Meta Muse Glimmer：ローカルエージェントを動かす30Bオープンウェイトモデル

Muse GlimmerはMetaの新しいオープンウェイトAIモデルです。300億パラメータ、Apache 2.0ライセンスで提供され、クラウドではなく自分のノートパソコン上で常時稼働するAIエージェントを動かすために設計されています。2026年8月10日にMeta Superintelligence Labsからリリースされ、より大きなMuse Sparkモデルから蒸留されており、コンシューマー向けGPU1枚で動作します。これはMetaがオープンリリースに回帰し、明確な賭けに出たことを意味します。エージェントの未来は、小型で、プライベートで、ローカルであるという賭けです。Muse Glimmerとは何か、ベンチマーク結果、必要なハードウェア、そしてどこに位置づけられるかを解説します。

Muse Glimmerとは？

Muse Glimmerは、Meta Superintelligence Labsが開発した300億パラメータの密なマルチモーダルモデルで、Hugging Face上でパーミッシブなApache 2.0ライセンスのもとウェイトが公開されています。Metaは常時稼働のローカルエージェントワークフロー向けに最適化されていると説明しており、ローカルエージェント、関数呼び出し、ローカルコーディング、LLM-as-a-judge評価に対応し、コンシューマー向けGPU1枚を搭載したMacやPCで動作するほど小型です。

このフレーミングは重要です。MetaはMuse Glimmerをフロンティアの巨人ではなく、GoogleのGemmaやAlibabaのQwenと比較し、同サイズクラスのリーダーとして位置づけ、未来は巨大なクラウドシステムだけでなく、自分のマシン上で動く小型モデルにもあるという賭けを示しています。

Metaはまた、より強力な基盤モデルであるMuse Spark 1.2のオープンウェイトも近日公開予定と述べており、Muse Glimmerは単発リリースではなく、新しいオープンウェイトファミリーの最初の一手となる可能性が高いです。(CNBC)

スペック一覧

これらのうちいくつか、特にベンチマークとローカルハードウェアの話は、このリリースの核心であるため、以下で詳しく説明します。

Metaの学習方法

Muse Glimmerは蒸留アプローチを採用しています。より大きなモデルの知識を、自宅で動かせるほど小さなものに凝縮しています。Metaのモデルカードによると、学習は3つのフェーズで実施されました。

• 事前学習：教師モデルと同様のデータミックスを用いて、Muse Sparkの出力に対するロジット蒸留を実施。
• 中間学習：より長いコンテキストとエージェント重視のデータ、豊富な推論トレース、およびオーガニックデータを使用。
• 後処理学習：一般、推論、コーディング、エージェント領域にわたる教師ありファインチューニング、オンポリシー蒸留、強化学習を組み合わせ。(Meta AI)

Metaは、Advanced AI Scaling Frameworkのもとでモデルを評価し、すべての関連する安全カテゴリにわたってオープンウェイトリリースの適否を審査したと述べています。

Muse Glimmerが得意とすること

Metaはこれをチャットボットではなく、本格的なエージェントとして位置づけています。強調されている機能は、実際のエージェントワークフローに直接対応しています。

• エンドツーエンドのタスク完了：DeepSearch QA、MCP-Atlas、𝜏-Bench、SWE-Benchなどのベンチマークで、スキャフォールド内での動作、コードの記述・デバッグ、マルチターンリクエストの最初から最後までの解決を実現。
• 信頼性の高いツール使用：長いワークフロー全体を通じて、正確なスキーマで関数を呼び出す。
• 長期的なマルチステップ推論：長時間にわたるタスクで一貫した計画を維持。
• 障害回復：ツール呼び出しが失敗したり予期しない結果が返ってきた場合、停止するのではなく診断して再試行するよう学習済み。
• マルチモーダル入力：約18億パラメータのパーセプションエンコーダーにより、会話と並行してスクリーンショット、チャート、ドキュメントを解釈可能。
• 制御可能な処理量：推論の深さと速度をトレードオフするダイヤル機能。

コミュニティのテスターは、特にツール呼び出しをこのサイズでの際立った機能として評価しており、モデルが自律エージェントのエンジンとして機能する際に最も重要な能力です。

ベンチマーク：他モデルとの比較

MetaはMuse Glimmerを同クラスのオープンモデル2つ、Gemma4-31BとQwen3.6-27Bと比較しており、30Bモデルとして強力なエージェント性能を報告しています。ローンチの報道では、MCP AtlasやSWE-Bench Proなどのベンチマークで両モデルを上回ると指摘されています。公表された結果は以下の通りです。

2つの正直な注意点があります。第一に、これらはリリース当日のベンダー報告数値です。Metaには過去にLlama 4の一部ベンチマークスコアを向上させるために特殊な未公開バリアントを使用したことを認めた前例があります。この表は出発点として扱い、最終的な評価とは見なさないでください。第二に、一部のコーディングおよびデスクトップエージェントのベンチマークではQwenに対して結果が混在しており、Muse Glimmerが完全に勝利しているわけではありません。公平な評価としては、エージェントタスクにおいて同サイズクラスで競争力があり、リーダー的な位置にあるものの、フロンティアモデルを打ち負かすものではありません。

Muse Glimmerをローカルで実行する

ここが「ローカルエージェント」という売り文句を実証する部分です。フル精度では、30Bモデルは55 GBを超えるメモリを必要とし、コンシューマー向けGPUでは対応できません。Metaの公式約4ビット量子化により言語モデルを20 GB未満に圧縮し、KVキャッシュ、パーセプションエンコーダー、投機的デコードドラフターを含めて24 GBまたは32 GBの範囲に収まります。Metaは、この圧縮によってエージェントタスクでの性能低下は最小限またはゼロだと述べています。

つまり、MacBookや単一のRTX 5090など通常のハードウェアで動作し、Ollama、LM Studio、vLLMなどのローカルAIツールで初日からサポートされています。

レスポンシブな動作を維持するため、Muse GlimmerにはDFlash（ディーフラッシュ）という軽量な「ドラフター」が同梱されています。これはトークンのブロック全体を一度に提案する小型のコンパニオンネットワークで、メインモデルが並列で検証します。Metaは、M4-MaxおよびM5-Max MacBook、RTX 5090での測定において、この投機的デコードにより同一の出力品質を維持しながら大幅な高速化を達成したと報告しています。

デプロイの選択肢は幅広く、エッジ向けにはllama.cpp、ExecuTorch、MLX、スケールでのサービング向けにはvLLMとSGLang、ホスト型アクセスにはTogether AI、Fireworks AI、OpenRouter、ファインチューニングにはPyTorchのTorchTitanが利用可能です。(Meta AI)

リリースの背景にある政治的側面

Muse Glimmerは単なる製品ではなく、ロビー活動の道具でもあります。Mark Zuckerbergはリリースに合わせて、米国がオープンソースAIエコシステムをリードしなければならないと主張するエッセイを発表し、米国のラボが直面する余分な摩擦、主に外国のライバルが直面しない学習データへの制限について論じました。彼の処方箋は、外国モデルを禁止するのではなく（それは効果がないと一蹴）、国内の競争条件を平等にすることです。彼はMuse Glimmerを生み出した蒸留という手法を公然と支持しました。

その背景には、Metaが負けることを懸念しているレースがあります。中国の開発者は現在、オープンウェイトAIでペースを設定しており、MoonshiftのKimi K3やAlibabaのQwenがリードし、DeepSeekは最も安価で高性能なモデルをリリースしています。Muse Glimmerはそれに対するMetaの回答であり、同じ型の効率的でダウンロード可能なシステムです。

投資家向けの側面もあります。Metaは市場を安心させようとしており、今年の設備投資予測が最大1,450億ドルに上る巨大なAI支出が成果を上げており、昨年Alexandr Wangのもとで設立されたSuperintelligence LabsがOpenAIとAnthropicに対して進展を遂げていることを示そうとしています。オープンウェイトは、直接的な収益よりも開発者とグッドウィルを獲得するために構築された戦略の一部です。

これは注目すべき方向転換です。Metaは最近のMuse Sparkフェーズでクローズドなライバルを追いかけるためにプロプライエタリ路線に転じたように見えていましたが、推論コストが急増し、企業がコントロールを求める中、再びオープンの流れに戻ってきました。

まとめ

Muse Glimmerは今日の注目モデルです。今すぐダウンロードできる30B Apache-2.0オープンウェイトのローカルエージェントモデルで、Muse Spark 1.2のオープンウェイトも近日公開予定です。フロンティアスケールでGPTやClaudeを打ち負かすことよりも、強力でプライベートなオンデバイスエージェント、つまりコンシューマー向けGPU1枚に収まる信頼性の高いツール使用とマルチステップ推論に重点を置いています。ローカルで動作し、データを自分のハードウェアに保持するエージェントをロードマップに含めているなら、GemmaやQwenと並んで候補リストに加えるべきモデルです。

このようなオープンウェイトモデルをローカルで活用する

Muse Glimmerのようなモデルは、チャットボックスではなく、ツール、ファイル、コード、マルチステップの計画など実際の作業に組み込まれて初めて意味を持ちます。それこそがモデルに依存しないマルチエージェントプラットフォームの存在意義です。Eigentは、AIワークフォースをローカルで動かすオープンソースのCoworkデスクトップアプリで、タスクごとに最適なオープンウェイトモデルを接続しながら、機密データを自分のマシンに保持できます。エージェントがGitHub PRをエンドツーエンドでレビューする方法を確認し、Eigentをダウンロードして試してみてください。

よくある質問

Meta Muse Glimmerとは何ですか？

Muse Glimmerは、Meta Superintelligence Labsが開発した300億パラメータのオープンウェイトマルチモーダルモデルで、2026年8月10日にApache 2.0ライセンスのもとリリースされました。MetaのMuse Sparkモデルから蒸留されており、コンシューマー向けGPU1枚で動作する常時稼働のローカルAIエージェント向けに最適化されています。

Muse Glimmerは本当にオープンソースですか？

MetaはHugging Face上でパーミッシブなApache 2.0ライセンスのもとウェイトを公開しており、ダウンロード、改変、セルフホスティング、商用利用が可能です。これは旧来のLlamaコミュニティライセンスよりも許容範囲が広いです。Metaはまた、より強力なMuse Spark 1.2モデルのオープンウェイトも近日公開予定と述べています。

Muse Glimmerを実行するにはどのようなハードウェアが必要ですか？

フルBF16精度では、モデルはおよそ55〜60 GBのメモリを必要とします。Metaの公式約4ビット量子化により20 GB未満に圧縮されるため、24 GBまたは32 GBの範囲、つまりRTX 5090のような高性能コンシューマー向けGPU1枚、または高性能なMacBookで動作します。Ollama、LM Studio、vLLMで初日から動作します。

Muse GlimmerはGemmaやQwenと比べてどうですか？

MetaはGemma4-31BおよびQwen3.6-27Bと比較したベンチマークを実施しており、そのサイズで強力なエージェント性能を報告しています。例えばMCP Atlasでは75.5対54.2および62.5という結果です。一部のコーディングおよびデスクトップエージェントタスクではQwenに対して結果が混在しており、すべての数値はリリース時のベンダー報告値であるため、出発点として扱ってください。

Muse Spark 1.2とは何ですか？

Muse Spark 1.2はMetaのより強力な基盤モデルで、Muse Glimmerが蒸留された大きな兄弟モデルです。ZuckerbergはMetaがMuse Spark 1.2のウェイトをオープンにすると述べており、小型のGlimmerモデルを超えてオープンリリースへの回帰を拡大します。

Muse Glimmerをマルチエージェントプラットフォームで使用できますか？

はい。オープンウェイトでセルフホスト可能であり、ローカルランタイムで初日からサポートされているため、Eigentのようなモデルに依存しないプラットフォームがエージェントタスクをMuse Glimmerにルーティングしながら、データを自分のマシンに保持できます。プライバシーやオンデバイス動作が重要な場合に有用です。