ハクソク

世界を動かす技術を、日本語で。

Meta Muse Glimmer – オープンウェイト30Bローカルコーディングモデル

2026年8月10日原文(research.meta.ai)

概要

Meta Superintelligence Labs が新たなモデル Muse Glimmer を発表 30億パラメータ のモデルをApache 2.0ライセンスでオープンソース化 ローカルエージェント用途 に最適化、消費者向けGPUで動作可能 高性能・多用途 なベンチマーク結果 開発者向け資料とツール連携 も同時公開

Muse Glimmerの概要

  • Meta Superintelligence Labs が開発した Muse Glimmer の公開
  • 30Bパラメータ の大規模モデル、Apache 2.0ライセンスで モデル重みをオープンソース化
  • MacやPCの一般的なGPU （24GBまたは32GB）で動作可能
  • ローカルエージェント、ファンクションコール、ローカルコーディング、LLM評価 など多用途
  • クラウド依存不要 で、インターネット接続なしでも利用可能
  • オープンソースコミュニティ の知見を活かし、小型化と高性能化を両立
  • Hugging Face でモデル重みと 開発者向けドキュメント を配布開始
  • llama.cpp, MLX, ExecuTorch など主要ツールと連携予定

Muse Glimmerの設計と学習プロセス

  • ローカルハードウェア のメモリ・計算制約を考慮した コンパクトなアーキテクチャ
  • 大規模教師モデル からの知識蒸留による高性能化
  • 推論最適化 （量子化対応）で低レイテンシを実現
  • 学習フェーズ
    • 事前学習 ：Muse Sparkの出力を用いたlogit distillation
    • 中間学習 ：長文・エージェント志向データ＋有機データで強化
    • 事後学習 ：教師あり微調整＋オンポリシー蒸留・強化学習
  • Meta Advanced AI Scaling Framework の基準で評価・公開可否を判断

Muse Glimmerの主な機能

  • エージェントタスクの完遂 ：DeepSearch QA, MCP-Atlas, 𝛕-Bench, SWE-Benchなどで高成功率
  • ファンクションコール ：多様なツール呼び出し・ワークフロー対応
  • 多段階推論 ：長期的・複雑な計画も一貫性を保って実行
  • エラーリカバリ ：ツール呼び出し失敗時も自己診断・再試行が可能
  • マルチモーダル入力 ：テキスト・画像混在の入力を専用エンコーダで処理
  • スキャフォルド互換性 ：OpenClaw等のエージェントオーケストレーションに対応
  • 推論強度制御 ：品質と速度のバランス調整が可能
  • 多言語対応 ：100以上の言語で学習済み

パフォーマンスとローカル最適化

  • Gemma4-31B, Qwen3.6-27B など同サイズ帯のLLMと比較し高パフォーマンス
  • 量子化 （4ビット精度）によりメモリ消費を約20GB以下に圧縮
    • KVキャッシュ、画像認識用エンコーダ、ドラフターモデル も同時稼働が可能
  • Speculative Decoding による高速生成
    • DFlashベースの軽量ドラフターモデル が複数トークンを一括提案
    • 主モデルが並列検証・訂正 し、品質を維持しつつ生成速度を大幅向上
  • MacBook M4-Max, M5-Max, RTX-5090 などで リアルタイム応答 を実現

Muse Glimmerの導入・活用方法

  • Hugging Face でモデル重みをダウンロード可能
  • Ollama, LM Studio, Unsloth などのパートナー経由でローカル実行
  • llama.cpp, ExecuTorch, MLX などエッジ用フレームワークに対応
  • vLLM, SGLang で大規模サービング
  • Together AI, Fireworks AI, OpenRouter などで迅速な活用開始
  • PyTorch TorchTitan で用途別カスタマイズも可能
  • AMD, Arm, Dell, Intel, NVIDIA 等と連携し各種デバイス最適化を推進
  • 開発者向けドキュメント ・カスタムスキャフォルド設定ガイドも公開
  • Meta AI Developer Center で詳細情報・リソースを提供

オープンリサーチと今後への期待

  • Meta の長年のオープンAI研究の延長線上にあるプロジェクト
  • ローカルエージェントAI の普及・発展に寄与
  • コミュニティからのフィードバック を歓迎
  • Hugging Face でモデルダウンロード・開発者ドキュメント公開中

Hackerたちの意見

Qwen3.8 27Bが今週リリースされたら、どんな感じになるのか楽しみだね。30Bの密度がまた流行ってるのかな？追記：Muse Spark 1.2のオープンウェイト版もリリースされるみたいだよ。

└

タイミングが面白いね、Qwenの考えすぎが私には合わないけど。今はこのサイズクラスで選択肢が増えたのが嬉しい。

└

3.6より悪い感じだけど、ちょっと小さい。UPD. 小さいって言ったけど、実際はもっと大きい。

└

希望が持てる気がする。ラマ3の時代はもっとポジティブだった気がする。今は暗くて恐ろしいレースみたいだね。

└

そうだね、次のGemmaのバージョンも待ってる。MuseやQwenはコーディング向けに最適化されてるけど、個人的にはGemmaの方が非コーディングタスクにはまだ優れてると思う。

└

ベンチマークによると、Muse GlimmerはQwen3.6 27Bにかろうじて勝ってるみたい。ただし、ツール呼び出しスキル（MCPなど）を除いてね。今すぐリリースしても驚かないよ、Qwen3.8 27Bに勝てないのが怖いんだろうね。

└

密な30Bが再び流行ってるみたい？Metaがこのモデルをホストしてないのは驚きだね、制限付きの無料プランでも。 Muse Spark 1.2のオープンウェイトバージョン。待って、これってMetaが提供してるのとは違う「バージョン」なの？

└

うん、みんなそれを待ってると思うよ ;D、私はここ1年半ずっとQwen使ってる。

llama.cppでこれを試すのが楽しみ！オープンウェイトの競争、期待してるよ。

完璧なのは、単一のDGXスパークで動いて、DSV4 Flash 731と競えるモデルだと思う。Flashはもうゲームチェンジャーだし。メタが昔の70bみたいにこれを計画してるといいな。V4 Flashはどんな用途にも対応できるけど、ちょっと大きすぎる。27b-30bは賢さが足りないね。

└

DSV4 Flash 0731は、RTX 4090 24GBと128GBのシステムRAMで、使えるトークン/秒と量子化で動いてるよ。

└

このモデルは、Spark上では4ビット量子化でも遅すぎると思う。密度の高いモデルだから、Qwen 35bやGemma 4 26B A4BみたいなMoEじゃないし。Sparkではメモリ帯域幅が制限されるだろうし、まだ試してないけど（今取り組んでる）、ざっくり計算するとNVFP4に変換した後でも約15tok/sになると思う。ただ、プリフィルはもっと高くなるだろうね。このサイズの密なモデルでは15tok/secはかなり典型的だよ：NVFP4 Q/K/V/OとMLPプロジェクション：~13 GB/token、BF16アテンションゲート：~3 GB/token、BF16 LMヘッド：~2.5 GB/token、合計：~18.9 GB/token。273 GB/sだと、帯域幅だけで約14.5 tok/sの上限になるけど、実際のパフォーマンスはそれより低くなるだろうね。

Hacker Newsで議論の続きを見る