Meta veut tenir tête à OpenAI et Google avec une arme bien particulière : une IA puissante qui fonctionne hors ligne sur votre ordinateur

Nous nous sommes habitués à utiliser des modèles d’intelligence artificielle sans trop réfléchir à l’endroit où ils fonctionnent. Nous écrivons une question depuis notre téléphone portable ou notre ordinateur, mais une grande partie du calcul s’effectue dans des centres de données distants appartenant à une autre entreprise et nécessitant normalement une connexion pour répondre. L’exécution de modèles puissants directement sur notre propre ordinateur modifie considérablement cette relation : nous pouvons garder l’inférence locale et décider quand nous connectons l’IA à des outils ou services externes. Le problème est que le faire avec des modèles vraiment performants se heurte toujours à une barrière matérielle évidente.

C’est précisément le terrain dans lequel Meta veut placer Muse Glimmer, son nouveau modèle de quelque 30 milliards de paramètres conçu pour fonctionner sur des ordinateurs locaux et fonctionner au sein de flux agents. Le lancement a cependant une seconde lecture qui va au-delà du matériel : l’entreprise a publié ses poids sous licence Apache 2.0 après Muse Spark, le premier modèle de la famille Muse développé par Meta Superintelligence Labs, arrivé en avril sans poids publics et via une API privée pour les utilisateurs sélectionnés. Glimmer représente ainsi à la fois un engagement envers les agents locaux et un nouveau mouvement de Meta vers des modèles à poids ouvert.

Pour comprendre ce changement, nous devons revenir à la stratégie que Meta avait construite autour de Llama. En 2024, Zuckerberg défendait publiquement que l’open source devait devenir un standard pour l’IA et présentait Llama comme une alternative aux modèles fermés d’autres grands laboratoires. Le ton a changé en juillet 2025, lorsqu’il a averti que la superintelligence poserait de nouveaux risques et que Meta devrait faire attention à ce qu’elle déciderait d’ouvrir. Cette prudence s’est concrétisée en 2026 avec Muse Spark, dont les pondérations n’ont pas été publiées, avant le nouveau virage représenté par Glimmer et que le Financial Times a qualifié de retour de Meta à sa stratégie ouverte.

Meta revient aux poids ouverts, mais Glimmer veut faire quelque chose de plus

Sous cette étiquette 30B, Glimmer rassemble plusieurs fonctionnalités conçues pour fonctionner dans des scénarios plus larges qu’une conversation textuelle. Meta l’a entraîné à travailler avec du texte et des images entrelacées à l’aide d’un encodeur perceptuel, à prendre en charge différents niveaux d’effort de raisonnement et à fonctionner sur des données provenant de plus de 100 langues. La société distribue également des versions quantifiées des poids, une technique qui réduit leur empreinte mémoire et permet de les exécuter sur du matériel grand public. L’inconvénient est que chaque configuration nécessite un niveau de ressources différent, une différence importante lorsqu’on passe de la fiche technique à notre propre ordinateur.

Voici l’une des clés du lancement : ce que signifie pour Glimmer être un modèle « agent ». Il ne s’agit pas seulement de répondre à une question, mais de maintenir un plan en plusieurs étapes, d’appeler des outils avec des paramètres spécifiques, d’interpréter ce qu’ils renvoient et de continuer même si une opération échoue. Pour faire tout cela, vous avez besoin d’un environnement qui vous offre ces outils et autorisations, souvent appelés . Meta mentionne la compatibilité avec OpenClaw et d’autres systèmes d’orchestration, tandis que Bionic de LM Studio offre une voie plus accessible pour apporter ces fonctionnalités à notre propre équipe.

La quantification permet à Glimmer de s’intégrer dans des machines beaucoup plus petites que celles nécessaires pour supporter tout son poids, mais elle n’élimine pas les besoins en mémoire. Le fichier Meta officiel définit le matériel cible comme 64 Go de VRAM pour la version pleine précision, 32 Go pour K-Quant-Dynamic et 24 Go pour K-Quant-17 Go. Ici, il est important de distinguer deux chiffres qui sont souvent confondus : la taille du fichier que nous téléchargeons et la mémoire dont le modèle a besoin lorsqu’il commence à fonctionner. Aux poids, il faut ajouter de l’espace pour le cache KV, le contexte et d’autres composants, tels que l’encodeur perceptuel ou le modèle de décodage spéculatif auxiliaire lorsqu’il est utilisé.

L’essayer à la maison ne nécessite pas de créer un environnement à partir de zéro. Dans notre test, nous avons recherché Muse Glimmer de LM Studio sur un MacBook Pro avec puce M3 Pro et 18 Go de mémoire unifiée, mais nous manquons de ce qui est nécessaire : LM Studio définit au moins 26 Go de RAM pour exécuter la plus petite variante. L’application elle-même nous avertit avant de la télécharger avec le message « Probablement trop volumineux », indiquant que ses exigences peuvent dépasser les ressources disponibles. On peut également appuyer sur le bouton de téléchargement, mais les 18 Go de mémoire unifiée sur ce Mac sont inférieurs au minimum publié par LM Studio pour Glimmer.

L’étape suivante consiste à retirer Glimmer de la fenêtre de discussion et à le transformer en un autre outil. Bionic lui permet d’être utilisé dans des flux agentiques et son API locale est compatible avec OpenAI Chat Completions, afin que d’autres applications puissent communiquer avec le modèle depuis l’appareil lui-même. Meta fait en outre la distinction entre les frameworks d’exécution locaux ou périphériques, tels que llama.cpp, ExecuTorch et MLX, et les outils permettant de servir le modèle à grande échelle, tels que vLLM et SGLang. Les poids ouverts élargissent les possibilités d’intégration et de personnalisation, bien que l’entreprise elle-même recommande d’incorporer des protections supplémentaires lorsque le système doit utiliser des outils ou exécuter des actions irréversibles.

Glimmer laisse ainsi une lecture qui va au-delà de ses chiffres ou des benchmarks avec lesquels Meta le compare. Nous voyons comment deux mouvements commencent à se rencontrer : des modèles suffisamment capables d’exécuter des tâches complexes localement et des systèmes agentiques prêts à utiliser des outils sans nécessairement dépendre d’un service distant. Il existe toujours une barrière matérielle évidente, comme le montrent nos propres tests, mais la direction est claire. En rééditant des poids ouverts, Meta retrouve également une stratégie avec laquelle elle veut se différencier des grands laboratoires qui gardent leurs modèles les plus avancés sous accès contrôlé.

Images | Méta + Photoshop

À Simseo | Les États-Unis continuent d’être supérieurs dans les modèles d’IA permettant de générer du texte ou du code. Si nous parlons de vidéo, il y a un roi absolu : la Chine