Guillem Alsina Gonzàlez
A diferencia de las alternativas basadas en la nube, este modelo de treinta mil millones de parámetros ha sido optimizado para su ejecución en local en ordenadores personales con una única GPU de consumo, y sus pesos liberados bajo la licencia abierta Apache 2.0, lo que permite su uso libre por parte de los desarrolladores.
Al ejecutarse en local y sin necesidad de conexión a internet, favorece la privacidad y el uso ininterrumpido en tareas de programación, uso de herramientas y evaluación de otras inteligencias artificiales, todo ello con soporte para más de cien idiomas.
La creación de Muse Glimmer se ha estructurado cronológicamente en tres fases de entrenamiento; en un primer momento, se llevó a cabo un entrenamiento previo utilizando técnicas de destilación de datos procedentes de un modelo de mayor tamaño denominado Muse Spark. Posteriormente, la fase intermedia de entrenamiento se centró en dotar al sistema de la capacidad de manejar contextos de información más largos y registrar procesos de razonamiento más complejos. Finalmente, en la etapa posterior al entrenamiento, se combinó un ajuste fino supervisado con aprendizaje por refuerzo, abarcando áreas generales, lógicas y de programación.
Para lograr adaptar un sistema de esta envergadura a los equipos de los usuarios, los desarrolladores han aplicado técnicas de cuantificación que comprimen el tamaño del modelo a una precisión de cuatro bits, reduciendo su peso a menos de veinte gigabytes. Esta reducción de espacio permite que la memoria operativa, los codificadores de imágenes y el sistema de decodificación funcionen simultáneamente en dispositivos que cuenten con entre veinticuatro y treinta y dos gigabytes de memoria gráfica unificada o dedicada.
Fruto de este proceso de desarrollo, el modelo ha adquirido habilidades para completar tareas de principio a fin, redactar y corregir código, así como resolver peticiones complejas en múltiples pasos. El sistema es multimodal, por lo que puede procesar simultáneamente texto e imágenes, interpretando capturas de pantalla, documentos o gráficos integrados en una conversación.
También ha sido instruido para diagnosticar errores, de manera que si el uso de una herramienta informática falla durante un proceso, el modelo intenta recuperar y solucionar el fallo autónomamente en vez de detener la ejecución.
Para solventar la lentitud inherente a la generación de texto palabra por palabra en los equipos locales, Muse Glimmer incorpora un modelo auxiliar de menor tamaño denominado DFlash, que propone bloques enteros de texto que el modelo principal verifica en paralelo. Esta técnica, conocida cómo decodificación especulativa, acelera notablemente la velocidad de respuesta sin mermar la calidad del resultado, un aspecto que ha sido probado por la compañía en procesadores como los Apple M4-Max y M5-Max, o en las tarjetas gráficas RTX-5090.
Actualmente, los profesionales ya pueden descargar Muse Glimmer a través del repositorio de Hugging Face, junto con la documentación técnica necesaria. En los próximos días, el sistema se integrará en entornos de ejecución locales como Ollama, Unsloth o LM Studio, y en infraestructuras proporcionadas por fabricantes de hardware como AMD, Intel y NVIDIA, con el objetivo de facilitar la creación y el despliegue de agentes autónomos personalizados en las empresas.
