SSD Nodes Learn Hosting plans →
Guide Matt ConnorDi Matt Connor · Aggiornato 2026-10-26

Muse Glimmer 30B su VPS: RAM, disco e CPU

I tag Linux di Muse Glimmer vanno da 18 a 59 GB: calcola RAM e disco necessari su un VPS prima del pull e valuta i costi dell’inferenza solo CPU.

Cosa richiede Muse Glimmer su un VPS

Muse Glimmer funziona su un normale VPS Linux senza GPU. Il tag scaricato determina se il modello rientra nella memoria disponibile. Meta Superintelligence Labs ha pubblicato il modello il 10 agosto 2026 con licenza Apache 2.0: 30 miliardi di parametri, una finestra di contesto di 128K e un encoder di percezione dedicato da 1.8B parametri, che consente di elaborare immagini oltre al testo. Meta lo propone per agenti locali sempre attivi, non per la chat, con una capacità di ragionamento configurabile per ogni richiesta.

I tag Ollama pubblicati che funzionano su Linux, verificati il 25 ottobre 2026, occupano da 18 GB a 59 GB. Questo intervallo determina interamente il dimensionamento. L'elenco completo dei tag parte da un valore inferiore e arriva a uno superiore, rispettivamente 17 GB e 65 GB, ma si tratta di tag MLX progettati per Apple Silicon e quindi non sono rilevanti per un server Linux. Il tag predefinito è indicato con una dimensione di circa 18 GB. Il server più piccolo utilizzabile deve quindi avere chiaramente più di 18 GB di RAM libera. A questo va aggiunto lo spazio su disco necessario per il download e la memoria richiesta dalla finestra di contesto.

Quale tag muse-glimmer dovresti scaricare?

GraficoPublished muse-glimmer tag sizes on 25 October 2026 (Linux tags only)
I dati alla base di questo grafico
[
  {
    "label": "30b (default)",
    "size_gb": 18
  },
  {
    "label": "30b-q4_K_M",
    "size_gb": 18
  },
  {
    "label": "30b-q4_K_M-dflash",
    "size_gb": 20
  },
  {
    "label": "30b-q8_0",
    "size_gb": 31
  },
  {
    "label": "30b-q8_0-dflash",
    "size_gb": 33
  },
  {
    "label": "30b-bf16",
    "size_gb": 57
  },
  {
    "label": "30b-bf16-dflash",
    "size_gb": 59
  }
]

Ollama elenca 7 tag per questo modello senza l'etichetta MLX, escluso l'alias latest. I tag standard contengono gli stessi 30 miliardi di pesi, memorizzati con precisioni numeriche diverse. I tag -dflash contengono questi pesi e una seconda rete più piccola, descritta di seguito. Per questo motivo, ciascuno di essi ha una dimensione maggiore rispetto al tag standard corrispondente. La dimensione indicata è quella del download ed è anche, all'incirca, la quantità di memoria che devi avere disponibile prima di aggiungere il contesto.

La build a 4 bit è quella più piccola: 30b-q4_K_M, con 18 GB. Il tag predefinito 30b identifica la stessa build con un altro nome e ha lo stesso digest nella pagina del tag. La build a 8 bit è 30b-q8_0, con 31 GB. 30b-bf16 è la release non quantizzata a 16 bit, con 57 GB: richiede più RAM di quella offerta dalla maggior parte dei server a noleggio a un prezzo ragionevole per un progetto secondario. Il tag 30b-nvfp4 da 17 GB, più piccolo sulla carta, e il tag 30b-mxfp8 a 8 bit da 33 GB hanno entrambi l'etichetta MLX, quindi sono esclusi dalla tabella. La sezione successiva spiega il motivo.

I tag -dflash aggiungono il drafter DFlash di Meta, che la scheda del modello descrive come "una piccola rete complementare che propone interi blocchi di token alla volta": 5 layer di elaborazione preliminare che predicono blocchi di 16 token. È una funzione di decodifica speculativa progettata per aumentare la velocità. La pagina del modello di Ollama indica il supporto a DFlash come parte del motore MLX su Apple Silicon. Su un VPS con la sola CPU, richiede circa 2 GB di memoria reale aggiuntiva per un drafter i cui vantaggi sul tuo hardware non hai ancora misurato. Inizia quindi con il tag standard e modifica una sola variabile alla volta.

Inizia con 4 bit, salvo un motivo specifico per scegliere diversamente. Passando da 4 bit a 8 bit, raddoppiano all'incirca i byte che la CPU deve leggere per ogni token generato. Il throughput diminuisce, mentre l'uso della memoria aumenta. Questo compromesso è descritto in quanto costano realmente le quantizzazioni q4, q8 e fp16, ma su un sistema con sola CPU la risposta breve è che la build a 4 bit è l'unica da cui conviene iniziare.

Perché i tag MLX non fanno nulla su un server Linux

MLX è il framework di array di Apple e il motore MLX di Ollama è il backend per Apple Silicon. Quando Ollama lo ha annunciato, l'istruzione era: «assicurati di avere un Mac con più di 32GB di memoria unificata». Ogni tag che la pagina dei tag indica come MLX è compilato per quel motore e per quell'hardware. L'etichetta non è sempre inclusa nel nome: per questo modello riguarda 30b-nvfp4, 30b-mxfp8 e le relative varianti -dflash, oltre a ogni tag che contiene mlx. Su una VPS Linux x86, ciascuno di questi file richiede decine di gigabyte di download, ma non può essere eseguito e occupa spazio su disco senza essere utilizzabile. Qualsiasi dato sulle prestazioni misurato su un Mac si riferisce a quei tag e quindi non descrive il tuo server. Quando leggi l'elenco dei tag nella pagina del modello, escludi prima tutti i tag con l'etichetta MLX, quindi dimensiona la configurazione in base a quelli rimasti.

Quanta RAM e spazio su disco servono realmente?

Due componenti richiedono memoria, e solo una dipende dalla dimensione del tag. I pesi sono determinati dal tag che scarichi. La cache KV, cioè lo stato per token che il modello mantiene per la conversazione, cresce con la lunghezza del contesto configurata. La documentazione di Ollama specifica che la gestione di richieste parallele moltiplica il contesto per il numero di richieste in corso. Un server che risponde contemporaneamente a due agenti richiede quindi più memoria dello stesso server quando risponde a un solo agente.

Non usare il valore della RAM indicato in una guida, inclusa questa. Scarica il tag, inviagli un prompt e, mentre il modello è ancora residente, esegui questi due comandi.

ollama ps
free -h

ollama ps mostra ciò che è attualmente caricato e come il carico è distribuito tra CPU e GPU. free -h mostra la memoria ancora disponibile. Questi due output, ottenuti dal tuo server, sono più affidabili di qualsiasi tabella pubblicata, perché includono già la configurazione del contesto, la quantizzazione e tutto il resto eseguito dal server.

Lo spazio su disco è la parte più semplice. Su Linux, Ollama memorizza i modelli in /usr/share/ollama/.ollama/models, che nella maggior parte delle immagini VPS si trova sul filesystem root. Un volume root da 40GB non può contenere la build bf16 da 57 GB e non può contenere neppure le build a 8 bit e a 4 bit una accanto all'altra. Se non hai mai verificato quali file vengono scritti da un pull, dove Ollama memorizza i modelli e come spostarli descrive quella directory. Sposta lo store su un volume montato prima di scaricare qualsiasi modello.

sudo systemctl edit ollama
[Service]
Environment="OLLAMA_MODELS=/mnt/models"
sudo mkdir -p /mnt/models
sudo chown -R ollama:ollama /mnt/models
sudo systemctl daemon-reload
sudo systemctl restart ollama

L'utente ollama deve essere proprietario di quella directory, perché il servizio viene eseguito come ollama e vi scrive i blob con quell'account. Se un pull fallisce per un problema di permessi, in journalctl -u ollama -n 50 compare la causa.

Per lo swap serve una precisazione: lo swap non consente di eseguire un tag più grande. La generazione accede ai pesi per ogni token prodotto. Di conseguenza, i pesi che si trovano nello swap vengono letti ripetutamente dal disco, vmstat 1 mostra occupate le colonne si e so e la generazione rallenta fino a richiedere secondi per token. Mantieni un file di swap di piccole dimensioni come protezione contro l'azione dell'out of memory killer. Dimensiona la RAM in base al tag che vuoi realmente usare.

Installare Ollama e fissare un tag nominativo

curl -fsSL https://ollama.com/install.sh | sh
ollama --version
systemctl status ollama

Lo script di installazione configura un servizio systemd, quindi il server torna operativo dopo un riavvio. Se preferisci non eseguirlo come servizio di sistema gestito da root, eseguire Ollama senza root con Podman illustra questa soluzione. Poi scarica un tag esplicito.

ollama pull muse-glimmer:30b
ollama list

Leggi direttamente la colonna delle dimensioni in ollama list e confrontala con l’elenco dei tag attuali nella pagina del modello. I tag pubblicati vengono aggiunti, rinominati e rimossi, mentre una dimensione riportata in una guida è una fotografia di un singolo giorno.

Non scrivere mai ollama pull muse-glimmer su un server da cui dipendi. Un nome di modello senza tag viene risolto nel tag latest, mentre latest è un puntatore che il publisher può spostare su una build diversa. Un normale pull sostituisce quindi il modello usato dal tuo agent, con requisiti di memoria e comportamento differenti, senza che nei log venga indicato il cambiamento. Scrivi il tag negli script, nei file unit e nella configurazione del tuo agent. Self-hosting di un LLM con Ollama su un VPS illustra il resto della configurazione del server.

È possibile eseguire Muse Glimmer senza una GPU?

Sì, ma è importante chiarire i limiti. Per generare un token è necessario leggere i pesi del modello dalla memoria, quindi la velocità dipende dalla larghezza di banda della memoria, non dal numero di vCPU dichiarato dal piano. Oltre alcuni core, aggiungerne altri offre vantaggi minimi. Su un VPS condiviso, questa larghezza di banda è condivisa con tutti gli altri tenant dell'host; per questo un modello 30B a 4 bit produce pochi token al secondo.

Non fidarti dei valori indicati da altri, incluso il mio. Misura i token al secondo sul tuo server e valuta il risultato ottenuto.

Ne deriva una distinzione netta negli scenari in cui il modello è efficace. La chat interattiva è poco pratica, perché leggi più velocemente di quanto il server riesca a generare il testo e ogni risposta inizia dopo una lunga pausa. Le attività agentiche in background funzionano bene, perché un'attività eseguita senza supervisione per dieci minuti non risente della lentezza. È esattamente il tipo di carico di lavoro che Meta descrive per questo modello.

Se ti serve una velocità interattiva, le risposte realistiche sono due: una GPU o un'API in hosting. Calcola il punto di pareggio tra un GPU VPS e i token API prima di noleggiare una risorsa, quindi consulta cosa offre realmente un GPU VPS per capire che cosa stai acquistando. Per una valutazione più generale dei modelli che un determinato server può contenere, inizia da quali modelli puoi eseguire in self-hosting; eseguire un modello Qwen di dimensioni simili su un VPS è il confronto più vicino per questa classe dimensionale. Se le misurazioni risultano troppo lente per un uso pratico, Nemotron 3.5 Lightning su un VPS pone le stesse domande su RAM e token al secondo per un modello progettato per la velocità anziché per le dimensioni.

Perché dimentica le informazioni molto prima di 128K token?

Su un server senza GPU, la finestra di contesto predefinita di Ollama è di 4096 token, indipendentemente da quella supportata dal modello. Le FAQ di Ollama indicano 4096 come valore predefinito. Inoltre, la documentazione sulla lunghezza del contesto, consultata il 25 October 2026, adatta il valore predefinito alla memoria della GPU: 4k con meno di 24 GiB di VRAM, 32k da 24 a 48 GiB e 256k con almeno 48 GiB. Un VPS che usa solo la CPU rientra nel livello più basso. Il tag pubblicizza 128K, ma il server passa al modello un contesto di 4096 token finché non specifichi un valore diverso. Di conseguenza, una lunga trascrizione dell'agente perde i turni iniziali e il modello sembra avere problemi di memoria.

Aumenta il valore sul server per ogni richiesta:

[Service]
Environment="OLLAMA_CONTEXT_LENGTH=32768"

All'interno di una sessione interattiva, /set parameter num_ctx 32768 modifica il valore soltanto per quella sessione. Tramite API, invia num_ctx nelle opzioni della richiesta.

Ogni token aggiuntivo del contesto richiede memoria oltre a quella usata dai pesi del modello. Se richiedi l'intero contesto di 128K su un server dimensionato soltanto per i pesi, il caricamento può fallire oppure ricorrere a una modalità più lenta. Aumenta il valore gradualmente ed esegui ollama ps dopo ogni incremento. Come funzionano num_ctx e la lunghezza del contesto in Ollama illustra i calcoli.

Forza del ragionamento: low, medium, high e xhigh

Meta documenta quattro livelli di ragionamento per Muse Glimmer, da low a xhigh, e raccomanda i due livelli più alti per le attività di programmazione complesse e per quelle eseguite da agenti. In Ollama questo controllo passa dal parametro think. Usa --think= dalla riga di comando oppure invia think nel corpo della richiesta API.

ollama run muse-glimmer:30b --think=high "Summarise the changes in /tmp/patch.diff"

All'interno di una sessione interattiva, /set think e /set nothink attivano o disattivano questa funzione. La documentazione di Ollama sul thinking, consultata il 25 ottobre 2026, indica di usare /api/show per scoprire i valori supportati da un modello. Un modello che espone i metadati del thinking li elenca in thinking.values: possono essere valori booleani per un controllo on/off oppure nomi definiti dal modello per i diversi livelli. La documentazione indica di usare il valore esatto riportato. Non tutti i modelli pubblicano questo elenco: se thinking manca nella risposta, il modello non dispone di metadati sul thinking. La stessa pagina specifica che un nome non supportato ricade sul valore predefinito del modello. Un livello scritto in modo errato quindi non genera un errore, ma viene eseguito silenziosamente con il valore predefinito. L'help della riga di comando elenca soltanto true, false, high, medium e low e passa al server qualsiasi altra stringa senza verificarla. Leggi quindi ciò che /api/show restituisce per muse-glimmer:30b invece di procedere per tentativi e prova manualmente un valore prima di integrarlo in un agente.

Su una macchina che usa solo la CPU questa impostazione ha un impatto concreto. Un livello più alto genera più token di ragionamento prima che compaia la prima parola della risposta e ogni token di ragionamento richiede lo stesso tempo di clock di un token della risposta. Per le attività di routine, mantieni il livello low. Anche la lunghezza della risposta richiede la stessa attenzione: limita la risposta con num_predict invece di lasciare che una singola risposta prolissa occupi una macchina lenta per diversi minuti.

Mantieni il modello caricato per un agente sempre attivo

Per impostazione predefinita, Ollama scarica un modello inattivo dopo cinque minuti. Per un agente che viene eseguito ogni dieci minuti, questo significa caricare ogni volta dal disco tutti i 18 GB del modello. Su un VPS con storage collegato tramite rete, il caricamento non è rapido. Mantieni invece il modello in memoria.

[Service]
Environment="OLLAMA_KEEP_ALIVE=-1"

Un valore negativo mantiene il modello residente finché un'operazione non lo scarica, mentre keep_alive in una richiesta API sostituisce il valore predefinito del server per quella singola chiamata. Il costo è concreto: la RAM resta occupata anche quando non è in corso alcuna attività. Usa quindi questa impostazione su un sistema dedicato all'agente. Mantenere un modello Ollama caricato descrive le varianti disponibili.

Indirizzarlo a un agente di coding

Ollama espone un'API compatibile con OpenAI all'indirizzo http://127.0.0.1:11434/v1, quindi la maggior parte degli strumenti per agenti si connette usando un URL di base e una chiave API non vuota. La pagina Muse Glimmer di Ollama documenta inoltre una scorciatoia di avvio che collega, con un solo comando, un agente supportato a un modello locale. Anche in questo caso, specifica il tag in modo esplicito.

ollama launch claude --model muse-glimmer:30b

Gli agenti inviano prompt voluminosi. Il contenuto dei file, l'output degli strumenti e una trascrizione che cresce nel tempo arrivano tutti come token di input. Su una macchina con CPU, l'elaborazione del prompt è la fase più onerosa, prima ancora che inizi la generazione. Mantieni l'impostazione del contesto al valore più basso compatibile con l'attività. Collegare un agente di coding a Ollama tratta il lato client, eseguire un agente di coding su un VPS tratta la macchina su cui viene eseguito e controllare i costi di un agente su un VPS tratta ciò che accade quando l'agente rimane in esecuzione tutto il giorno.

L'input di immagini funziona nello stesso modo. L'API di Ollama accetta le immagini nel campo images di un messaggio. Un client che supporta solo testo non ne invierà mai, indipendentemente dalle capacità dell'encoder di percezione.

Non aprire la porta 11434

L'API di Ollama non dispone di autenticazione. Impostare OLLAMA_HOST=0.0.0.0:11434 per raggiungerla dal laptop espone su Internet un motore di esecuzione dei modelli privo di autenticazione. Chiunque lo individui può caricare modelli sul disco e leggere tutto ciò che l'agente invia tramite il servizio. Lascialo in ascolto su localhost e usa invece un tunnel.

ssh -N -L 11434:127.0.0.1:11434 user@your-vps

Protezione dell'endpoint dell'API di Ollama illustra le opzioni corrette, incluso un reverse proxy che richiede credenziali.

Cosa si rompe e cosa vedrai

Il download si interrompe a metà. Spazio su disco insufficiente. Esegui df -h sulla directory del modello. Una build bf16 da 57 GB non entra in un volume root da 40GB; lo stesso vale per le build a 8 bit e a 4 bit se vengono mantenute entrambe.

Il modello viene caricato, poi il processo termina. Memoria insufficiente. dmesg -T registra il processo scelto dal kernel out of memory killer, mentre journalctl -u ollama -n 100 mostra lo stesso evento dal lato del servizio. La soluzione è usare un tag più piccolo o un num_ctx più piccolo. Aggiungere swap non risolve il problema.

Il modello funziona a diversi secondi per token. Esegui vmstat 1 e osserva le colonne si e so. Un'attività di swap costante indica che i pesi non entrano nella RAM e che il sistema li rilegge dal disco durante l'esecuzione.

Un tag che funzionava la settimana scorsa non è più disponibile. Gli elenchi dei tag cambiano. Consulta nuovamente la pagina del modello, blocca la versione attuale e annota il nome del tag in un luogo che controllerai di nuovo.

Verifica nuovamente le dimensioni prima del download

Le dimensioni nella tabella sono state rilevate dalla pagina dei tag del modello il 25 October 2026; un elenco di tag pubblicato non costituisce una garanzia. Leggi l'elenco attuale nella pagina del modello, quindi verifica cosa è stato effettivamente salvato sul disco:

ollama pull muse-glimmer:30b
ollama list
sudo du -sh /usr/share/ollama/.ollama/models

Ollama memorizza i layer del modello come blob condivisi, quindi due tag che condividono un layer non occupano il doppio dello spazio su disco. Confronta il valore riportato da du con la dimensione pubblicata e pianifica lo spazio su disco in base al valore maggiore tra i due.

FAQ

Quanta RAM richiede Muse Glimmer su un VPS?

Parti dalle dimensioni del tag e aggiungi la finestra di contesto. Il tag predefinito occupa circa 18 GB al 25 October 2026, quindi un server da 16GB non può contenerlo e uno da 24GB lo contiene lasciando poco spazio per il contesto. Considera questo dato un punto di partenza, non una risposta definitiva. Scarica il tag, caricalo una volta, quindi esegui ollama ps e free -h sul tuo server e leggi i valori effettivi. Un contesto più lungo e le richieste parallele aggiungono ulteriore consumo di memoria oltre ai pesi del modello.

Posso eseguire Muse Glimmer senza una GPU?

Sì. Il modello viene caricato e risponde su un VPS che usa soltanto la CPU. La velocità di generazione è limitata dalla larghezza di banda della memoria, non dal numero di core. Su un host condiviso, tale larghezza di banda è condivisa, quindi a 4-bit devi aspettarti pochi token al secondo. È utilizzabile per attività di agenti eseguite in background senza supervisione, ma risulta lenta per la chat interattiva. Esegui ollama ps durante una richiesta e leggi la colonna del processore per verificare dove viene eseguito il lavoro.

I tag MLX sono utili su un VPS Linux?

No. Ogni tag che la pagina dei tag identifica come MLX è compilato per il motore MLX di Ollama, ovvero il backend per Apple Silicon. Questo vale anche per 30b-nvfp4 e 30b-mxfp8, sebbene i relativi nomi non contengano mlx. Su un server Linux x86, questi tag sono download di grandi dimensioni che non puoi eseguire. Usa il tag 30b semplice oppure uno degli altri tag non MLX e ignora i benchmark eseguiti su hardware Apple associati alle build MLX.

Perché il modello dimentica le informazioni molto prima di 128K token?

Perché su un server senza GPU, la finestra di contesto predefinita di Ollama è di 4096 token, indipendentemente dal contesto supportato dal modello. Il server tronca quindi le conversazioni lunghe prima che il modello possa riceverle. Imposta OLLAMA_CONTEXT_LENGTH sul server, oppure /set parameter num_ctx per una sola sessione, oppure invia num_ctx nelle opzioni della richiesta API. Il consumo di memoria aumenta insieme a questo valore, quindi incrementalo gradualmente e controlla ollama ps ogni volta.

Devo fissare il tag o posso usare semplicemente latest?

Fissalo. muse-glimmer senza un tag viene risolto in latest. Si tratta di un puntatore che il publisher può spostare in qualsiasi momento verso una build diversa, quindi un normale pull può cambiare il modello eseguito dal tuo agente. Scrivi muse-glimmer:30b negli script, nei file delle unità e nella configurazione dell'agente. Controlla l'elenco dei tag nella pagina del modello prima di fissarne uno, perché i tag pubblicati possono cambiare.

Questo articolo ti è stato utile?