Metaが「Muse Glimmer」を発表——ローカル動作に最適化された30Bエージェントモデル#
Meta Superintelligence Labsは、常時稼働のローカルエージェントワークフローを想定して設計された300億パラメータのAIモデル「Muse Glimmer」を発表し、Apache 2.0ライセンスのもとでモデルの重みをオープンソースとして公開した。MacやPC上でコンシューマ向けGPU1枚で動作できる点が最大の特徴だ。
なぜ「ローカル動作」にこだわるのか#
ほとんどの大規模言語モデルは、クラウドインフラとネットワーク接続を前提として動作する。一方でMuse Glimmerは、インターネット接続の有無にかかわらずAIをいつでも・どこでも利用できることを目指して設計されている。スケジュール管理、メッセージの下書き、ファイル整理、ユーザーの作業習慣の学習といった「常にユーザーの近くで動くエージェント」には、個人情報へのアクセスが必要となるため、ローカル動作には大きな意義がある。
トレーニングの3フェーズ構成#
Muse Glimmerは、以下の3段階のフェーズを経てトレーニングされた。
1. 事前学習（Pre-Training）#
より大規模な教師モデルである「Muse Spark」の出力を使い、ロジット蒸留（logit distillation）という手法で学習が行われた。これにより、大きなモデルのエージェント的推論能力を小型モデルへ転移させている。
2. 中間学習（Mid-Training）#
長いコンテキストに対応し、エージェント処理の比率が高いデータと豊富な推論トレースを組み合わせた学習が行われた。
3. ポスト学習（Post-Training）#
教師あり微調整（SFT）に加え、オンポリシー蒸留と強化学習を組み合わせ、汎用・推論・コーディング・エージェント領域にわたって最適化された。
Muse Glimmerの主な機能#
- エンドツーエンドのエージェントタスク完遂: DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Benchといったベンチマークで高い成功率を達成
- 信頼性の高いツール利用: 複雑なワークフロー全体にわたって、精確なスキーマでのファンクションコールを実行
- マルチステップ推論: 長期にわたる複雑なワークフローで一貫した計画を維持
- 障害からの回復: ツール呼び出しが失敗した場合、処理を停止せずにエラーを診断して再試行
- マルチモーダル入力と推論: 専用の知覚エンコーダにより、テキストと画像を混在させた入力に対応。スクリーンショット、グラフ、文書の解釈が可能
- スキャフォールド互換性: OpenClawをはじめとするエージェントオーケストレーションパターンに対応
- 推論量の制御: 品質とスピードのバランスを選択できる複数の推論強度をサポート
- 多言語対応: 100以上の言語のデータで学習済み
Gemma4-31BおよびQwen3.6-27Bと比較したベンチマーク評価では、同サイズクラスの中で高い性能を示している（詳細なデータは元記事を参照）。
ローカル動作を実現する2つの最適化技術#
量子化によるメモリ削減#
30Bパラメータモデルをフル精度で動かすには55GB以上のメモリが必要となるが、Muse Glimmerは量子化技術によって重みを約4ビット精度に圧縮し、言語モデル部分を20GB未満に収めた。これにより、24GBまたは32GBのGPU環境内で、KVキャッシュ・画像理解用の知覚エンコーダ・投機的デコードのドラフターを同時稼働させることが可能になっている。この圧縮によるエージェントタスクへの性能劣化は最小限にとどまるか、ほとんどないと検証されている。
投機的デコードによる高速生成#
通常、言語モデルはテキストを1トークンずつ順次生成するため、長い推論チェーンや複数ステップのツール呼び出しでは速度が課題になる。Muse Glimmerには「DFlash」をベースにした軽量ドラフターモデルが同梱されており、これが複数トークンのブロックをまとめて提案する。メインモデルがそれを並列で検証し、正しいトークンを採用・誤りを修正することで、出力品質を維持したまま標準的な生成手法より大幅に高速化が実現している。MacBook M4-Max、M5-Max、RTX-5090での動作速度の計測結果については詳細は元記事を参照。
入手方法とエコシステム#
モデルの重みはHugging Faceにて現在ダウンロード可能。近日中にOllama、LM Studio、Unslothといったパートナー経由でのローカル実行、llama.cpp・ExecuTorch・MLXといったエッジフレームワークでのデプロイ、vLLM・SGLangでのスケール対応、そしてTogether AI・Fireworks AI・OpenRouter経由での利用も可能になる予定だ。また、PyTorchのTorchTitan機能を使った独自チューニングにも対応している。AMD、Arm、Dell、Intel、NVIDIAといったパートナーとのデバイス最適化も進めているとのことだ。
まとめ#
Muse Glimmerは、クラウド依存からの脱却を目指し、30Bパラメータながらコンシューマハードウェア上でエージェントAIを実用的な速度で動かすことを可能にした意欲的なモデルだ。Apache 2.0というオープンなライセンスでの公開は、開発者コミュニティにとって活用の幅を大きく広げるものといえる。筆者の見解: ローカルでの常時稼働エージェントという領域は、プライバシーやオフライン活用の観点から今後重要性が増すと考えられ、そのアーキテクチャと最適化手法の詳細が公開されている点は、オープンソースコミュニティへの大きな貢献になると感じる。
出典: Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device | Meta AI Research
