메타가 300억 파라미터 에이전트 모델을 허깅페이스에 올렸습니다. 라이선스는 아파치 2.0이고, 메시지는 단순합니다. 가중치를 받아 내 컴퓨터에서 직접 돌리라는 것입니다.
관련해서 또 하나의 작고 열린 모델, 엔비디아 네모트론 3 나노도 함께 참고하시면 좋습니다.
관련해서 제3자 AIME서 프런티어와 동점 낸 SKT A.X K2도 함께 참고하시면 좋습니다.
이름은 뮤즈 글리머(Muse Glimmer)입니다. 계획을 세우고, 도구를 호출하고, 여러 단계를 이어 추론하는 진짜 에이전트 작업입니다. 이것을 GPU 한 장이나 맥에서, 데이터센터를 거치지 않고 돌립니다.
이 마지막 부분이 핵심입니다. 그냥 지나치지 않겠습니다.
### 가장 똑똑한 모델이 아니라, 가질 수 있는 모델
뮤즈 글리머는 메타의 최고 모델이 아닙니다. 메타의 더 큰 비공개 시스템인 뮤즈 스파크(Muse Spark)를 로짓 증류(distillation)라는 방식으로 압축한 버전입니다. 큰 모델의 판단을 작은 모델에 옮겨 담는 기법입니다.
원래 전체 정밀도에서는 언어 모델만 55GB가 넘습니다. 메타는 이것을 약 4비트로 양자화해 20GB 아래로 줄였습니다. 한 변형은 17GB로, 24GB 그래픽카드에 들어가면서 15개 벤치마크 평균 정확도 손실이 약 1%에 그칩니다. 32GB를 겨냥한 변형은 손실이 0.2%입니다.
풀어 말하면 이렇습니다. “크게 줄여도 성능은 거의 안 떨어진다”던 연구실 기법이, 이제 기본 출고 사양이 됐습니다.
### 로컬에서 돌리려면 빨라야 합니다
로컬에서 돈다고 해도 에이전트 루프 안에서 느리게 생각하면 쓸모가 없습니다. 메타는 여기에 블록 단위 추측 디코딩(speculative decoding)을 붙였습니다. 작은 “초안 생성기”가 한 번에 16개 토큰을 미리 짐작하고, 큰 모델은 처음부터 생성하는 대신 확인만 하는 방식입니다.
RTX 5090에서 초당 약 75토큰이 233토큰으로, 3.1배 빨라집니다. 애플 실리콘에서는 M5 맥스 1.8배, M4 맥스 1.5배입니다. 반응이 살아 있는 에이전트와, 창을 그냥 닫아 버리게 되는 에이전트의 차이입니다.
### 잘하는 것과 못하는 것이 분명합니다
벤치마크에서 글리머의 성격은 흥미롭고, 강점과 약점이 분명하게 드러납니다. 메타는 이 모델을 에이전트 오케스트레이션과 추론 쪽으로 몰아서 튜닝했고, 그게 그대로 나타납니다. 도구 사용 벤치마크인 MCP 아틀라스에서 75.5, 딥서치 QA 74.6, GAIA2 43.3을 기록했고, 수학 벤치마크 AIME 2026에서는 94.7입니다.
비슷한 급의 오픈 모델인 젬마4-31B, 큐원3.6-27B와 견주면 오케스트레이션에서 확실히 앞섭니다. 젬마는 MCP 아틀라스에서 54.2, 큐원은 62.5입니다.
그런데 대부분의 발표 글이 감추고 싶어 할 부분이 있습니다. 글리머는 기계가 실제로 세상을 직접 건드리는 작업에서 약합니다. 컴퓨터 화면을 조작하는 OSWorld-Verified에서 65.9인데, 큐원3.6-27B는 75.6입니다. 터미널 작업과 순수 소프트웨어 엔지니어링에서도 큐원이 앞섭니다.
그러니까 글리머는 무엇을 할지 정하고 도구를 조율하는 데는 강하고, 버튼을 클릭하고 셸을 처리하는 반복적인 실행 작업에는 상대적으로 약합니다. 이건 진짜 트레이드오프이고, 메타가 무엇을 노렸는지 알려 주는 신호입니다.
구조 자체는 거대한 희소 MoE가 아니라 밀집(dense) 트랜스포머이고, 약 18억 파라미터의 비전 타워가 붙어 있어 이미지도 받습니다. 문맥 창은 13만 1072토큰이며, 100개 넘는 언어로 학습했습니다.
### “오픈”이라는 단어에 붙는 별표 하나
한 가지는 솔직하게 짚겠습니다. 메타가 공개한 것은 아파치 2.0 라이선스의 가중치(weights)이지, 학습 데이터가 아닙니다. 완전한 오픈소스가 아니라 오픈웨이트입니다. 엔가젯 같은 매체가 헤드라인에서 “오픈소스”에 따옴표를 붙여 이 표현에 회의적인 뉘앙스를 드러낸 이유입니다.
라마(Llama) 때부터 따라다닌 별표와 같습니다. 자유롭게 쓰고 고칠 수는 있지만, 처음부터 그대로 재현할 수는 없습니다.
메타는 이 발표의 틀도 확실히 잡았습니다. 마크 저커버그는 함께 낸 글에서 “초지능을 한곳에 모으기보다 널리 분산해, 모든 사람이 그것을 직접 부릴 수 있게 해야 한다”고 주장했습니다. 그리고 미국이 오픈소스 AI의 문턱을 낮춰 중국 연구소들과 경쟁해야 한다고 압박했습니다. 더 큰 뮤즈 스파크 1.2의 오픈웨이트 공개도 예고했습니다. 일회성이 아니라 포지셔닝입니다.
### 여기서 짚어 볼 흐름
이 블로그를 따라 읽었다면 뮤즈 글리머는 놀라운 소식이 아니라 예상된 수순의 확인입니다.
최근 이어진 흐름이 있습니다. 연산이 데이터센터에서 걸어 나오고 있다는 것입니다. 리퀴드 AI의 나노스는 에이전트의 미래를 폰에 들어갈 만큼 작은 모델에 걸었습니다. UNIST의 GMoE는 층끼리 전문가를 공유하게 만들어 모델을 63% 줄였습니다. 엔비디아도 코스모스 3을 오픈으로 내놨습니다. 연구실은 다르지만 중력은 같습니다. 모델을 줄이고, 가중치를 공개하고, 지능을 작업 현장 가까이로 옮기는 것입니다.
제 생각은 이렇습니다. 한동안 “오픈”과 “최전선”은 스펙트럼의 반대편처럼 느껴졌습니다. 가장 똑똑한 모델은 닫혀 있고 남의 클라우드에 있거나, 무료 모델은 약하고 내 기기에 있거나. 글리머는 그 간극이 빠르게 좁혀지고 있다는 메타의 주장입니다. 최고 모델은 아니지만, 증류·4비트 양자화·추측 디코딩을 조합하니 내 하드웨어에서 돌아가는 것의 바닥이 크게 올라갔습니다.
이제 흥미로운 질문은 “얼마나 똑똑한가”만이 아닙니다. 20GB 아래에 얼마나 많은 능력을 담고도, 에이전트로 쓸 만큼 빠르게 답하게 만드느냐입니다.
메타가 무엇을 잘하도록 골랐는지도 눈에 띕니다. 글리머는 조율과 추론에 강하고 컴퓨터 조작·터미널 노동에는 일부러 약합니다. 로컬 에이전트가 어디에 살지에 대한 베팅입니다. 혼자 모든 걸 클릭하는 일꾼이 아니라, 내 기기 위에서 계획을 세우고 무거운 실행은 다른 곳에 위임하는 조율자로 본 것입니다. 에이전트 스택이 계획하는 뇌와 실행하는 손으로 갈라지고, 모델마다 다른 역할을 조용히 차지해 가는 흐름과 맞물립니다.
그리고 정치가 있습니다. 스펙으로는 묶을 수 없는 부분입니다. 저커버그는 가중치만 던진 게 아니라 주장을 던졌습니다. 지능을 분산하라, 문턱을 낮춰라, 오픈 AI를 중국에 내주지 마라. 메타의 동기를 어떻게 보든, 쓸 만한 30B를 아파치 2.0으로 푸는 것은 닫힌 모델을 고수하는 모든 주체에게 그 선택을 정당화하도록 압박합니다.
제가 읽는 핵심은 이렇습니다. 주목할 숫자는 300억 파라미터가 아니라 20GB입니다. 진지한 에이전트 모델이 클라우드 서비스이기를 멈추고 내 드라이브의 파일이 되기 시작하는 선입니다. 메타는 방금 그 선 너머로 상당한 능력을, 공개적으로, 의도적으로 옮겼습니다.
이 글은 정보 제공 목적이며 특정 기술·제품 도입을 권유하는 글이 아닙니다.
원문 출처 / Source: https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model
이미지: Igor Omilaev / Unsplash
댓글 남기기