Metaが「ローカルで動くAIエージェント」Muse Glimmerを公開。30Bパラメータで何ができるのか

2026-08-20NEW約5分で読めます#Meta#オープンウェイト#ローカルAI

Metaが2026年8月10日に公開した30Bパラメータのオープンウェイトモデル「Muse Glimmer」について、Meta公式ブログとHugging Face公式ブログの一次情報にもとづき、仕様・想定用途・動作要件を整理します。

結論

Metaは2026年8月10日、30Bパラメータのモデル「Muse Glimmer」をApache 2.0ライセンスで公開しました。最大の特徴は、クラウドを使わずMacやPCの単体GPUでも動く設計にしてある点です。既存の大型モデル「Muse Spark」から蒸留して作られています。

Muse Glimmerとは何か

Meta Superintelligence Labsが公開した、ローカル常駐のAIエージェント用途に絞ったモデルです。

Meta公式ブログは「Muse Glimmer is a 30-billion-parameter model optimized for always-on local agent workflows」と説明しています。教師モデルにあたる大型モデル「Muse Spark」の出力を使い、ロジット蒸留（logit distillation）という手法で学習させたと明記されています。

Hugging Face公式ブログによると、内部構成は画像認識用の「2B ViT-style encoder（Perception Encoder）」と、テキスト生成用の「28B parameter text decoder」の組み合わせです。テキストと画像を交互に扱えるマルチモーダル対応で、スクリーンショットやチャート、ドキュメントの解釈にも使えるとされています。

項目	内容
パラメータ数	30B（内訳: 画像2B + テキスト28B）
コンテキスト長	32,768トークン
ライセンス	Apache 2.0
公開日	2026年8月10日
教師モデル	Muse Spark（ロジット蒸留）

ポイント

「30B」という数字だけ見ると大型モデルに思えますが、実際に動かす部分（テキストデコーダ）は28Bで、画像処理は別枠の2Bです。数字の内訳を確認せずに他モデルと比較しないよう注意してください。

なぜ「ローカルで動く」ことを売りにしているのか

この節の要点は、通信環境に依存しないことがそのまま謳い文句になっている点です。

Meta公式ブログは次のように明記しています。

"It's small enough to run on a Mac or PC with a single consumer GPU"

さらに「Running models locally enables you to use AI anywhere, anytime, with or without an internet connection.」とも述べており、オフラインでも動作することを想定した設計だとわかります。クラウドAPIに接続せずに手元のマシンだけで完結させたい、というニーズに向けたモデルです。

注意

「単体のコンシューマーGPUで動く」という記述は公式ブログにありますが、これは後述する量子化版（GGUF等)を使った場合の話です。フル精度（BF16）でそのまま動かす場合の推奨環境は、次の節で触れる通りもっと重い構成になっています。混同しないでください。

どんな用途を想定しているのか

想定用途は「エージェント的な作業」に寄せられています。

Meta公式ブログでは「local agents and function calling, to local coding, and LLM-as-a-judge evaluation」が例として挙げられており、単発の受け答えではなく、複数ステップの作業をこなすことに重点を置いていることがわかります。

Hugging Face公式ブログでは、ベンチマーク結果として MCP Atlas 75.5、SWE-Bench Pro 51.2、AIME 2026 94.7 という数値が公開されています。ベンチマークの数値は測定条件によって変わるため、ここでは「公式が公表した数値」として紹介するにとどめます。

豆知識

SWE-Bench Proは実際のソフトウェア修正タスクをどれだけ解けるかを測るベンチマークです。「ローカルコーディング」を想定用途に挙げているのと符合する数値と言えます。

実際に動かすには何が必要か

フル精度で動かす場合と、軽量化した量子化版を使う場合とで、必要なハードウェアが大きく異なります。

Hugging Face公式ブログが示すファインチューニング・推論の目安は次の通りです。

用途	推奨環境
推論・評価（BF16）	1×80GB H100
LoRA SFT（BF16）	1×80GB H100（マイクロバッチ1+チェックポイント）
フルSFT（BF16）	8×80GB H100（FSDP/ZeRO-3使用）

一方で、Metaは軽量化した「calibrated quants」をGGUF形式でも配布しており、Q4_K_M GGUFという量子化形式が例として挙げられています。llama.cppやvLLM、Inference Endpointsではday-0（公開当日から）対応したとされ、Unslothも独自に最適化した量子化版を公開しています。前節で触れた「Macやコンシューマー向けGPUで動く」という説明は、この量子化版を前提にしたものと考えられます。

注意

具体的な量子化版のファイルサイズや必要VRAM量は、閲覧した公式ブログ本文には明記されていませんでした。「何GBのVRAMがあれば動くか」を正確に知りたい場合は、配布元であるHugging Faceの各モデルページで最新の情報を確認してください。

出典

← 記事一覧へ戻る

この記事はいかがでしたか？

よろしければ、いいねをお願いします。

感想やコメントは、SNSでシェアして教えてください。