Meta(Muse Glimmer / Muse Spark / Llama)：開源權重仍可自架，前沿線已改走閉源
2026 年 4 月 Meta 以閉源 Muse Spark 取代 Llama 成為前沿產品線；對學校真正有用的是 2026 年 8 月 9 日以 Apache 2.0 發佈的 Muse Glimmer 30B,13.1 萬 token 上下文、24GB 顯示記憶體可運行。本頁整理 Meta 雙軌陣容、校內自架成本，以及在 Edor.ai 透過本地 Ollama 的接入方式。
非原生供應商，但 Meta 的開源權重型號是校內自架最實際的選擇之一：Muse Glimmer 30B 以 Apache 2.0 發佈，可用 Ollama 或 LM Studio 在單張消費級顯示卡上運行，學生資料完全不出校網。注意 Meta 於 2026 年 4 月已把前沿產品線由 Llama 改為閉源的 Muse Spark,Llama 系列現屬舊版本。
Meta 仍是香港學校「資料不出校網」對話裡最常聽到的開源名字；但 2026 年的現實是雙軌並行——最強的 Muse Spark 已改閉源下載不到，採購時若仍指著 Llama 當前沿，會選錯代。
過去三年，很多 IT 主任第一次向校長解釋「自架大模型」，講的就是 Llama 放在校內伺服器。2026 年 4 月 Meta 成立 Superintelligence Labs 後，前沿產品線換成閉源的 Muse Spark;對學校真正有意義的，是 8 月 9 日以 Apache 2.0 公開的 Muse Glimmer 30B——300 億參數、單張 24GB 顯示卡可跑，這才是現時可執行的開源方案。
Meta 在做甚麼
Meta 的 AI 策略在 2026 年明確分岔：一條閉源前沿線(Muse Spark)服務自家產品與少量 API 預覽；一條開源部署線(Muse Glimmer、Llama 3.x)讓機構在自己的硬件上跑模型。學校採購只應關注後者——前沿跑分再漂亮，下載不了就與校本平台無關。
Muse Glimmer 30B 由 Muse Spark 蒸餾而來，明確為「在自己的電腦上跑代理」而設計，官方支援 Ollama、LM Studio、llama.cpp、ExecuTorch 與 MLX。生態成熟意味 IT 組找得到中英文部署文檔，不必從零摸索。
校本採購會看到的型號
| 型號 | 定位 | 上下文 | 每 100 萬 token（輸入／輸出） |
|---|---|---|---|
| Muse Glimmer 30B(2026-08-09) | 300 億密集多模態，Apache 2.0,4-bit 量化後語言模型 <20GB | 13.1 萬 token | 自架免權重費（硬件另計） |
| Muse Spark 1.1 / 1.2(2026-07-16 / 08-05) | 閉源前沿線，不可自架 | 100 萬 token | 1.25 / 4.25 美元 |
| Llama 3.1 / 3.3（2024-07 起） | 舊世代，Ollama 上最成熟；Edor.ai 校內預設 llama3.1,8B 約需 5GB | — | — |
Muse Glimmer 官方標示可在 24GB 或 32GB 顯示記憶體裝置上運行；Llama 3.1 的 8B 版本門檻更低，適合先做試行再決定是否升級到 30B。
費用從哪條路徑產生
自架權重： Apache 2.0 下載不收授權費，沒有用戶數上限，辦學團體可把同一套部署複製到旗下多所學校。隱藏成本是硬件與人手——一張 24GB 顯示卡只是起點，還有機房散熱、供電、備份、版本更新；沒有 IT 人手的學校，總成本未必低於雲端訂閱。
雲端 Muse Spark: 1.25 / 4.25 美元且不可自架，資料離開校網，與「資料留校」的採購目標通常不一致。
Meta 說過「希望日後開源 Muse 系列」，但沒有時間表——自架策略必須以現有型號為基礎，不能賭下一代權重一定公開。
在 Edor.ai 裡的分工
Meta 不是原生供應商，透過本地 Ollama進入平台。Edor.ai 原生支援 OpenAI、Azure OpenAI、Anthropic、Poe 與本地 Ollama;學校在校內伺服器用 Ollama 跑 Muse Glimmer 30B 或 llama3.1，後台把供應商設為本地 Ollama，對話不經外部雲端，四層守門、教師監控、ai_audit_logs 與校本知識庫檢索照常運作，資料可一鍵全量匯出。
我們通常建議先以雲端試行一個學期，確認教師用法與守門需求，再決定是否投資顯示卡。想再走一步，可用 LoRA、QLoRA 與 INT4 量化在消費級顯示卡上微調校本教案——正是 LLM 教室 教的同一套概念。
課堂適配與邊界
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。本地 30B 已足夠，學生姓名不必貼進雲端。星期四放學後，一位小五班主任在教員室說：「分層工作紙我讓本地模型出三版，評分準則那欄還是我自己寫。」
學生： 適合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 llama3.1 8B 還是 Muse Glimmer 30B 量化版；建議試行一個月，量度同時在線人數與回應延遲後再加機。
不適合： 期望本地 30B 取代雲端旗艦寫 DSE 評語；讓學生各自下載權重；假設 Muse Glimmer 能處理粵語口語；不做教師覆核就把 AI 輸出對外發佈。
給學校的取捨
- 如果你要資料完全留在校網且有一張 24GB 顯示卡，就從 Muse Glimmer 30B 或 llama3.1 試行開始，不要追逐下載不到的 Muse Spark 前沿線。
- 如果你硬件與 IT 人手都有限，就先以雲端試行一個學期，用實際用量數據說服校董會是否值得投資自架，而不是先買機再找用途。
- 如果你需要高品質繁體中文評語或粵語口語練習，就保留 OpenAI 或 Azure 金鑰處理高風險輸出，本地 Meta 模型只負責日常任務。
同一家的幾條產品線
同一個供應商往往同時養著旗艦、主力、輕量與推理幾條線，價錢可以差十倍以上，選錯線比選錯供應商更常見。
| 型號 | 定位 | 發佈日期 | 上下文長度 | 輸入／輸出 | 說明 |
|---|---|---|---|---|---|
| Muse Glimmer 30B | 開源權重 | 2026-08-09 | 131K | $0.35 / $1.5 | 300 億參數密集多模態模型，由 Muse Spark 蒸餾而來，以 Apache 2.0 發佈，專為消費級硬件上的自主代理設計；官方支援 Ollama、LM Studio、llama.cpp、ExecuTorch 與 MLX。 |
| Muse Spark 1.2 | 旗艦 | 2026-08-05 | 1,000K | $1.25 / $4.25 | 閉源前沿線，100 萬 token 上下文；另有 Contributor 版本以極低價提供給貢獻資料的用戶。 |
| Muse Spark 1.1 | 旗艦 | 2026-07-16 | 1,000K | $1.25 / $4.25 | 1.2 的直接前身，同價同上下文長度。 |
| Muse Spark（取代 Llama 前沿線） | 旗艦 | 2026-04 | — | — | 2026 年 4 月 Meta 以 Muse Spark 取代 Llama 成為前沿產品線，並改為閉源；官方路線圖提及未來可能發佈 Muse Spark 開源權重。 |
| Llama 3.1 / 3.3 | 開源權重 | 2024-07-23 | — | — | 至今仍是 Ollama 上最常被學校自架的舊版開源模型，Edor.ai 本地部署的預設型號即 llama3.1。 |
幾條常被問到的問題
不必。Llama 3.1 與 3.3 權重仍可下載、在 Ollama 上仍成熟可用，Edor.ai 校內部署預設仍是 llama3.1。若需要圖像理解與代理任務，可逐步試 Muse Glimmer 30B，兩者可以並存過渡。
4-bit 量化後語言模型部分壓至 20GB 以下，官方文件標示 24GB 或 32GB 顯示記憶體可運行——即一張高階消費級顯示卡。但要同時服務全校數百人，須按同時在線人數加機，這部分應由 IT 主任與我們一起估算。
Muse Glimmer 不支援音訊輸入輸出，影片只能逐格當圖像處理。粵語口語練習仍需 OpenAI 或 Azure OpenAI 的 Whisper 與 TTS，或另行部署本地方案——完全離線會增加硬件與維運負擔。
可以，但學生端必須包在有守門與教師監控的平台內，由學校承擔風險評估責任，不能讓學生各自下載權重或使用未經評估的介面。
日常備課、工作紙變體、通告縮寫已足夠；長篇推理、繁體中文寫作評語與香港本地知識，明顯不如 GPT-6 Astra 或 Claude Fable 5.1。實務折衷是分工：常規任務走本地，高風險輸出走雲端旗艦並由教師覆核。
文中價格與規格的取材日期 2026-09
- Meta AI Research — Muse Glimmer 發佈公告
- Hugging Face — Muse Glimmer 30B 模型卡（規格、量化與授權）
- Meta AI — Muse Spark 發佈公告
- Hugging Face Blog — Muse Glimmer 本地部署說明
- Ollama — llama3.1 模型庫頁
- · 文中的價格、功能與規格以上列官方文檔為準。供應商隨時會改，採購之前請自行覆核一次。
- · 文中提及的產品名稱與商標屬各自擁有者所有。Edor.ai 與該等公司沒有合作、代理或贊助關係。
- · 這是為教育用途做的獨立整理，不是採購建議，也不是法律意見。
- · 凡涉及學生個人資料的用法，請先按學校政策與《個人資料（私隱）條例》(PDPO)評估，然後才在校內推行。
延伸閱讀
- 開源權重對閉源 API：學校自架與租用的真實帳目，以及私隱在甚麼時候改寫答案
不少學校以為買機跑開源模型一定慳錢。把 2026 年 9 月官方價格代入真實用量後，雲端 API 年費往往低過硬件回本線。本文分開算兩邊帳目，列出機房跑得起的開源型號與 24GB 門檻，並說明資料政策在甚麼條件下會令自架成為唯一合理選擇。
- 2026 年 15 家 LLM 供應商比較：價格、上下文，以及學校真正要決定的一件事
用同一組學校用量假設，把 OpenAI、Anthropic、Google、xAI、Meta、Mistral、Cursor Composer，以及 DeepSeek、Qwen、Kimi、GLM、MiniMax、豆包、混元、文心的 2026 年 9 月官方價格換算成年度帳單。能力差距在收窄，價格差距在擴大；學校要決定的不是用哪個型號，而是誰承受價格波動、換代時要付多少代價。