Meta Superintelligence Labsは、次のモデルとしてMuse Glimmerを発表し、モデルのウェイトを寛容なApache 2.0ライセンスの下でオープンソース化しました。Muse Glimmerは300億パラメータ(30-billion-parameter)のモデルであり、常時稼働のローカルエージェント(local agent)ワークフロー向けに最適化されています。単一のコンシューマー向けGPUを持つMacまたはPCで動かせる小ささで、ローカルエージェントや関数呼び出し(function calling)、ローカルでのコーディング、LLM-as-a-judge評価といった用途を可能にします。Metaは、Muse Glimmerが同じサイズ区分の主要モデルと比べて、重要なエージェント用途とベンチマークで高い性能を示すと述べています。基盤モデルは推論、コード生成、ツール利用において目覚ましい能力を達成しましたが、展開の大半は依然としてクラウドインフラとネットワーク接続に依存しています。モデルをローカルで動かせば、インターネット接続の有無にかかわらず、いつでもどこでもAIを使うことができます。ローカルでの実行はますます現実的になっており、オープンソースコミュニティは、小型モデルが効果的に訓練されれば、特定のタスクにおいてフロンティア級の性能に近づけることを示しています。Muse Glimmerは、こうしたローカル用途に最適化されています。
Muse Glimmerは、開発者がすでに使っているツールと連携するよう作られています。llama.cpp、MLX、ExecuTorchへの最適化された統合は数日中に提供される予定で、ダウンロードから動作するエージェントまで数分で到達できるとされています。能力とローカルハードウェアのメモリ・計算の制約とのバランスを取るよう設計されており、コンパクトなアーキテクチャ、はるかに大きな教師モデル(teacher model)からエージェント的(agentic)推論を移す新しい蒸留(distillation)レシピ、そして遅延の期待に応えるための量子化(quantization)を含む推論最適化が必要でした。スケジュール管理、メッセージの下書き、ファイル整理を行い、ユーザーの仕事の仕方を学ぶエージェントには、個人的な文脈への深いアクセスが必要になります。さらに、長期的なタスク実行、正確なツール呼び出し(tool calling)、マルチモーダル理解、長いコンテキストの記憶、そして指示追従という複数の能力が連携して働く必要もあります。
訓練の流れと入手方法(Hugging Face)
Muse GlimmerのPre-Trainingでは、はるかに大きな教師モデルであるMuse Sparkの出力を使ったlogit distillationで訓練し、教師モデルと似たデータミックスを活用しました。Mid-Trainingでは、より長いコンテキストでエージェント寄りの、より豊かな推論トレースを含むデータを、オーガニックデータと併せて使ってモデルを訓練しました。Post-Trainingでは、教師あり微調整に、オンポリシー蒸留と強化学習の組み合わせを加え、一般、推論、コーディング、エージェント的領域にわたって行いました。
Muse Glimmerは現在利用可能であり、ウェイト(weights)をHugging Faceからダウンロードできます。オープンウェイト(open weights)はHugging Faceで公開されており、エージェントの構築と実行を始めるための開発者向けドキュメントも提供されます。この公開は、基礎的なAI研究を共有してきた長年の伝統に沿ったものとされています。
Muse Glimmerは、エージェントを効果的に作るために必要な複数の能力について訓練と評価が行われています。これらの能力には、エンドツーエンドのエージェント的タスク完了(End-to-end Agentic Task Completion)、信頼できるツール使用、多段階推論、失敗からの回復、マルチモーダル入力と推論、スキャフォールド互換性、努力度の制御、および多言語対応が含まれます。Muse Glimmerはエンドツーエンドのエージェント的タスク完了を対象に訓練・評価されています。また、効果的な自律エージェントの挙動に必要な多様な能力を評価するため、幅広い範囲のベンチマークで評価されました。Gemma4-31BやQwen3.6-27Bと比べて、Muse Glimmerは広く使われている複数のLLMベンチマークで、そのサイズ区分として高い性能を示しています。
Muse Glimmerは、スキャフォールド内での動作、コードの作成とデバッグ、および複数ターンにわたる要求を最初から最後まで解決する能力を測るDeepSearch QA、MCP-Atlas、𝛕-Bench、SWE-Benchといった全タスク型ベンチマークで、高い成功率を達成しています。幅広い関数呼び出しを扱い、長いワークフローの全体にわたって、正確なスキーマでツールを呼び出します。また、長期にわたるタスクで推論をつなげ、複雑で長いワークフローの中で一貫した計画を保ちます。
Muse Glimmerは、ツール呼び出しが失敗したり予期しない結果が返ったりした際、停止せずにエラーを診断して再試行するよう訓練されています。専用の知覚エンコーダ(perception encoder)を通じて、テキストと画像が交互に並んだ入力を受け付けるため、会話とともにスクリーンショット、グラフ、文書を解釈できます。OpenClawやその他のエージェント的オーケストレーションのパターンでも動作します。さらに、品質と速度のバランスを選択できる複数の推論強度をサポートしており、100を超える言語のデータでも訓練されています。
Muse Glimmerは、MetaのAdvanced AI Scaling Frameworkが定める基準に基づいて評価され、関連するすべてのカテゴリでオープンウェイト公開の可否が評価されました。今後数日のうちに、Ollama、LM Studio、Unslothなどのパートナー経由でローカル実行できるようになります。
量子化とドラフターによる高速化
ローカルエージェントは、応答が速いと感じられるだけの速さがあってこそ本当に役立ちます。返信や次のステップの計画に数分かかるエージェントは、実際の作業の流れを妨げます。Muse Glimmerを品質を犠牲にせずコンシューマー向けハードウェアで実用的な速度で動かすため、2つの最適化が適用されました。300億パラメータ(30-billion parameter)のモデルは、フル精度では55 GBを超えるメモリを必要とし、これはどのコンシューマー向けGPUが提供するメモリよりもはるかに多いです。
Muse Glimmerでは、量子化技術を使ってモデルのウェイトを約4ビット精度に圧縮し、言語モデルを20 GB未満に縮小します。Muse Glimmerは、量子化でウェイトを約4ビット精度に圧縮して言語モデルを20 GB未満に縮小することで、モデルの作業メモリ(KVキャッシュ)、画像理解用の知覚エンコーダ、および投機的デコーディングのドラフターを、24 GBまたは32 GBのメモリ枠内で同時に動かす余裕が残ります。Metaは、このモデル圧縮によるエージェント的タスクでの性能低下が最小限からゼロであることを検証したと述べています。
言語モデルは通常、テキストを一度に1トークンずつ生成するため、長い推論の連鎖や複数ステップのツール呼び出しでは遅く感じられることがあります。Muse Glimmerには、DFlashをベースにした軽量なドラフターモデルが同梱されています。ドラフターは小型の補助ネットワークで、トークンのブロック全体を一度に提案します。メインモデルはドラフターの提案を並列に検証し、正しいトークンは受け入れ、誤ったトークンは修正します。リリースでは、メモリのオーバーヘッドを小さくするため、量子化したドラフターのバージョンを提供しています。
Muse GlimmerのK-Quant-17GBモデルは、量子化されたDFlashドラフターと組み合わせて、MacBook M4-Max、M5-Max、およびRTX-5090で速度が測定されています。流れるような会話とリアルタイムのエージェント対話に十分な速さで、すべてデバイス上で動作します。
提供方法とカスタマイズ、開発者向け資料
Muse Glimmerはエッジフレームワークであるllama.cpp、ExecuTorch、MLXなどの最適化された統合を通じて、今後数日のうちにデプロイできるようになります。また、vLLMとSGLangを用いて大規模に提供することも可能になり、Together AI、Fireworks AI、OpenRouterなどのパートナー経由で手早く使い始めることも、今後数日のうちにできるようになります。
PyTorchのTorchTitanのトレーニング機能を使用すると、Muse Glimmerをさらにチューニングして、自身のユースケースに合わせてカスタマイズすることが可能です。Metaは、AMD、Arm、Dell、Intel、NVIDIAなどのパートナーと協力して、さまざまなデバイスでMuse Glimmerの性能を最適化しています。
Metaは、開発者がMuse Glimmerで責任をもって始めて構築するためのリソースとして、開発者向けドキュメントを公開しています。これにはカスタムスキャフォールドのセットアップに関するガイダンスが含まれ、初日からパーソナルエージェントの構築とデプロイを始めやすくなります。詳細情報とリソースは、MetaのAI Developer Centerで見つけることができます。この取り組みは、MetaのオープンなAI研究の長年の実績を土台としています。それをエージェント的AIへと拡張し、開発者にローカルでのエージェント的な機能を提供します。