Muse Glimmer: Metas 30B AI-modell utmanar molnet

Meta öppnade den 10 augusti 2026 källkoden till Muse Glimmer, en 30 miljarder parametrar stor agentmodell byggd för att köras lokalt på vanliga konsument-GPU:er. Beslutet slår an en särskild ton i Norden, där Sverige samma vecka fortsätter bygga upp egen AI-infrastruktur genom Mistrals datacenter i Borlänge och det statligt finansierade GPT-SW3-projektet. Frågan som nu ställs på allvar i svenska IT-avdelningar är enkel: går det att få nära molnkvalitet utan att skicka data till någon annans server?

Muse Glimmer är inte bara ännu en modell i en redan proppfull lista. Den representerar ett strategiskt vägval från Meta, som samtidigt håller sin starkare systermodell Muse Spark helt stängd och API-baserad. Kombinationen av öppna vikter, en riktig Apache 2.0-licens och stöd för timslånga, självständiga agentsessioner gör Glimmer till den mest konkreta utmanaren hittills mot tanken att kraftfull AI måste hyras från en amerikansk molnjätte. Den här artikeln går igenom vad som faktiskt släpptes, hur det jämförs med Llama, DeepSeek och GPT-SW3, vad det betyder för den nordiska AI-marknaden och vilka regler som gäller enligt EU:s AI-förordning.

Vad är Muse Glimmer och varför spelar det roll just nu

Muse Glimmer är en tät, multimodal modell med omkring 29,6–30 miljarder parametrar, byggd av Meta Superintelligence Labs specifikt för agentanvändning. Till skillnad från klassiska chattmodeller är Glimmer konstruerad för att hålla ett tillstånd (state) över långa sessioner, återhämta sig efter fel i verktygsanrop och läsa in skärmdumpar, dokument och diagram via en inbyggd perceptionsencoder. Det är med andra ord en modell byggd för att agera, inte bara svara.

Skillnaden mot tidigare öppna modeller är licensen. Meta publicerade fulla BF16-vikter, kvantiserade varianter, den så kallade DFlash-drafter-modulen för spekulativ avkodning, samt perceptionsencodern, allt under en genuin, oförändrad Apache 2.0-licens. Det innebär att företag, myndigheter och forskare i Sverige fritt kan ladda ner, ändra och driftsätta modellen kommersiellt utan att betala licensavgift eller be om tillstånd, så länge de följer EU:s regler för hur AI-system får användas mot slutanvändare.

Kontextfönstret ligger på cirka 131 072 token (ofta avrundat till 128K), vilket räcker till långa kodbaser eller flera hundra sidor dokumentation i en och samma session. Modellen finns redan tillgänglig som vikter på Hugging Face under namnet meta-models/Muse-Glimmer-30B, med stöd för vanliga körningsformat som GGUF och ExecuTorch för att göra lokal drift på bärbara datorer och arbetsstationer praktiskt möjlig.

Lanseringen i siffror: specifikationer och tillgänglighet

Nedan sammanfattas de viktigaste teknikdata för Muse Glimmer jämfört med tre andra öppna modeller som varit centrala i sommarens AI-nyheter: DeepSeek-V4-Flash-0731, Llama 3.2 och den svenska GPT-SW3-serien från AI Sweden.

Modell	Parametrar	Licens	Kontextfönster	Lanserad	Distribution
Muse Glimmer (Meta)	~30 miljarder (tät)	Apache 2.0	~131K token	10 augusti 2026	Lokal/självhostad, Hugging Face
Muse Spark 1.2 (Meta)	Ej fullt offentliggjord	Stängd, proprietär	~1 miljon token	Augusti 2026 (dagar före Glimmer)	Molnbaserad API, Meta AI-appen
DeepSeek-V4-Flash-0731	284 mdr totalt / 13 mdr aktiva (MoE)	MIT	1 miljon token	31 juli 2026	Hugging Face, API-beta
Llama 3.2 (Meta)	1B / 3B / 11B / 90B-varianter	Llama-licens (öppna vikter)	128K token	2024, fortsatt aktiv i benchmarks	Hugging Face
GPT-SW3 (AI Sweden)	126M till 40 mdr, sex storlekar	Öppen och permissiv	2 048 token	Öppnad successivt sedan 2022	Hugging Face (AI Sweden-repo)

Det som sticker ut i tabellen är kontrasten mellan Glimmer och Spark. Glimmer är destillerad från Spark 1.2, alltså den starkare, molnbaserade modellen, men tappar medvetet en del av råstyrkan och det enorma kontextfönstret för att i stället kunna köras helt offline. Det är en klassisk avvägning mellan kapacitet och kontroll, och det är just kontrollen som gör modellen intressant för svenska organisationer med höga krav på datalokalisering.

Öppen kontra stängd: Glimmer mot Spark i praktiken

Meta har länge balanserat mellan öppen forskning och kommersiell kontroll, men sommaren 2026 har den strategin blivit tydligare uppdelad i två spår. Muse Spark är flaggskeppet: en stark, molnhostad modell som driver Metas terminalagenter och som endast nås via API eller Meta AI-appen. Muse Glimmer är den öppna motsvarigheten, avsedd för lokala, ständigt påslagna agenter som kan köra i timmar utan att skicka en enda rad kod eller ett enda dokument till en extern server.

Egenskap	Muse Glimmer 30B	Muse Spark 1.1/1.2
Vikter	Öppna, Apache 2.0	Stängda, proprietära
Drift	Lokal GPU eller egen server	Metas molninfrastruktur
Kontext	~131K token	~1M token, 131K maxutdata
Multimodalitet	Ja, inbyggd perceptionsencoder	Ja, molnoptimerad
Användningsfall	Alltid-på lokala agenter, integritetskänslig data	Generella agenter, kodverktyg, tyngre resonemang
Kostnad	Gratis vikter, egen hårdvarukostnad	API-avgift per token

För en svensk kommun, en bank eller ett sjukhus är valet mellan de två raderna i tabellen inte akademiskt. Att skicka patientdata eller myndighetshandlingar till en amerikansk molntjänst innebär juridisk komplexitet enligt GDPR och Schrems II-praxis. Att köra en 30-miljardersmodell lokalt på egen hårdvara löser det problemet direkt, förutsatt att organisationen har kompetensen och GPU-kapaciteten som krävs.

Apache 2.0 i praktiken: vad licensen faktiskt tillåter

Många öppna AI-modeller kallas “open source” trots att licensvillkoren begränsar kommersiell användning, kräver namngivning på ett visst sätt eller förbjuder användning ovanför en viss användarmängd, som fallet länge varit med Metas egna Llama-licenser. Muse Glimmer skiljer sig genom att använda en fullständig, oförändrad Apache 2.0-licens, en av de mest permissiva licenserna inom mjukvara. Det innebär fri rätt att använda, kopiera, modifiera, distribuera och sälja produkter byggda på modellen, utan royalty och utan Metas godkännande.

Skillnaden gentemot GPT-SW3, som beskrivs som öppen och permissiv men utan en lika tydligt specificerad licenstext, och gentemot DeepSeek-V4-Flash-0731, som använder MIT-licens, är marginell i praktiken men viktig juridiskt. Apache 2.0 innehåller uttryckliga patentklausuler som skyddar användare mot patentanspråk från licensgivaren, något MIT-licensen saknar. För företag som bygger produkter ovanpå modellen är den skillnaden ofta avgörande vid en juridisk riskbedömning.

Så här hämtar och kör en utvecklare modellen lokalt med standardverktyget Hugging Face Transformers:

pip install transformers accelerate

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "meta-models/Muse-Glimmer-30B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="bfloat16",
    device_map="auto"
)

prompt = "Sammanfatta den senaste kvartalsrapporten och flagga avvikelser."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(output[0], skip_special_tokens=True))

I praktiken kräver full BF16-precision fortfarande en kraftfull GPU med runt 60 gigabyte VRAM, men de kvantiserade GGUF-varianterna gör att modellen kan köras på ett enda konsumentkort med 24 gigabyte minne, vilket är den nivå som redan finns i många svenska utvecklingsteam.

Nordisk kapplöpning om AI-suveränitet

Muse Glimmer landar mitt i en period där Sverige aktivt bygger egen AI-infrastruktur för att minska beroendet av amerikanska molnleverantörer. AI Sweden driver tillsammans med RISE och WASP forskningsprojektet SE.LLMA, ett tvåårigt initiativ finansierat av Knut och Alice Wallenbergs Stiftelse (KAW). Projektet ska träna nya svenska språkmodeller som presterar väl på svenska och som speglar svensk kultur, historia och samhällsnormer, samtidigt som man bygger juridiska ramverk för att ersätta upphovspersoner vars text används i träningsdata.

Parallellt finns SELLMA, Swedish LLM Arena, som är ett separat men släktat KAW-finansierat projekt inom WASP och WARA-TRICS, aktivt mellan 22 maj och 1 december 2026 under ledning av professor Erik Lindahl på Linköpings universitet. Målet är en nationell förmåga att finjustera, utvärdera och styra stora språkmodeller för svenskt språk, samhälle och kultur, snarare än att förlita sig enbart på modeller tränade i USA eller Kina.

Initiativ	Aktör	Finansiering	Status/period	Fokus
GPT-SW3	AI Sweden, RISE, WASP, NVIDIA	Öppen release, ej offentliggjort belopp	Öppnad successivt sedan 2022	Svensk generativ språkmodell, 126M–40 mdr parametrar
SE.LLMA	WASP	Forskningsanslag från Knut och Alice Wallenbergs Stiftelse	Tvåårigt projekt, start våren 2026	Nya svenska språkmodeller och rättighetsramverk
SELLMA (Swedish LLM Arena)	WASP/WARA-TRICS	KAW-finansierat	22 maj–1 december 2026	Nationell utvärdering och styrning av LLM
Mistral-datacenter Borlänge	Mistral AI och EcoDataCenter	1,2 miljarder euro (cirka 1,4 miljarder dollar)	Driftsättning planerad 2027	Europeisk AI-infrastruktur och molnkapacitet
Muse Glimmer (lokal drift)	Meta	Kostnadsfria vikter under Apache 2.0	Släppt 10 augusti 2026	Lokala agenter utan molnberoende

Mistrals satsning i Borlänge, där EcoDataCenter bygger ut en anläggning på tjugo hektar tidigare pappersbruksmark med en första fas på 250 megawatt skalbar till 600 megawatt, har redan behandlats i detalj i tidigare rapportering på shattered.io. Det som är nytt med Muse Glimmer är att den erbjuder ett tredje alternativ utöver “bygg eget datacenter” och “hyr amerikansk molntjänst”: kör en kraftfull modell på hårdvara du redan äger.

Det trängda fältet: DeepSeek, Llama och Qwen konkurrerar om samma nisch

Muse Glimmer släpps inte i ett vakuum. Bara tio dagar tidigare, den 31 juli 2026, publicerade DeepSeek sin egen snabba modell, DeepSeek-V4-Flash-0731, med 284 miljarder totala parametrar men bara 13 miljarder aktiva per token tack vare en Mixture-of-Experts-arkitektur, ett miljontal token i kontextfönster och MIT-licens. Enligt DeepSeeks egna benchmark-tabeller når modellen 82,7 på Terminal Bench 2.1 och 76,7 på Cybergym, vilket gör den till en stark konkurrent på just agentuppgifter, samma nisch Meta siktar in Glimmer mot.

Llama 3.2 fortsätter samtidigt att användas flitigt i produktionsjämförelser, trots att den nu är en äldre generation jämfört med Glimmer. En AI-genomgång från augusti 2026 pekar på att Llama 3.2 kräver åtta token för att representera ett enda bengaliskt ord, jämfört med ett enda token för Google Gemma 3, en påminnelse om att parameterantal och licens inte är allt: tokeniseringseffektivitet för icke-engelska språk, inklusive svenska, avgör ofta den praktiska kostnaden för lokal drift.

Det är också därför projekt som GPT-SW3 och SE.LLMA fortsätter att vara relevanta trots konkurrensen från globala jättar. En modell tränad specifikt på Nordic Pile, det vill säga stora mängder skandinavisk text, hanterar svenska, norska, danska och isländska betydligt effektivare per token än en generalistmodell optimerad för engelska och kinesiska.

EU:s AI-lag och undantaget för öppen källkod

Sedan den 2 augusti 2026 gäller artikel 50 i EU:s AI-förordning, som kräver att AI-system som interagerar med människor eller genererar syntetiskt innehåll är transparenta om att innehållet är AI-genererat. Samtidigt innehåller förordningen ett uttryckligt undantag för öppen källkod: enligt artikel 2(12) omfattas inte AI-system som släpps under fria och öppna licenser av huvuddelen av regelverket, såvida de inte klassas som högrisksystem eller faller under de förbjudna användningsområdena i artikel 5.

För leverantörer av generella AI-modeller under öppen licens, som Muse Glimmer, GPT-SW3 och DeepSeek-V4-Flash-0731, innebär artikel 53(2) dessutom lättnader från vissa dokumentationskrav, förutsatt att modellen inte klassas som en systemrisk-modell. Sveriges egen anpassningsutredning till AI-förordningen bekräftar samma linje: kraven på detaljerad teknisk dokumentation gäller inte leverantörer av AI-modeller som släpps under en fri och öppen licens som möjliggör tillgång, användning, modifiering och distribution av modellen.

Det ger Muse Glimmer en regulatorisk fördel jämfört med stängda molntjänster som Muse Spark eller ChatGPT, som fortsatt måste uppfylla full dokumentationsplikt. Samtidigt kvarstår transparenskraven i artikel 50 oavsett licensmodell, så en svensk myndighet som bygger en chattbot ovanpå Glimmer måste ändå informera användare om att de pratar med en AI. Läs mer om EU:s officiella resurssida för AI-förordningen.

Vad experterna säger om öppen AI och europeisk kontroll

Debatten om öppen kontra stängd AI, och om vem som i slutändan kontrollerar infrastrukturen, har fått extra bränsle av sommarens satsningar. Mistrals vd och medgrundare Arthur Mensch har varit tydlig med varför öppenhet och europeisk infrastruktur hänger ihop:

“This investment is a concrete step toward building independent capabilities in Europe, dedicated to AI.” (Ungefärlig översättning: “Den här investeringen är ett konkret steg mot att bygga oberoende kapacitet i Europa, dedikerad till AI.”)
Arthur Mensch, vd och medgrundare, Mistral AI, i pressmeddelandet om Borlänge-satsningen (EcoDataCenter)

Mensch har också formulerat filosofin bakom öppna modeller mer principiellt, i en kommentar som ligger nära det Meta nu praktiskt levererar med Glimmer:

“We exist to make sure that everyone gets access to the best AI systems, outside of centralised control exercised by states or corporations that feel the need to control in-fine deployment of AI.” (Ungefärlig översättning: “Vi finns till för att säkerställa att alla får tillgång till de bästa AI-systemen, utanför den centraliserade kontroll som utövas av stater eller företag som känner behov av att styra den slutliga driftsättningen av AI.”)
Arthur Mensch, vd och medgrundare, Mistral AI (Sifted)

På den svenska sidan av samarbetet beskriver EcoDataCenters vd Peter Michelson varför lokal infrastruktur, inte bara lokala modellvikter, är en del av samma rörelse:

“Together with Mistral AI, we are building high-performance AI infrastructure on Swedish soil – with sustainability, resilience and European strategic autonomy at its core.” (Ungefärlig översättning: “Tillsammans med Mistral AI bygger vi högpresterande AI-infrastruktur på svensk mark, med hållbarhet, motståndskraft och europeisk strategisk autonomi i centrum.”)
Peter Michelson, vd, EcoDataCenter (LinkedIn)

Gemensamt för citaten är en tydlig linje: både molninfrastruktur och modellvikter beskrivs nu explicit som en fråga om suveränitet, inte bara teknik. Muse Glimmer bidrar till samma berättelse, fast från ett annat håll, genom att flytta beslutet om var data faktiskt bearbetas ner till den enskilda organisationen snarare än till en molnleverantörs servrar.

Marknadspåverkan: hur molnleverantörer och startups reagerar

För molnjättar som redan säljer GPU-kapacitet, inklusive AWS, Azure och Google Cloud, är effekten av Glimmer indirekt men reell. En kraftfull, gratis modell som kan köras lokalt minskar incitamentet för mindre och medelstora svenska bolag att teckna dyra API-avtal för agentarbetsflöden som inte kräver den absolut starkaste resoneringsförmågan. Samtidigt ökar det efterfrågan på just den GPU-hårdvara molnleverantörerna säljer tillgång till, vilket delvis kompenserar tappet.

För nordiska AI-startups öppnar Glimmer en ny produktkategori: konsulter och mjukvarubolag kan nu bygga och sälja på-plats-lösningar för myndigheter, sjukhus och banker utan att behöva förhandla datahanteringsavtal med en amerikansk leverantör. Flera svenska konsultbolag inom offentlig sektor har redan börjat utvärdera lokala agentmodeller som en väg att uppfylla både GDPR och de skärpta NIS2-kraven på hantering av känslig infrastrukturdata.

Samtidigt varnar branschbedömare för att “öppen” inte automatiskt betyder “enkelt”. Att driftsätta en 30-miljardersmodell säkert, med rätt åtkomstkontroll, loggning och uppdateringsrutiner, kräver kompetens som många mindre organisationer helt enkelt saknar internt. Det skapar i sin tur en ny marknad för managerade lokala AI-driftstjänster, ett område där både svenska och internationella leverantörer nu positionerar sig.

Säkerhetsriskerna med alltid-på lokala agenter

En modell byggd för att hålla tillstånd över timslånga sessioner, läsa skärmdumpar och köra verktyg självständigt introducerar ett nytt hot: agenter som har mer varaktig åtkomst till filsystem, e-post och interna system än en vanlig chattbot. Säkerhetsforskare har redan under sommaren 2026 pekat på en kritisk sårbarhet i Ray, det distribuerade ML-ramverk som bland annat OpenAI, Amazon och Apple använder för att skala maskininlärning, där den amerikanska myndigheten CISA gav federala myndigheter tre dagar att patcha efter att en botnet redan hunnit utnyttja sårbarheten.

Samma typ av risk gäller principiellt för lokalt driftsatta agentmodeller som Muse Glimmer: om agenten ges för breda behörigheter, eller om verktygsanropen inte saneras korrekt, kan en promptinjektion i ett dokument agenten läser leda till att den utför oönskade handlingar i det lokala systemet. Fördelen är att attackytan blir mer begränsad och kontrollerbar jämfört med en molntjänst, eftersom organisationen själv äger nätverksgränserna. Nackdelen är att ansvaret för patchning, isolering och behörighetsstyrning helt flyttas till den egna IT-avdelningen.

Historisk kontext: från GPT-SW3 till dagens öppna agentmodeller

Sveriges satsning på öppna språkmodeller är äldre än sommarens rubriker. GPT-SW3 utvecklades från start av AI Sweden tillsammans med RISE på Linköpings universitets superdator Berzelius, med stöd av NVIDIA och WASP, och byggde vidare på Megatron-ramverket. Modellen tränades på cirka 320 miljarder token med en blandning av svenska, norska, danska, isländska, engelska och kod, och släpptes i sex storlekar från 126 miljoner till 40 miljarder parametrar. Vikterna finns öppet tillgängliga via AI Swedens Hugging Face-repo.

Det arvet är en del av varför Sverige idag ligger relativt väl positionerat för att dra nytta av modeller som Muse Glimmer. Organisationer som redan har erfarenhet av att köra och finjustera GPT-SW3 lokalt har infrastruktur, kompetens och rutiner som direkt går att återanvända för nästa generations öppna agentmodeller. Det är också bakgrunden till varför AI Sweden inom ramen för sin NLU-strategi redan har byggt en skandinavisk anpassning av Metas egen Llama 3 8B, tränad med Nordic Pile-data, samt en juridisk specialistmodell kallad Tyr som slår ihop en svensk Mistral-variant med den engelska juridikmodellen Saul.

Fem förutsägelser för hösten och vintern 2026

Fler nordiska finjusteringar: förvänta er att AI Sweden, RISE eller ett svenskt universitet inom SE.LLMA-projektet publicerar en skandinavisk anpassning av Muse Glimmer, på samma sätt som redan skett med Llama 3 8B.
Ny prispress på API-tjänster: när en gratis, lokalt körbar 30-miljardersmodell finns tillgänglig ökar trycket på molnleverantörer att sänka priser för mellanstora agentuppgifter, särskilt i segment där Glimmers kapacitet räcker.
Fler managerade lokala AI-tjänster: svenska IT-konsulter kommer att paketera Glimmer-drift som en tjänst riktad mot vård, myndigheter och bank, med fokus på GDPR- och NIS2-efterlevnad snarare än råstyrka.
Skärpt granskning av agentbehörigheter: efter sommarens Ray-sårbarhet och det växande antalet alltid-på-agenter väntas svenska säkerhetsmyndigheter, inklusive MSB, ge ut konkreta rekommendationer för hur lokala AI-agenter bör isoleras och övervakas.
Meta pressar Muse Spark hårdare mot företagsmarknaden: eftersom Glimmer tar hand om lågkomplexa, lokala agentbehov väntas Meta positionera Spark ännu tydligare som en premiumtjänst för uppgifter som kräver det miljonstora kontextfönstret och tyngre resonemang.

Vanliga frågor om Muse Glimmer

Är Muse Glimmer helt gratis att använda kommersiellt?

Ja. Modellen släpps under en fullständig, oförändrad Apache 2.0-licens, vilket tillåter kommersiell användning, modifiering och vidaredistribution utan royalty till Meta. Den enda kostnaden är den hårdvara och drift som krävs för att köra modellen själv.

Vilken hårdvara krävs för att köra Muse Glimmer lokalt?

Full BF16-precision kräver ungefär 60 gigabyte GPU-minne, medan kvantiserade GGUF-varianter kan köras på ett enskilt konsumentgrafikkort med runt 24 gigabyte VRAM, en nivå som redan finns i många utvecklingsmiljöer.

Hur skiljer sig Muse Glimmer från Muse Spark?

Glimmer är öppen, lokalt körbar och destillerad från Spark, med ett mindre kontextfönster på cirka 131K token. Spark är Metas stängda, molnbaserade flaggskeppsmodell med upp till en miljon token i kontext, tillgänglig enbart via API eller Meta AI-appen.

Är Muse Glimmer bättre än DeepSeek-V4-Flash-0731?

De löser delvis olika problem. DeepSeek-V4-Flash-0731 är större totalt sett (284 miljarder parametrar mot Glimmers 30 miljarder) men aktiverar bara en bråkdel per token tack vare sin MoE-arkitektur och presterar starkt på publicerade agentbenchmarks. Glimmer är däremot byggd specifikt för lätt, lokal drift på konsumenthårdvara, ett användningsfall DeepSeeks betydligt större modell inte är optimerad för.

Påverkar EU:s AI-lag hur jag får använda Muse Glimmer i Sverige?

Modellens öppna licens gör att den undantas från flera av AI-förordningens dokumentationskrav enligt artikel 53(2), men transparenskraven i artikel 50 gäller fortsatt om du bygger en produkt som interagerar med användare eller genererar syntetiskt innehåll.

Kan Muse Glimmer ersätta GPT-SW3 för svenska användningsfall?

Inte direkt. GPT-SW3 är tränad specifikt på nordiska språk och är effektivare per token för svensk text, medan Glimmer är en generalistmodell optimerad för agentuppgifter. Flera svenska aktörer väntas i stället kombinera de två, eller vänta på en skandinavisk finjustering av Glimmer inom ramen för SE.LLMA.

Var laddar jag ner Muse Glimmer på ett säkert sätt?

Officiella vikter publiceras av Meta på Hugging Face under kontot meta-models. Ladda alltid ner direkt från den officiella källan och verifiera checksummor innan modellen driftsätts i en produktionsmiljö.

Slutsats: ett tredje spår mellan eget datacenter och molnabonnemang

Muse Glimmer löser inte AI-suveränitetsfrågan på egen hand, men den lägger till ett verktyg som tidigare saknades i Norden: en modell stark nog för verkliga agentuppgifter, öppen nog för att granskas och ändras fritt, och lätt nog för att köras på hårdvara en normal organisation redan kan skaffa. Kombinerat med Sveriges egna satsningar på GPT-SW3 och SE.LLMA, och Mistrals miljardinvestering i Borlänge, pekar sommaren och hösten 2026 mot en nordisk AI-marknad som blir allt mindre beroende av ett enda spår, oavsett om det spåret heter molnabonnemang eller egen datacenterbyggnation.

Muse Glimmer: Metas 30B AI-Modell Utmanar Molnet [2026]