Meta(Muse Glimmer / Muse Spark / Llama):學校自架開源權重的主力選擇

一句話答案:Meta 現在有兩條路,前沿的 Muse Spark 是閉源的、與學校無關,而真正值得香港學校看的是 Apache 2.0 授權、可在校內一張顯示卡上跑起來的 Muse Glimmer 30B。

這是甚麼:一家轉了方向的開源代表

過去三年,「開源大模型」幾乎等同 Llama。很多學校第一次聽到「資料可以不出校網」,講的就是把 Llama 放在校內伺服器上。這個印象在 2026 年需要更新。

2026 年 4 月,Meta 成立 Meta Superintelligence Labs 之後,把前沿產品線由 Llama 換成 Muse Spark,而 Muse Spark 是閉源的,只在 Meta AI 產品與少量私人 API 預覽中提供。換句話說,Meta 最強的模型現在下載不到。

不過 Meta 並沒有完全離開開源。2026 年 8 月 9 日發佈的 Muse Glimmer 30B 由 Muse Spark 蒸餾而來,以 Apache 2.0 授權公開權重,並且是明確為「在自己的電腦上跑代理」而設計的。對學校來說,這一個型號的實際價值,比任何 Meta 前沿模型都高。

現行陣容:一條閉源線、一條開源線、一批舊版

• Muse Glimmer 30B(2026 年 8 月 9 日):300 億參數的密集多模態模型,13.1 萬 token 上下文,支援文字與圖像輸入,官方支援 Ollama、LM Studio、llama.cpp、ExecuTorch 與 MLX。4-bit 量化後語言模型部分壓縮至 20GB 以下,官方文件標示可在 24GB 或 32GB 顯示記憶體的裝置上運行。
• Muse Spark 1.1 / 1.2(2026 年 7 月 16 日 / 8 月 5 日):閉源前沿線,100 萬 token 上下文,每 100 萬 token 輸入 1.25 美元、輸出 4.25 美元。這條線不能自架。
• Llama 3.1 / 3.3(2024 年 7 月起):舊世代,但至今仍是 Ollama 上最常被學校自架的開源模型,Edor.ai 校內部署的預設型號就是 llama3.1。

完整的版本、日期與價格對照,見本頁下方自動生成的系列表。

優點:對學校而言最實際的四點

1. 資料完全留在校網。自架的意思是學生輸入的每一句話都只經過學校自己的機器,不存在跨境傳輸,也不需要為此做私隱評估。這是很多香港學校在家長會上最容易解釋清楚的一點。
2. 授權條款乾淨。Apache 2.0 沒有用戶數上限、沒有年收入門檻、不需要申請,辦學團體可以把同一套部署複製到旗下多所學校。
3. 硬件門檻真的落到學校水平。24GB 顯示記憶體是一張高階消費級顯示卡的規格,不是機房級投資;這讓「先買一台機試一年」成為可行的校本方案。
4. 生態成熟。Ollama、LM Studio 與 llama.cpp 都有官方支援,IT 主任能找到的中英文教學與疑難排解資料非常多,不必自行摸索。

缺點與局限:必須向校長說清楚的部分

• 前沿線已經關門。Meta 說過「希望日後開源 Muse 系列」,但沒有時間表。學校不應假設下一代前沿權重一定會公開,自架策略要以現有型號為基礎。
• 品質仍落後雲端旗艦。30B 模型在長篇推理、繁體中文寫作評語與香港本地知識上,明顯不如 GPT-6 Astra 或 Claude Fable 5.1。把它當成「夠用的日常助手」比當成「最強大腦」實際。
• 硬件與人手是隱藏成本。一張顯示卡只是起點,還有機房散熱、供電、備份與版本更新。沒有 IT 人手的學校,總成本未必低於雲端訂閱。
• 不支援語音,圖像也有上限。官方明確指出 Muse Glimmer 不支援音訊輸入輸出,影片只能當作逐格圖像處理。粵語口語練習仍要另找方案。
• 模型卡寫明不供 18 歲以下人士自行下載使用。這不代表學校不能用,但代表學生端必須包在有守門與教師監控的系統裡,由學校承擔風險評估責任。

適用場景

教師:備課初稿、工作紙題目變體、把長篇通告縮寫成家長訊息。這些任務對模型要求不高,本地 30B 已經足夠,而且不用擔心把學生姓名貼進雲端。

學生:適合做常規練習問答與閱讀理解提示。必須在導師模式下使用,由平台限制它只給提示不給答案,並保留教師可審視的對話紀錄。

IT 主任:先確認顯示卡型號與顯示記憶體,再決定跑 llama3.1 8B 還是 Muse Glimmer 30B 的量化版本。建議先做一個月的試行,量度同時在線人數與回應延遲,再決定是否加機。

教育場景實測提示

以下提示可直接貼進 Edor.ai 的教師工具,或任何連接本地模型的介面。留意每則最後的核實要求,本地模型出現事實錯誤的機會比雲端旗艦高,這一句不能省。

你是香港小學中文科教師。請就「校園欺凌」主題,為小五學生設計一份 20 分鐘的閱讀理解工作紙。
輸出:短文一篇(300 字內,繁體中文,香港用語)、理解題 5 條(3 條事實題、2 條推論題)、參考答案另列一段、教師引導提問 3 條。
限制:不要出現真實學校名稱或個人資料;用字要適合小五程度;任何涉及法例或數據的內容若不確定,請寫「請教師核實」,不要自行編造。

以下是中三級「校本評核專題研習」的評分準則草稿,請幫我檢查是否清晰、可操作。
請指出三處表述含糊的地方,各提出一個更具體的改寫建議;再列出兩項學生最容易誤解的要求。
限制:用繁體中文(香港用語);不要重寫整份準則;不要新增評分項目;若你對香港校本評核的一般做法沒有把握,請明確標示「請教師核實」。
[貼上評分準則]

在 Edor.ai 的可用性

Meta 不是平台的原生供應商。Edor.ai 原生支援的是 OpenAI、Azure OpenAI、Anthropic、Poe 與本地 Ollama 五種;Meta 的型號是透過最後一項進入平台的——學校在校內伺服器用 Ollama 跑起 Muse Glimmer 30B 或 llama3.1,再在後台把供應商設為本地 Ollama。

這正是學校把學生資料留在校網內的做法:對話不經任何外部雲端,四層守門、教師監控、ai_audit_logs 稽核紀錄與校本知識庫檢索全部照常運作,功能與雲端版本一致,資料仍然屬於學校,隨時可一鍵全量匯出。

要再進一步,學校可以用自己的教案與範文對開源權重做微調。LoRA、QLoRA 與 INT4 量化這幾種技術,正是讓一張消費級顯示卡也能完成微調的關鍵,也正是 LLM 教室 裡教的同一套內容;我們的校內部署選項與課程用的是同一組概念,教師學完之後看得懂自己學校的系統在做甚麼。

替代方案

• 想要中文能力更強的開源權重 → 看 Alibaba Qwen,Qwen3.8-27B 同樣是 Apache 2.0 且可在 24GB 顯示記憶體運行。
• 想要歐洲資料治理框架下的開源選擇 → 看 Mistral AI。
• 想要最省心、不用管硬件 → 看 OpenAI 或 Anthropic Claude 這些原生供應商。
• 想先算清楚自架與雲端的成本與私隱差別 → 讀 開源與閉源的成本與私隱權衡,或由 LLM 教室 開始。