Meta Muse Glimmer 徹底レビュー：30B ローカルオンデバイス Agent モデル
2026年8月10日、Meta Superintelligence Labs は Muse Glimmer を正式にオープンソース化しました。これは、常時稼働のローカルエージェントワークフローに最適化された300億パラメータのモデルです。Apache 2.0 ライセンスで公開されており、個人開発者も企業も無料で利用可能です。
これは単なる「また大きな」言語モデルではありません。Muse Glimmer の核心的なポジショニングは：Mac または PC 上のシングルコンシューマー GPU で動作する、常時オンのローカル AI エージェント。画面を見たり、ツールを呼び出したり、コードを書いたり、失敗したら自分でリトライしたり——すべてインターネット接続なしで実行できます。
1. Muse Glimmer とは？
Muse Glimmer は Meta の最新のオープンソースオンデバイスエージェントモデルです。より大きな Muse モデルから知識蒸留により圧縮され、パラメータを300億に抑えつつ、エージェントシナリオ向けに深く最適化されています。
主要スペック
| 属性 | 詳細 |
|---|---|
| パラメータ数 | 300億（30B） |
| ライセンス | Apache 2.0（完全オープン、商用利用可） |
| アーキテクチャ | 2B ビジョンエンコーダ + 28B テキストデコーダ |
| コンテキストウィンドウ | 120K+ トークン |
| 量子化後サイズ | ~17-20 GB（4ビット量子化） |
| 最小VRAM | 24 GB（32 GB 推奨） |
| 対応言語 | 100以上の言語 |
| 公開日 | 2026年8月10日 |
Muse Spark との関係
Muse Glimmer はゼロから学習されたものではありません。Meta のより大きな Muse Spark モデルから知識蒸留により蒸留されました。学習は3つのフェーズに分かれています：
- 事前学習：Muse Spark の出力を使用したログット蒸留
- 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で継続学習
- 後学習：SFT + オンポリシー蒸留 + 強化学習の組み合わせ
2. 技術アーキテクチャ
2.1 デュアルモジュールアーキテクチャ
Muse Glimmer-30B
├── Perception Encoder — 2Bパラメータ ViT ビジョンタワー
│ ├── 50層 Transformer
│ ├── 2D RoPE 位置エンコーディング
│ ├── 画像・動画入力対応
│ └── Pixel Shuffle 4x 圧縮
│
└── Text Decoder — 28B パラメータ
├── 52層 ハイブリッドアテンション
├── Gated Grouped-Query Attention（16:1 KV共有）
├── Q-K 正規化 + 追加クエリスケーリング
└── 120K+ コンテキストウィンドウ2.2 エージェント向けコア機能
- エンドツーエンドのエージェントタスク完了：DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Bench で高いパフォーマンス
- 信頼性の高いツール呼び出し：JSON Schema ツール定義を理解
- マルチステップ推論：数十ステップにわたって一貫した計画を維持
- 失敗回復：エラーを診断してリトライ
- マルチモーダル入力：スクリーンショット、チャート、ドキュメント写真を理解
- 制御可能な推論強度：タスクの複雑さに応じた推論レベル
3. ベンチマーク比較
エージェント能力
| ベンチマーク | Muse Glimmer-30B | Gemma4-31B | Qwen3.6-27B |
|---|---|---|---|
| MCP Atlas | 75.5 | 54.2 | 62.5 |
| DeepSearch QA | 74.6 | 61.7 | 71.1 |
| τ³-Banking | 23.5 | 15.1 | 16.7 |
| OSWorld-Verified | 65.9 | 58.5 | 75.6 |
プログラミング能力
| ベンチマーク | Muse Glimmer-30B | Gemma4-31B | Qwen3.6-27B |
|---|---|---|---|
| SWE-Bench Pro | 51.2 | 36.9 | 50.2 |
| SWE-Bench Verified | 76.0 | 66.6 | 77.2 |
| TerminalBench 2.1 | 51.7 | 43.4 | 60.7 |
4. ローカルデプロイガイド
ハードウェア要件
| レベル | 最小 | 推奨 |
|---|---|---|
| GPU | 24 GB VRAM（RTX 4090/3090） | 32 GB+ VRAM |
| RAM | 32 GB | 64 GB |
| ストレージ | 25 GB（量子化版） | 60 GB+（フル精度） |
| Mac | M4 Max（36 GB+ 統合メモリ） | M5 Max（64 GB+） |
Ollama（最も簡単）
curl -fsSL https://ollama.com/install.sh | sh
ollama run muse-glimmerllama.cpp（最も柔軟）
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp && make -j$(nproc)
./llama-server \
-m ./models/muse-glimmer-30b-q4_k_m.gguf \
--draft-model ./models/muse-glimmer-drafter-q4_k_m.gguf \
-c 32768 --port 8080Transformers（Python ネイティブ）
from transformers import AutoProcessor, AutoModelForMultimodalLM
MODEL_ID = "meta-models/Muse-Glimmer-30B"
processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForMultimodalLM.from_pretrained(
MODEL_ID, dtype="auto", device_map="auto"
)5. 評価
| 項目 | スコア（10点満点） |
|---|---|
| エージェント能力 | 9.0 |
| プログラミング | 8.5 |
| マルチモーダル | 8.0 |
| デプロイ容易性 | 7.5 |
| 推論速度 | 8.0 |
| オープンソース親和性 | 10.0 |
| 総合 | 8.5 |
総評
Muse Glimmer は2026年現在最も重要なローカルエージェントモデルです。30Bモデルがターゲットを絞った蒸留と最適化により、コンシューマーハードウェア上で複雑なエージェントタスクを処理できることを証明しました。プライバシーを重視し、オフライン機能が必要で、ローカルAIワークフローを構築したい開発者にとって——これが現時点での最良の選択です。
FAQ
Q1: Muse Glimmer にはどんなGPUが必要ですか？
A: 量子化版（4ビット、約17-20 GB）で最低24 GBのVRAMが必要です。推奨：NVIDIA RTX 4090/3090（24 GB）または RTX 5090（32 GB）。Mac ユーザーは M4 Max または M5 Max チップと36 GB以上の統合メモリが必要です。
Q2: Muse Glimmer と ChatGPT/Claude の違いは何ですか？
A: ChatGPT と Claude はインターネットを必要とするクラウドモデルです。Muse Glimmer は完全にローカルで動作し、データがマシンから出ることはありません。ただし、30Bのローカルモデルは数千億パラメータのクラウドモデルに完全に取って代わることはできません。
Q3: Muse Glimmer でコードは書けますか？
A: はい、SWE-Bench Pro で51.2、SWE-Bench Verified で76.0 を記録しており、Qwen3.6-27B と同等のレベルです。
Q4: Muse Glimmer は日本語に対応していますか？
A: はい、学習データは100以上の言語をカバーしています。ただし、学習データは英語が中心のため、日本語の性能は特化モデルに劣る可能性があります。
Q5: モデルの重みはどうやって入手できますか？
A: Hugging Face（meta-models/Muse-Glimmer-30B）で Apache 2.0 ライセンスのオープンソースとして公開されています。
Hope this review was helpful!
