Meta เปิดตัว Muse Glimmer โมเดล AI โอเพนซอร์ส 30B ทำงานบนการ์ดจอผู้บริโภค
Meta ปล่อย Muse Glimmer โมเดล Agentic ขนาด 30B ภายใต้สัญญาอนุญาต Apache 2.0 รองรับการรันบนการ์ดจอเดี่ยวพร้อมความเร็วที่เพิ่มขึ้น
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Meta เปิดตัว Muse Glimmer โมเดลโอเพนซอร์สขนาด 30B ภายใต้สัญญาอนุญาต Apache 2.0
- ใช้หน่วยความจำต่ำกว่า 20 GB เมื่อบีบอัดเหลือ 4-bit รองรับการ์ดจอ 24 GB หรือ 32 GB
- ทำความเร็วเพิ่มขึ้น 3.1 เท่าบนการ์ดจอ RTX 5090 ด้วยระบบบล็อกดิฟฟิวชัน DFlash
- คะแนนนำในด้านการคิดเชิงเหตุผลและการทำงานแบบ Agentic เหนือคู่แข่งบางรุ่น
Meta AI ได้ฤกษ์เปิดตัว Muse Glimmer โมเดลปัญญาประดิษฐ์โอเพนซอร์สขนาด 30 พารามิเตอร์ (30B) แบบ Dense causal transformer ที่มาพร้อมกับตัวเข้ารหัสการมองเห็น (Perception encoder) เฉพาะตัว โดยเปิดให้ดาวน์โหลดน้ำหนักโมเดลได้ทันทีผ่าน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งรวมถึงน้ำหนักแบบ BF16, GGUF k-quants, ตัวสร้างบิวด์ ExecuTorch และตัวช่วยเร่ง DFlash drafter ทำให้ผู้ใช้งานสามารถนำไปโฮสต์ใช้งานได้เองตั้งแต่วันแรก
โครงสร้างภายในของโมเดลประกอบด้วยสถาปัตยกรรม Grouped-query attention ที่ใช้ 32 query heads และ 2 KV heads พร้อมรูปแบบความสนใจแบบสลับ [Local, Local, Local, Global] และหน้าต่างเลื่อนขนาด 2,048 โทเค็น การใช้เทคโนโลยี RoPE จะถูกนำไปใช้เฉพาะกับชั้นเลย์เยอร์แบบ Local ด้วยค่า theta 500,000 ส่วนฝั่งการมองเห็นใช้ ViT-G/14 ขนาดประมาณ 1.8B ที่รองรับโทเค็นภาพสูงสุดถึง 4,096 โทเค็นต่อภาพ มีความยาวบริบท 131,072+ โทเค็น ขนาดคลังคำศัพท์ 202,048 โทเค็น และมีกำหนดตัดความรู้ (Knowledge cutoff) อยู่ที่วันที่ 4 มกราคม 2026 โดยโมเดลรองรับอินพุตเป็นข้อความและรูปภาพ แต่ไม่รองรับเสียงและประมวลผลวิดีโอทีละเฟรม
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในด้านการใช้ทรัพยากรฮาร์ดแวร์ โมเดลในความแม่นยำเต็มรูปแบบต้องใช้หน่วยความจำมากกว่า 55 GB แต่ Meta ได้บีบอัดน้ำหนักลงเหลือความแม่นยำระดับ 4-bit ทำให้ขนาดของโมเดลภาษาลดลงเหลือต่ำกว่า 20 GB ซึ่งช่วยให้มีพื้นที่เหลือเพียงพอภายในฮาร์ดแวร์ที่มีหน่วยความจำ 24 GB หรือ 32 GB โดยแบ่งปันร่วมกับ KV cache, ตัวเข้ารหัสการมองเห็น และตัวเร่งความเร็ว ทั้งนี้มีการปล่อยบีวด์แบบ Quantized ออกมา 2 รูปแบบ ได้แก่ K-Quant-Dynamic ที่กำหนดเป้าหมายไว้ที่ VRAM ขนาด 32 GB โดยมีความแม่นยำลดลงเฉลี่ยเพียง 0.2% และ K-Quant-17GB ที่กำหนดเป้าหมาย VRAM 24 GB โดยมีความแม่นยำลดลงเฉลี่ย 1.0% วัดจากเกณฑ์มาตรฐานทั่วไป 15 รายการ
การที่ Meta สามารถย่อขนาดโมเดลขนาดใหญ่ให้ลงมาทำงานบนการ์ดจอระดับไฮเอนด์ของผู้ใช้งานทั่วไป (Consumer GPU) ได้ ถือเป็นก้าวสำคัญที่ช่วยลดต้นทุนและเพิ่มความสะดวกให้นักพัฒนาสามารถทดลองรันโมเดลปัญญาประดิษฐ์ระดับแนวหน้าได้โดยไม่ต้องพึ่งพาระบบคลาวด์ขนาดใหญ่ สะท้อนถึงทิศทางของวงการ AI ที่มุ่งเน้นประสิทธิภาพการใช้งานจริงในฮาร์ดแวร์ที่เข้าถึงได้ง่ายขึ้น
ความเร็วในการสร้างข้อความของ Muse Glimmer ขับเคลื่อนด้วย DFlash ซึ่งเป็นตัวเร่งแบบ block-diffusion drafter ทำหน้าที่ทำนาย 16 โทเค็นในการส่งผ่านข้อมูลไปข้างหน้าครั้งเดียว และให้โมเดลหลักตรวจสอบบล็อกดังกล่าวแบบขนาน ตัวเร่งนี้ใช้ 5 เลย์เยอร์, sliding-window attention ขนาด 2,048 และ 32 query / 8 KV heads ผลการทดสอบของ Meta บน K-Quant-17GB ด้วยขนาดแบตช์ 1 และการถอดรหัสแบบ greedy บนการ์ดจอ RTX 5090 แสดงให้เห็นว่าอัตราการประมวลผลพุ่งขึ้นจาก 74.9 เป็น 233.4 โทเค็นต่อวินาที คิดเป็นความเร็วที่เพิ่มขึ้น 3.1 เท่า ขณะที่ Apple M5 Max เพิ่มขึ้นจาก 26.6 เป็น 50.2 โทเค็นต่อวินาที และ M4 Max ขยับจาก 23.7 เป็น 37.8 โทเค็นต่อวินาที
"The pattern is consistent. Muse Glimmer wins on agentic orchestration and reasoning. It trails on computer-use and terminal work."
Meta AI
สำหรับการเปรียบเทียบประสิทธิภาพกับรุ่นอื่นๆ เช่น Gemma4-31B และ Qwen3.6-27B ในโหมดการคิดวิเคราะห์ Muse Glimmer ทำคะแนนนำในด้าน MCP Atlas ที่ 75.5 (เทียบกับ 54.2 และ 62.5), DeepSearch QA ที่ 74.6, Gaia2 ที่ 43.3 และ SWE-Bench Pro ที่ 51.2 รวมถึงคะแนนการให้เหตุผล เช่น AIME 2026 ที่ 94.7, IFBench ที่ 77.0 และ AA-LCR ที่ 80.0 อย่างไรก็ตาม Qwen3.6-27B ยังคงทำคะแนนนำในด้าน OSWorld-Verified ที่ 75.6 ต่อ 65.9, TerminalBench 2.1 ที่ 60.7 และ SWE-Bench Verified ที่ 77.2 ในด้านความปลอดภัย อัตราความสำเร็จในการโจมตีแบบ Siren AgentDojo อยู่ที่ 28.4 พร้อมยูทิลิตี้ 94.2 โดย Meta ระบุว่าโมเดลนี้ยังไม่เข้าข่ายคำจำกัดความของ Frontier AI ในกรอบการขยายขนาด AI ขั้นสูง
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น