorios. El tono cambió en julio de 2025, cuando advirtió de que la superinteligencia plantearía nuevos riesgos y que Meta tendría que ser cuidadosa con aquello que decidiera abrir. Esa cautela tomó forma en 2026 con Muse Spark, cuyos pesos no se publicaron, antes del nuevo giro que representa Glimmer y que el Financial Times ha descrito como un regreso de Meta a su estrategia abierta.
Meta vuelve a los pesos abiertos, pero Glimmer quiere hacer algo más
Bajo esa etiqueta de 30B, Glimmer reúne varias capacidades pensadas para desenvolverse en escenarios más amplios que una conversación de texto. Meta lo ha entrenado para trabajar con texto e imágenes intercalados mediante un codificador de percepción, soportar distintos niveles de esfuerzo de razonamiento y operar sobre datos procedentes de más de 100 idiomas. La compañía distribuye además versiones cuantizadas de los pesos, una técnica que reduce su huella de memoria y hace posible ejecutarlos en hardware de consumo. La contrapartida es que cada configuración exige un nivel distinto de recursos, una diferencia importante cuando pasamos de la ficha técnica a nuestro propio ordenador.
Aquí entra una de las claves del lanzamiento: qué significa que Glimmer sea un modelo “agéntico”. No hablamos solo de responder a una pregunta, sino de mantener un plan durante varios pasos, llamar a herramientas con parámetros concretos, interpretar lo que devuelven y continuar incluso si alguna operación falla. Para hacer todo eso necesita un entorno que le proporcione esas herramientas y permisos, lo que suele denominarse scaffold. Meta menciona compatibilidad con OpenClaw y otros sistemas de orquestación, mientras que Bionic, de LM Studio, ofrece una vía más accesible para llevar esas capacidades a nuestro propio equipo.
La cuantización hace posible que Glimmer entre en máquinas mucho más modestas que las necesarias para cargar sus pesos completos, pero no elimina las exigencias de memoria. La ficha oficial de Meta fija como hardware objetivo 64 GB de VRAM para la versión en precisión completa, 32 GB para K-Quant-Dynamic y 24 GB para K-Quant-17GB. Aquí conviene distinguir dos cifras que suelen confundirse: el tamaño del archivo que descargamos y la memoria que necesita el modelo cuando empieza a trabajar. A los pesos hay que sumar espacio para la caché KV, el contexto y otros componentes, como el codificador de percepción o el modelo auxiliar de decodificación especulativa cuando se utilizan.
Probarlo en casa no exige montar un entorno desde cero. En nuestra prueba hemos buscado Muse Glimmer desde LM Studio en un MacBook Pro con chip M3 Pro y 18 GB de memoria unificada, pero estamos por debajo de lo necesario: LM Studio establece al menos 26 GB de RAM para ejecutar la variante más pequeña. La propia aplicación nos lo advierte antes de descargarla con el mensaje “Likely too large”, indicando que sus requisitos pueden superar los recursos disponibles. Podemos pulsar igualmente el botón de descarga, pero los 18 GB de memoria unificada de este Mac quedan por debajo del mínimo publicado por LM Studio para Glimmer.
El siguiente paso consiste en sacar Glimmer de la ventana de chat y convertirlo en una pieza de otras herramientas. Bionic permite utilizarlo dentro de flujos agénticos y su API local es compatible con OpenAI Chat Completions, de modo que otras aplicaciones pueden comunicarse con el modelo desde el propio equipo. Meta distingue además entre frameworks de ejecución local o en el borde, como llama.cpp, ExecuTorch y MLX, y herramientas para servir el modelo a escala, como vLLM y SGLang. Los pesos abiertos amplían las posibilidades de integración y personalización, aunque la propia compañía recomienda incorporar protecciones adicionales cuando el sistema vaya a utilizar herramientas o ejecutar acciones irreversibles.
Glimmer deja así una lectura que va más allá de sus cifras o de los benchmarks con los que Meta lo compara. Estamos viendo cómo dos movimientos empiezan a encontrarse: modelos suficientemente capaces para ejecutar tareas complejas en local y sistemas agénticos preparados para utilizar herramientas sin depender necesariamente de un servicio remoto. Todavía hay una barrera evidente de hardware, como demuestra nuestra propia prueba, pero la dirección resulta clara. Al volver a publicar pesos abiertos, Meta recupera además una estrategia con la que quiere diferenciarse de los grandes laboratorios que mantienen sus modelos más avanzados bajo acceso controlado.
Imágenes | Meta + Photoshop
–
La noticia
Meta quiere plantar cara a OpenAI y Google con un arma muy particular: una IA potente que funciona offline en tu ordenador
fue publicada originalmente en
Xataka
por
Javier Marquez
.
