Muse Glimmer

Muse Glimmer は、Meta が2026年8月10日にApache 2.0ライセンスで公開したオープンウェイトの30Bパラメータ・エージェント型マルチモーダルモデルです。Meta の大型モデル Muse Spark から蒸留され、常時稼働するローカルエージェントワークフロー（計画、ツール呼び出し、結果確認、障害回復）に特化して設計されています。テキストと画像のインターリーブ入力に対応し、4bit量子化でコンシューマーGPU1枚（24GB目標）で動作、ネットワーク不要。プライベートなローカルコーディングエージェントの有力なデフォルト選択肢です。

主な機能

• エージェントネイティブな学習：チャットだけでなく、エージェントループ（計画→ツール呼び出し→結果解釈→障害回復）を中心に構築。
• マルチモーダル入力：約18億パラメータのViT-G/14知覚エンコーダーが、テキストとともにスクリーンショット・チャート・ドキュメントを理解。画像1枚あたり最大4,096視覚トークン。
• ローカル実行：稠密30Bモデル（総約296億パラメータ）、131,072+トークンのコンテキスト、Apache 2.0、ネットワーク不要。
• 24GB目標：4bit量子化で言語モデルを20GB未満に圧縮し、KVキャッシュ・視覚エンコーダー・ドラフターを24GB/32GBに収める。
• DFlash投機デコード：2.56Bブロック拡散ドラフターが1回の順伝播で16トークンを提案し、メインモデルが並列検証。RTX 5090で最大3.1倍のデコード高速化。
• Day-0エコシステム：transformers、llama.cpp、vLLM、Ollama、LM Studio、SGLang、MLX、ExecuTorch を発表時点でサポート。

モデル仕様

ベンチマーク

• BionicBench（LM Studio独立評価）：タスク完了率83.3%。Gemma 4 31B と Qwen3.6-27B はともに77.7%。
• エージェント系で勝利：MCP Atlas、DeepSearch QA、SWE-Bench Pro で比較対象をリード。
• トレードオフ：長時間セッションの OSWorld-Verified、TerminalBench 2.1、SkillsBench では Qwen3.6-27B に劣る。

ユースケース

• プライベートなローカルコーディングエージェント：ツール利用エージェントを完全オフラインで実行し、データが端末から出ない。
• ドキュメント・画面理解：スクリーンショット・チャート・ドキュメントを読みながらツールを呼び出すエージェント。
• パーソナルアシスタント：長期間コンテキストとマルチモーダル知覚を必要とするClaw/Hermes型セットアップ。
• コスト重視のパイプライン：LLM-as-judge や反復評価ワークロードをローカルで低コスト実行。

優位性

1. 真のローカルエージェント：30BマルチモーダルエージェントがコンシューマーGPU1枚に収まり、ライセンスも完全寛容。
2. 統合された技術スタック：量子化・投機デコード・ランタイムを一体設計。
3. Metaエコシステム：公式GGUF・ExecuTorch・transformers対応に加え、AMD・Arm・Dell・Intel・NVIDIA のハードウェアパートナー。

ヒント

1. 24GBカードではK-Quant-17GBから：まずテキストのみの性能を検証し、メモリ余裕を見ながら視覚とDFlashを追加。
2. エージェントループでDFlashを有効化：長い推論チェーンと多段ツール呼び出しで効果が最大。
3. 数時間の端末セッションにはQwen3.6-27B：Glimmer は範囲が明確なツール利用に強く、超長期の自律実行では競合がリード。

まとめ

Muse Glimmer は、ローカルエージェント開発者に最初の現実的なデフォルトを提供します。寛容なライセンス、マルチモーダル、エージェントネイティブな30Bモデルを、既存ハードウェアで実行可能に。クラウド依存なしのプライベートな常駐コーディング・ツール利用エージェントを求めるなら、同クラス最強のオープンウェイト選択肢です。

使用シナリオ

• Muse Glimmer が自分のワークフローをカバーするか先に確認したい場合。

関連：Claude 3.5 Sonnet、Claude 3 Haiku。分類は models。