Mark Zuckerbergs zehntausend Wörter umfassender langer Aufsatz attackiert das Closed-Source-Konzept: KI-Modell-Destillation ist unschuldig, Meta kehrt offiziell zur Entwicklungslinie von Open-Source-Modellen zurück

Am 10. August hat das Meta Superintelligence Laboratory offiziell Muse Glimmer veröffentlicht und die Modellgewichte unter der großzügigen Apache-2.0-Lizenz freigegeben.

Mark Zuckerberg, CEO von Meta, erklärte, dass in Kürze auch die Gewichte von Muse Spark 1.2, dem neuesten Grundmodell von Meta, veröffentlicht werden. Dies markiert Metas Rückkehr zur Strategie der „offenen“ KI. Zuckerberg veröffentlichte zudem einen zehntausend Wörter langen Aufsatz, in dem er vertrat, dass leistungsstarke künstliche Intelligenz nicht in den Händen von Unternehmen und Regierungen konzentriert werden sollte.

Darüber hinaus hat Meta einen unabhängigen Verwaltungsrat eingerichtet, der für die Festlegung von Sicherheitsstandards und die Prüfung jeder einzelnen Modellveröffentlichung zuständig ist. Zuckerberg ist der Ansicht, dass selbst wenn die Gründer die Mehrheitsbeteiligung halten, der CEO nicht mehr allein über die Inbetriebnahme von hochrisikobehafteter KI entscheiden soll, und ruft die gesamte Branche auf, diesem Beispiel zu folgen.

Auf lokales Agentenmodell ausgerichtet

Muse Glimmer, das erste Modell, das nach der strategischen Umstellung von Meta veröffentlicht wurde, verfügt über 30 Milliarden Parameter und ist für den dauerhaft laufenden Workflow lokaler Agenten optimiert. Es kann auf einem Mac oder PC mit einer einzelnen Consumer-Grafikkarte ausgeführt werden. Seine Anwendungsbereiche umfassen lokale persönliche Agenten, Funktionsaufrufe, Codeentwicklung sowie Aufgaben wie die „Bewertung großer Modelle durch große Modelle“.

Download-Adresse:

https://huggingface.co/meta-models/Muse-Glimmer-30B

Damit das Modell Termine verwalten, Nachrichten entwerfen, Dateien organisieren und sich an die Arbeitsweise der Benutzer anpassen kann, hat Muse Glimmer die Fähigkeiten zur Ausführung langer Abläufe, präzisen Tool-Aufrufe, multimodalen Verständnisses, Langkontextgedächtnisses und Einhaltens von Anweisungen gezielt gestärkt.

Während des Vortrainings wurde die Ausgabe von Muse Spark zur Logit-Destillation verwendet, wobei eine ähnliche Datenkombination wie beim Lehrermodell eingesetzt wurde. Beim mittleren Training wurden längere Kontexte, ein höherer Anteil an Agenten-Aufgabendaten und reichhaltigere Inferenzspuren hinzugefügt. In der Nachtrainingsphase werden überwachte Feinabstimmung, Online-Strategiedestillation und Verstärkungslernen kombiniert, um allgemeine, Inferenz-, Programmier- und Agentenaufgaben abzudecken.

Auch intern bei Meta wurden verschiedene Benchmark-Vergleiche zwischen Muse Glimmer, Gemma4-31B und Qwen3.6-27B durchgeführt:

Obwohl diese Vergleichsgruppe in Bezug auf die Parametergröße relativ fair ist, weisen einige Nutzer darauf hin, dass Qwen 3.6 nicht mehr das neueste Modell ist. Muse Glimmer muss noch direkte Tests mit nachfolgenden Modellen der 27B-Klasse durchführen, um seine tatsächliche Wettbewerbsfähigkeit beurteilen zu können.

Den Angaben zufolge unterstützt Muse Glimmer die End-to-End-Aufgabenausführung, präzise Tool-Aufrufe, mehrstufige Inferenz, Fehlerdiagnose und Wiederholungsversuche und kann über einen speziellen Wahrnehmungscodierer gleichzeitig Text und Bilder verarbeiten. Das Modell ist mit Agenten-Orchestrierungsmethoden wie OpenClaw kompatibel, unterstützt die Anpassung der Inferenzstärke und deckt mehr als 100 Sprachen ab.

Um sich an lokale Geräte anzupassen, hat Meta das Sprachmodell, das ursprünglich mehr als 55 GB Arbeitsspeicher benötigte, durch eine Quantisierung von ca. 4 Bit auf unter 20 GB komprimiert, sodass KV-Cache, Bildwahrnehmungscodierer und Spekulationsdekodiermodul gemeinsam in Umgebungen mit 24 GB oder 32 GB Arbeitsspeicher ausgeführt werden können.

Um die Generierungsgeschwindigkeit zu erhöhen, ist Muse Glimmer zudem mit einem leichtgewichtigen Entwurfsmodul auf Basis von DFlash ausgestattet. Dieses Modul kann eine Gruppe von Kandidaten-Tokens auf einmal vorschlagen, die dann vom Hauptmodul parallel überprüft werden, um korrekte Inhalte zu übernehmen und fehlerhafte Inhalte zu korrigieren. Dadurch wird die Wartezeit reduziert, die durch die Token-für-Token-Generierung entsteht. Meta gibt an, dass dies die Textgenerierungsgeschwindigkeit von Muse Glimmer erheblich verbessert.

Die Testergebnisse zeigen, dass DFlash bei der Ausführung in Kombination mit dem K-Quant-17GB-Quantisierungsmodul die Dekodiergeschwindigkeit von Muse Glimmer auf der RTX 5090 um ca. 3,1-fach, auf dem M5 Max und M4 Max um ca. 1,8-fach bzw. 1,5-fach steigern kann. Alle Berechnungen können auf lokalen Geräten abgeschlossen werden.

Einige Nutzer berichten, dass sie Muse Glimmer bereits über Ollama auf einem älteren Mac mini mit 32 GB Arbeitsspeicher ausgeführt haben. Die ersten Ergebnisse sind gut, aber die Geschwindigkeit bei der Aufgabenerledigung ist relativ langsam. Einige Tester sind der Meinung, dass der Inferenzprozess des Modells relativ übersichtlich ist, bei manchen Aufgaben aber effizienter sein kann als einige Modelle, die leicht wiederholt ableiten.

Einige Entwickler stehen seinen Programmierfähigkeiten reserviert gegenüber. Sie sind der Ansicht, dass Muse Glimmer zwar Code-Aufgaben verarbeiten kann, seine eigentlichen Vorteile aber möglicherweise in Agenten-Workflows, Tool-Aufrufen und unterschiedlichen Sicherheitsausrichtungsverfahren liegen, statt direkt die stärksten cloudbasierten Programmiermodelle herauszufordern. „Qwen3.6 27B ist ein in der Programmierung häufig verwendetes mittelgroßes Modell. Es ist keineswegs einfach, es zu besiegen“, sagte ein Nutzer.

Darüber hinaus ist Muse Glimmer auf die Bereitstellung auf Consumer-Geräten ausgerichtet, aber eine Grafikspeichergröße oder ein einheitlicher Arbeitsspeicher von mehr als 24 GB stellt für normale Nutzer immer noch eine Hürde dar. „Nicht jeder kann sich ein Gerät mit 24 GB Arbeitsspeicher leisten“, sagte ein Nutzer.

Einige Nutzer schätzen, dass die RTX 5090, die für die offiziellen Tests verwendet wurde, Tausende von Dollar kosten kann. Wenn nur die kurzfristigen Nutzungskosten berücksichtigt werden, ist das Abonnement für cloudbasierte Spitzenmodelle möglicherweise kostengünstiger. Der Wert der lokalen Bereitstellung zeigt sich vor allem in Bezug auf Datenschutz, Offline-Nutzung, Anpassbarkeit und die Unabhängigkeit von API-Kosten sowie Änderungen von Dienstrichtlinien.

Zuckerbergs langer zehntausend Wörter Aufsatz, der die „Geschlossenheit“ der Konkurrenten kritisiert

Gleichzeitig mit der Veröffentlichung des Modells veröffentlichte Zuckerberg einen langen Aufsatz auf der Meta-Website. Er schrieb darin: „Die meisten anderen Labore konzentrieren sich darauf, KI für Unternehmen, Regierungen oder andere Institutionen zu entwickeln. Wenn diese Labore die Führung übernehmen, verschiebt sich das Kräftegleichgewicht zugunsten großer Institutionen statt zugunsten von Einzelpersonen.“ Diese Äußerung scheint sich gegen Unternehmen wie Google, Anthropic und OpenAI zu richten.

Zuckerberg erklärte, dass Meta weiterhin in Modelle mit offenen Gewichten investieren wird. Er kritisierte, dass die konkurrierenden Labore einen „geschlossenen“ Kurs verfolgen: Diese Labore erzielen Einnahmen in Milliardenhöhe durch den Verkauf des Zugriffs auf ihre Modelle.

Zuckerberg schrieb: „Einige Leute glauben, dass der beste Weg zur Risikominderung darin besteht, die Fähigkeiten einzuschränken, auf die Einzelpersonen zugreifen können.“ Er ist aber der Ansicht, dass „breit bereitgestellte Open-Source-Systeme nachweislich sicherer sind, da mehr Menschen Schwachstellen darin entdecken können“.

Als Beispiel nannte er Hugging Face: Nachdem ein geschlossenes Modell seine Anfrage aus Sicherheitsgründen abgelehnt hatte, nutzte Hugging Face ein offenes Modell, um sein eigenes Sicherheitssystem zu verbessern.

Zuckerberg äußerte diese Äußerungen zu einem Zeitpunkt, an dem die offenen Modelle chinesischer KI-Labore die Lücke zu den fortschrittlichsten proprietären Modellen US-amerikanischer Labore schließen.

OpenAI und Anthropic warfen zuvor inländischen Konkurrenten vor, ihre eigenen Modelle mit der Ausgabe von Modellen US-amerikanischer KI-Labore zu trainieren. Diese Technik wird als „Destillation“ bezeichnet. Zuckerberg unterstützt dies jedoch. Er ist der Ansicht, dass es sehr wichtig ist, das Prinzip zu wahren, dass „Menschen von allem lernen können, was sie beobachten“, und weist die Ansicht zurück, dass Destillation „schädlich“ sei.

Dennoch unterstützt Zuckerberg die Fortsetzung der Verlangsamung der Entwicklung von Konkurrenten durch Ausfuhrkontrollen für Chips.

Er schrieb in seinem Aufsatz, dass in China ungefähr alle zwei Wochen mehr als 1 Gigawatt Kernenergiekapazität in Betrieb genommen wird. Daher müssen die Vereinigten Staaten den Bau von Energieanlagen und Rechenzentren beschleunigen und die Entwicklung von Konkurrenten weiterhin durch Ausfuhrkontrollen für Chips verlangsamen. Selbst ein technischer Vorsprung von nur zwei Monaten hat einen enormen Wert, und eine Verzögerung der Modellveröffentlichung um einen Monat kann die Führungsposition der Vereinigten Staaten beeinträchtigen.

Dennoch spricht sich Zuckerberg dagegen aus, die Nutzung ausländischer offener Modelle durch Privatpersonen und Unternehmen zu verbieten, da dies die Qualität der verfügbaren KI verringern und die Konzentration fördern würde. Meta setzt sich dafür ein, die politischen Hindernisse zu reduzieren, mit denen US-amerikanische Labore bei Trainingsdaten, Destillation und anderen Aspekten konfrontiert sind.

Zuckerberg erklärte zudem, dass Meta die Befugnis zur Sicherheitsüberprüfung von Modellen an den unabhängigen Verwaltungsrat des Unternehmens übergeben wird. Seiner Meinung nach sollte nicht er selbst oder ein anderer Leiter eines KI-Unternehmens allein darüber entscheiden, wie Superintelligenz bereitgestellt wird. Er ruft andere Spitzenlabore dazu auf, ähnliche unabhängige Überwachungsmechanismen einzurichten.

Angesichts der Sorgen, dass KI Arbeitsplätze ersetzt, ist Zuckerberg der Ansicht, dass die Geschwindigkeit der Automatisierung nicht unbedingt schneller ist als die Geschwindigkeit, mit der KI die Fähigkeiten von Einzelpersonen verbessert und neue Bedürfnisse sowie neue Berufe schafft. Wenn Superintelligenz hauptsächlich für Erfindungen statt für die Ersetzung bestehender Arbeitsplätze eingesetzt wird, kann das Wachstum der individuellen Fähigkeiten die Automatisierung einholen oder sogar übertreffen.

Er erwartet, dass in Zukunft Einzelpersonen-Produktionsstudios, Weltgestalter, Erlebnisdesigner und „persönliche Biologen“ auftauchen werden, die KI nutzen, um personalisierte Therapien zu entwickeln. Die durchschnittliche Größe von Unternehmen könnte sich verringern, aber die Gesamtzahl der Unternehmen wird voraussichtlich steigen. Wenige Personen können mithilfe von persönlichen Agenten Unternehmen in größerem Umfang betreiben.

Er räumt ein, dass die Veränderung der Arbeitsweise einen schwierigen Anpassungsprozess mit sich bringen wird, ist aber der Ansicht, dass persönliche Agenten auch berufliche Ausbildungen und Umstellungsberatungen übernehmen können.

Der Meta-Gründer kritisierte die von konkurrierenden KI-Laboren verbreitete Argumentation als „voll von Endzeiterzählungen“. „Die Ansicht, dass KI so gefährlich ist, dass nur eine extrem konzentrierte Macht der sichere Weg ist, ist an sich problematisch. Wenn jede Person Zugriff auf leistungsstärkere Tools erhält, wird die Fähigkeit jeder Person, die Zukunft zu gestalten, gestärkt statt geschwächt.“

Interessierte Leser können den vollständigen Aufsatz einsehen:

https://www.meta.com/thefutureisforeveryone/

Anfang dieses Jahres lehnte Meta es ab, die zugrunde liegenden Gewichte von Muse Spark aus Sicherheitsgründen öffentlich zu machen. Da der Wettbewerb zwischen den führenden KI-Unternehmen immer intensiver wird, wird die Frage, wie und in welchem Umfang die leistungsstärkste Technologie offengelegt werden soll, zum Mittelpunkt der Branchendebatte.

Am Montag kündigte Meta zudem die Einrichtung eines Fonds mit einem Volumen von 1 Milliarde US-Dollar an, der Gemeinden an den Standorten seiner US-Rechenzentren unterstützen soll. Das Unternehmen beschleunigt den Aufbau der Infrastruktur, die für die Umsetzung der oben genannten KI-Vision erforderlich ist. Der Bau von Rechenzentren durch große Technologieunternehmen hat bereits Gegenreaktionen der Anwohner in der Umgebung ausgelöst, da diese Projekte um knappe Ressourcen wie Strom und Wasser konkurrieren können.

Zuckerbergs Äußerungen fallen zu einem Zeitpunkt, an dem Meta Milliarden von Dollar investiert, um die Spitze der KI-Technologie zu erreichen und seine Vision der „persönlichen Superintelligenz“ nachdrücklich zu fördern.

Meta gab jedoch im vergangenen Monat bekannt, dass die Ausgaben für die KI-Infrastruktur den freien Cashflow um 91 % verringert haben, woraufhin der Aktienkurs des Unternehmens zeitweise um fast 8 % fiel. Im vergangenen Jahr ist der Aktienkurs des Unternehmens insgesamt um fast 20 % gefallen. In diesem Zeitraum hat Meta massive Investitionen getätigt, um Top-KI-Talente zu gewinnen und KI-Rechenzentren zu bauen.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „InfoQ“, Autor: Chu Xingjuan, veröffentlicht mit Genehmigung von 36Kr.