30 milliárd paraméter, egy GPU, a te gépeden: a Meta Muse Glimmer nem chatel, hanem dolgozik

Augusztus 10-én a Meta olyasmit tett, amit két éve nem: kiadott egy erős modellt úgy, hogy bárki letöltheti és futtathatja. A Muse Glimmer nem a legnagyobb és nem a legokosabb modell a piacon. Az érdekessége máshol van: ez az első olyan komoly agentic modell, ami egy jobb játékgépben is elfut — és a Meta nem kötötte ki, mihez használhatod.

A bejelentés napján a legtöbb magyar és nemzetközi híradás két mondatban letudta: „a Meta ingyenes AI-t adott ki, ami laptopon fut". Ez félig igaz, és pont a lényeget hagyja ki. Az alábbiakban azt nézzük meg, mit jelent ez akkor, ha nem AI-rajongóként, hanem cégvezetőként olvasod.

Mit csinál egy agentic modell, amit egy chatbot nem?

A különbség egyetlen mondatban: a chatbot válaszol, az ügynök elvégzi.

Ha megkérdezed egy chatbottól, hogy mennyi volt a tavalyi árbevételetek, akkor legfeljebb elmondja, hol keresd. Egy agentic modell megnyitja a táblázatot, kikeresi a sorokat, összeadja, és ha közben hibás formátumú cellába fut, nem áll le, hanem másképp próbálja. Ez négy képességet igényel egyszerre: tervezés, eszközhívás, önellenőrzés és hibából való felépülés.

Alexandr Wang, a Meta AI-részlegének vezetője pontosan ezt emelte ki a bejelentéskor:

„Just like much larger models, muse glimmer can operate as a fully capable agent via planning, tool calls, checking its own results, and failure recovery."

„A sokkal nagyobb modellekhez hasonlóan a Muse Glimmer teljes értékű ügynökként működik: tervez, eszközöket hív, ellenőrzi a saját eredményeit, és hibából felépül."

— Alexandr Wang, a Meta AI vezetője, VentureBeat

Ez a képesség eddig gyakorlatilag a nagy, felhőben futó modellek privilégiuma volt. Az a modell, amit haza tudtál vinni a saját gépedre, jellemzően szöveget generált — szépen, de önállóan nem csinált semmit. A Glimmer állítása szerint ez a határ most mozdult el.

Ha a fogalom új, érdemes előbb elolvasnod, mi az AI ügynök, és hogy miben tér el az AI ügynök a chatbottól — a cikk további része ezekre az alapokra épül.

Nyílt súlyú vagy nyílt forráskódú? A különbség, ami pénzbe kerül

A megjelenés napján több lap idézőjelbe tette az „open source" kifejezést. Nézzük meg, mi a helyzet valójában, mert a kérdés nem szőrszálhasogatás — beszerzési és jogi következménye van.

A licenc valódi. A Meta a súlyokat Apache 2.0 alatt adta ki, ami az egyik legmegengedőbb, OSI által elismert nyílt licenc. Nincs felhasználószám-korlát, nincs külön engedélykérés kereskedelmi használatra, és nincs olyan kikötés, ami a Meta versenytársait kizárná. A Hugging Face-en közzétett modellkártya szerint minden kiadott elem ide tartozik: a teljes precizitású súlyok, mindkét 4 bites kvantálás, a gyorsítást végző DFlash modul és a képfeldolgozó encoder is.

Ez érdemi váltás a Meta korábbi gyakorlatához képest. A Llama-széria közösségi licence évekig kritika tárgya volt a havi 700 milliós felhasználószámhoz kötött kikötése miatt. Az Apache 2.0-ban ilyen nincs.

A korlát máshol van. A VentureBeat elemzése teszi pontosan a helyére:

„One nuance worth noting for procurement teams: as with most 'open source' model releases, it is the weights that are open — Meta has not released the training data or training code."

„Egy árnyalat, amit a beszerzési csapatoknak érdemes tudniuk: mint a legtöbb »nyílt forráskódú« modellkiadásnál, itt is a súlyok nyíltak — a Meta nem adta ki a tanítóadatot és a tanítókódot."

— VentureBeat, 2026. augusztus 10.

Gyakorlatban ez azt jelenti: futtathatod, finomhangolhatod, beépítheted a termékedbe, eladhatod a rá épülő szolgáltatást. Amit nem tudsz: reprodukálni a modellt a nulláról, vagy pontosan megmondani, milyen adaton tanult. Auditálhatóság szempontjából ez lényeges különbség.

Összehasonlításként: a Google Gemma 4 modellcsalád ugyanígy Apache 2.0 alatt érkezett, és ugyanígy a súlyok nyíltak. Vagyis a Glimmer nem nyitottabb a mezőnynél — csak visszatért abba a ligába, ahonnan a Meta két éve kilépett.

A licenc két gyakorlati kikötést azért tartalmaz, amit érdemes tudni: jogszabályt vagy kereskedelmi megfelelési előírást sértő célra nem használható, és a modellt 18 év alattiak nem tölthetik le. Hang be- és kimenetet a modell egyáltalán nem kezel.

Elfut-e a Muse Glimmer a gépeden? Ennyi VRAM kell hozzá

Itt szoktak elcsúszni a lelkes bejelentések. Nézzük a Meta saját számait.

A kvantálás az az eljárás, amivel a modell számait kisebb pontossággal tárolják: a 16 bites súlyokat 4 bitesre kerekítik. Ettől a modell töredékére zsugorodik, cserébe a válaszai minimálisan pontatlanabbak lesznek — a Meta mérése szerint a Glimmernél 0,2–1,0 százalékkal.

Erre azért van szükség, mert teljes precizitáson egy 30 milliárd paraméteres modell súlyai önmagukban több mint 55 GB-ot foglalnak, a működéshez szükséges memóriával együtt pedig 64 GB VRAM kellene — ennyi videomemória egyetlen otthoni kártyán sincs. A 4 bites kvantálás a nyelvi modellt 20 GB alá zsugorítja, és a maradék hely jut a működés közbeni memóriának, a képfeldolgozó encodernek és a gyorsítómodulnak.

A gyakorlati következtetés egyszerű. Egy 8 vagy 16 GB videomemóriás noteszgép nem elég. Ami elég: egy 24 GB-os asztali videokártya, vagy Mac oldalon 32 GB-tól felfelé induló egyesített memória. Az AMD a saját összefoglalójában szintén 32 GB feletti videomemóriát ajánl a kényelmes használathoz.

Ami a futtatókörnyezetet illeti: a súlyokat a Hugging Face-ről töltöd le, a helyi futtatásra pedig a Meta bejelentése szerint „a következő napokban" lesz elérhető az Ollama, az LM Studio és az Unsloth támogatása, illetve a llama.cpp, az ExecuTorch és az MLX keretrendszerekkel is futtatható. Ezek mindegyike helyi API-ként teszi elérhetővé a modellt, tehát a meglévő rendszereidből ugyanúgy hívható, mint egy felhős szolgáltatás.

Ha a telepítés részletei érdekelnek, a Gemma 4-ről szóló útmutatónkban lépésről lépésre végigvezetünk a helyi modellfuttatás beállításán — a folyamat a Glimmernél gyakorlatilag azonos, csak a letöltött modell más.

Milyen gyors valójában? A DFlash szerepe

A modell mellé a Meta egy kis kísérőhálózatot is adott, DFlash néven. Ez egész tokenblokkokat javasol előre, amiket a fő modell egyszerre ellenőriz — a jókat elfogadja, a rosszakat javítja. Az eredmény ugyanaz a szöveg, csak jóval gyorsabban.

Viszonyításként: 233 token per másodperc nagyjából annyi, mintha valaki másodpercenként két-három sort gépelne hibátlanul. Egy háttérben dolgozó ügynöknek ez bőven elég. A 131 072 tokenes kontextusablak pedig azt jelenti, hogy a modell nagyságrendileg egy 250-300 oldalas dokumentumot képes egyszerre a „fejében" tartani — egy szerződéscsomag vagy egy éves beszámoló elfér benne.

Egy szám, amit érdemes külön kezelni: az NVIDIA fejlesztői blogja 20 000 token/mp feletti tempót említ. Ez viszont adatközponti Blackwell Ultra hardveren, párhuzamos kiszolgálás mellett értendő — nem az asztalodon.

Mit tud a Muse Glimmer a teszteken — és hol marad el?

A legtöbb híradás a nyerő számokat idézte. Nézzük meg a teljes képet, mert a vásárlási döntés szempontjából a vereségek legalább annyira informatívak.

Ahol a Glimmer vezet a két hasonló méretű rivális, a Gemma 4 31B és a Qwen 3.6 27B előtt:

Az eszközhasználatot mérő MCP Atlason mért 75,5 pont a mezőny többi tagját 13–21 ponttal veri. Ez a szám alapozza meg az „agentic modell" pozicionálást. Az MCP a Model Context Protocol rövidítése — ez az a szabvány, amin keresztül az AI külső eszközöket, adatbázisokat és alkalmazásokat ér el.

Ahol viszont veszít — és erről kevesebb szó esett:

A Qwen több agentic és multimodális teszten megelőzi. A VentureBeat összegzése pontos: „Glimmer does not sweep the field" — a Glimmer nem söpri le a mezőnyt.

Mennyire biztonságos? A prompt injection számok

Ez a rész az, ami egy cégvezetőt jobban kell hogy érdekeljen, mint a matektesztek.

A prompt injection az a támadás, amikor valaki rejtett utasítást csempész abba a szövegbe, amit az AI feldolgoz — egy weboldalba, egy dokumentumba, egy beérkező e-mailbe —, abban a reményben, hogy az ügynök végrehajtja. A Siren AgentDojo teszten a Glimmer 28,4%-os támadási sikerrátát produkált. A Gemma 4 ugyanezen 25,6%-ot, vagyis jobb eredményt.

Az adatszivárgást mérő CI Memories teszten még nagyobb a különbség: a Glimmer 26,4-es szabálysértési értéke a Gemma 4 12,1-éhez képest több mint kétszeres.

Ez nem jelenti azt, hogy a modell használhatatlan. Azt jelenti, hogy ha megbízhatatlan forrásból származó szöveget adsz be neki, és közben jogosultsága van cselekedni, akkor kockázatot vállalsz. A 2026 nyarán nyilvánosságra került AI-ügynök incidensekből pontosan ez a tanulság jött le: nem a modell rosszindulata a probléma, hanem a túl tágra hagyott jogosultság.

És egy módszertani megjegyzés, amit minden számhoz oda kell érteni: ezeket a méréseket a Meta végezte a saját modelljén. Független kiértékelés a cikk írásakor még nem áll rendelkezésre.

Mennyibe kerül valójában? Számoljunk együtt

Itt szokott elszakadni a marketing a valóságtól. Az „ingyenes modell" nem azt jelenti, hogy a használata ingyen van — csak azt, hogy a licencért nem fizetsz.

A Glimmer felhőben is elérhető, az OpenRouteren 1 millió bemeneti token 0,35 dollár, 1 millió kimeneti token 1,50 dollár. Összehasonlításul a Meta nagy modellje, a Muse Spark 1.2 ugyanezért 1,25 és 4,25 dollárt kér.

Ebből kiszámolható, mikor éri meg saját gépet venni. A képlet egyszerű:

Vegyünk egy 32 GB-os videokártyát, aminek az ára nagyságrendileg 2 000 dollár (saját becslés a nagyságrendre, nem listaár — te a saját beszerzési áraddal számolj). A küszöb: 2 000 / 1,5 = 1 333 millió, vagyis nagyjából 1,3 milliárd kimeneti token.

Mennyi ez a gyakorlatban? A mért 233 token/mp sebességgel egy nap folyamatos, megszakítás nélküli generálás körülbelül 20 millió token. Vagyis a hardver 66 nap éjjel-nappali, szünet nélküli futás után hozza be az árát — de csak akkor, ha a gép addig végig, teljes sebességen dolgozik. Ez a küszöb 100%-os kihasználtságot feltételez.

Reális terhelésre vetítve egészen más jön ki. Havi 20 millió bemeneti és 5 millió kimeneti token — ami már egész komoly automatizálási terhelés — felhőben nagyjából 14,5 dollár. Évi 175 dollár. Ezért az összegért nem éri meg gépet venni, üzemeltetni és karbantartani: ezen a szinten a hardver évekig nem hozza vissza az árát.

A tanulság, ami szembemegy a szokásos érveléssel: egy átlagos magyar KKV nem fog megspórolni pénzt azzal, hogy helyben futtat. A helyi futtatás mellett nem a költség szól, hanem a következő szakasz.

Ha tágabb képet szeretnél arról, milyen AI-eszközök érhetők el ingyenesen vagy alacsony költséggel egy magyar vállalkozás számára, azt külön összefoglalóban gyűjtöttük össze.

GDPR és EU AI Act: mit old meg a helyben futó modell, és mit nem?

Amikor egy felhős AI-szolgáltatásba beírod az ügyfeled adatait, adatot továbbítasz egy külső adatfeldolgozónak. Ehhez jogalap kell, szerződés kell, és tájékoztatási kötelezettséged van. Ha a modell a saját géped memóriájában fut, ez a továbbítás egyszerűen nem történik meg.

Ez a legerősebb érv a helyi modell mellett — de nem szabad túlbecsülni. A helyi futtatás önmagában nem GDPR-megfelelés. Ugyanúgy kell jogalap az adatkezeléshez, ugyanúgy kell tájékoztatni az érintetteket, és ugyanúgy kell naplózni, hogy mi történt. Amit megszüntetsz, az egyetlen — bár gyakran a legkényesebb — láncszem: a külső adatfeldolgozó.

Az EU AI Act oldaláról a kép szintén árnyalt. A rendelet 53. cikkének (2) bekezdése mentességet ad a nyílt licencű általános célú modellek szolgáltatóinak bizonyos dokumentációs kötelezettségek alól, ha a súlyok, az architektúra és a használati információ nyilvános. A Muse Glimmer ezt papíron teljesíti. Két kötelezettség azonban a mentesség esetén is marad: a szerzői jogi megfelelési politika és a tanítóadatról szóló összefoglaló.

Ami viszont téged érint: ha te építesz rá szolgáltatást, a te szereped nem a modellszolgáltatóé, hanem a rendszer üzemeltetőjéé. A rád vonatkozó kötelezettségek a felhasználástól függenek, nem a modell licencétől. Az átláthatósági szabályok — például hogy jelezni kell, ha a felhasználó AI-val beszél — 2026. augusztus 2. óta élnek, a magas kockázatú rendszerek határideje pedig 2027. december 2. Ennek részleteit az EU AI Act Omnibus útmutatónkban bontottuk ki.

Kinek éri meg helyben futtatni a Muse Glimmert, és kinek nem?

A fentiek alapján összeraktunk egy döntési vázlatot. Nem minden cégnek ugyanaz a válasz.

A leggyakoribb hiba, amit látunk: a cég azért kezd helyi modellel foglalkozni, mert „ingyen van", aztán három hónap után kiderül, hogy a rendszergazda ideje többe került, mint amennyit az API-díjon spórolt volna. A helyi modell akkor jó döntés, ha az adat miatt választod, nem a számla miatt.

Miért fordult vissza a Meta a nyílt modellekhez?

A történet érdekesebb, mint a modell maga.

A Meta 2023-tól a nyílt modellek zászlóvivője volt a Llama-szériával. A fordulópont a Llama 4 volt 2025 áprilisában: a modellek gyenge fogadtatást kaptak, és a benchmark-eredmények körül is vita alakult ki. A cég ezután zárt irányba fordult — a 2026 áprilisában bemutatott Muse Spark lett az első csúcsmodellje, ami nyílt súlyok nélkül érkezett. Erről a modellről korábban részletesen írtunk.

Közben a piac elmozdult. A nyílt modellek terepén a kínai laborok vették át a vezetést: a VentureBeat összesítése szerint 2026 májusára az OpenRouteren elfogyasztott összes token nagyjából 61%-a kínai nyílt súlyú modellekből származott, és a legtöbbet használt öt modellből négy kínai fejlesztés volt. A Llama teljesen kiesett a rangsorból.

A Glimmer ebbe a helyzetbe érkezik. Zuckerberg a bejelentést egy hosszú esszével kísérte, amelyben az elosztott mesterséges intelligencia mellett érvel:

„Rather than centralizing superintelligence, we should distribute it widely and give every person the ability to direct it."

„Ahelyett, hogy központosítanánk a szuperintelligenciát, széles körben kellene elosztanunk, és minden embernek megadni a képességet, hogy irányítsa."

— Mark Zuckerberg, The future is for everyone

Ugyanebben az esszében fogalmazta meg a legélesebb mondatát a versenytársak biztonsági érveléséről: „Az az elképzelés, hogy az MI annyira veszélyes, hogy az egyetlen biztonságos út a hatalom szélsőséges koncentrációja, önmagában problémásnak tűnik." Ezt a Reuters idézte.

Hogy ez elvi meggyőződés vagy piaci kényszer, azt mindenki döntse el maga. A CNN elemzése szerint a Meta ezzel egyértelműen állást foglalt egy régóta zajló iparági vitában.

Mi jön ezután?

Zuckerberg a bejelentéssel egy időben azt is közölte, hogy a Muse Spark 1.2 súlyait is kiadják hamarosan. Ha ez megtörténik, az lesz az első amerikai csúcsmodell, ami nyílt súlyokkal érkezik — ez érdemben más súlycsoport, mint a Glimmer.

Addig a Glimmerrel érdemes kísérletezni, de éles rendszerbe csak átgondolt jogosultsági korlátokkal engedd be. Három dolgot javaslunk mérlegelni, mielőtt bármit elindítasz:

1. Először mérd meg, mennyit használnál. Ha nem tudod megmondani, havonta hány millió tokent dolgoznál fel, akkor még nincs elég adatod a döntéshez. Kezdd a felhős változattal, és nézd meg a valós forgalmat.
2. Az adat a döntő szempont, nem az ár. Ha az adat nem érzékeny, a felhő szinte mindig olcsóbb és egyszerűbb.
3. Jogosultságot a legszűkebbre. A prompt injection számok fényében egy külső tartalmat feldolgozó ügynöknek ne legyen írási vagy törlési joga emberi jóváhagyás nélkül.

Ha nem vagy biztos benne, hogy a te folyamataidnál melyik út a jó, ez pontosan az a kérdés, amiben egy fél óra beszélgetés többet ér, mint három hét kísérletezés. Foglalj egy ingyenes konzultációt, és átnézzük együtt, mekkora a tényleges terhelésed, és hol van adatvédelmi kockázat.

Gyakori kérdések (FAQ)

Mit tud egy agentic AI modell, amit egy chatbot nem?

A chatbot válaszol, az ügynök elvégzi a feladatot. Négy képességben tér el: megtervezi a lépéseket, külső eszközöket hív (fájlt nyit, API-t kérdez, kódot futtat), ellenőrzi a saját eredményét, és hiba esetén másképp próbálja újra. A Muse Glimmer az eszközhasználatot mérő MCP Atlas teszten 75,5 pontot ért el, szemben a Gemma 4 31B 54,2 és a Qwen 3.6 27B 62,5 pontjával — ez a különbség adja az agentic pozicionálás alapját. Fontos: az eredményeket a Meta mérte a saját modelljén, független kiértékelés még nincs.

Milyen GPU kell a Muse Glimmer futtatásához?

Teljes precizitáson 64 GB videomemória kellene, ami otthoni gépben nincs. A Meta ezért két 4 bites kvantált változatot is kiadott: a K-Quant-17GB 24 GB VRAM-mal fut és 1,0 százalék pontosságvesztéssel jár, a K-Quant-Dynamic 32 GB-ot igényel 0,2 százalékos veszteség mellett. Gyakorlatban ez RTX 3090 vagy RTX 4090 kategóriát jelent alul, RTX 5090-et felül, Mac oldalon 32 GB-tól induló egyesített memóriát. Egy 8 vagy 16 GB videomemóriás noteszgép nem elegendő.

Mi a különbség a nyílt forráskódú és a nyílt súlyú AI modell között?

A Muse Glimmer súlyai valódi Apache 2.0 licenc alatt jelentek meg, ami OSI által elismert nyílt licenc: kereskedelmi használat, módosítás és továbbterjesztés engedélykérés nélkül lehetséges, felhasználószám-korlát nélkül. Amit a Meta nem adott ki, az a tanítóadat és a tanítókód. Vagyis futtathatod, finomhangolhatod és termékbe építheted, de nem tudod a modellt a nulláról reprodukálni, és nem tudod pontosan megmondani, milyen adaton tanult. Auditálhatóság szempontjából ez a különbség számít.

Megéri saját gépen futtatni az AI-t a felhő helyett?

Pénzügyi alapon a legtöbb magyar KKV-nak nem. A Muse Glimmer felhőben 0,35 dollár per millió bemeneti és 1,50 dollár per millió kimeneti token. Havi 20 millió bemeneti és 5 millió kimeneti token — ami már komoly automatizálási terhelés — nagyjából 14,5 dollár havonta. Ehhez a terheléshez mérve egy 32 GB-os videokártya évek alatt térülne meg; a cikkben szereplő 66 napos küszöb 100 százalékos, éjjel-nappali kihasználtságot feltételez. A helyi futtatás mellett az adat szól, nem az ár: ha érzékeny ügyféladatot dolgozol fel, a helyben futó modellnél nincs külső adatfeldolgozói továbbítás.

Biztonságos AI-ügynököt engedni a céges rendszerre?

Kontrollált jogosultsággal igen, korlátlanul nem. A Muse Glimmer a prompt injection támadásokat mérő Siren AgentDojo teszten 28,4 százalékos támadási sikerrátát produkált, ami rosszabb, mint a Gemma 4 31B 25,6 százaléka. Az adatszivárgást mérő CI Memories teszten a 26,4-es szabálysértési érték a Gemma 12,1-ének több mint kétszerese. A gyakorlati következtetés: ha az ügynök megbízhatatlan forrásból származó szöveget dolgoz fel — beérkező e-mailt, külső weboldalt —, ne legyen írási vagy törlési joga emberi jóváhagyás nélkül.

Források

1. Meta AI Research — Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device
2. Hugging Face — Muse-Glimmer-30B modellkártya (benchmarkok, kvantálás, DFlash)
3. Mark Zuckerberg — The future is for everyone
4. VentureBeat — Meta returns to open source with Muse Glimmer
5. Reuters — Meta launches new AI model as Zuckerberg champions open-weight push
6. CNN Business — Meta just picked a side in a big debate over the future of AI
7. Engadget — Meta's 'open source' Muse Glimmer model can run on a single computer
8. NVIDIA Technical Blog — Run Local Agentic AI Workflows with Meta's Muse Glimmer
9. NVIDIA NIM — meta / muse-glimmer-30b technikai referencia
10. AMD — Run Meta Muse Glimmer 30B on AMD Ryzen AI Max and Radeon GPUs
11. OpenRouter — Muse Glimmer 30B árazás és teljesítmény
12. The Decoder — Meta's Muse Spark is its first frontier model, and its first without open weights
13. EU AI Act — 53. cikk: általános célú AI-modellek szolgáltatóinak kötelezettségei

A cikkben szereplő adatok utolsó ellenőrzése: 2026. augusztus 11. A benchmark-eredmények a Meta saját mérései — amint független kiértékelés megjelenik, frissítjük a cikket.