Meta、30Bの端末向けエージェントAI「Muse Glimmer」をオープンソース公開

Muse Glimmerは、Metaが公開した300億パラメータ（30B）の端末向けマルチモーダルAIモデルだ。常駐型のローカルエージェント向けに特化して設計されており、Apache 2.0ライセンスのもと、消費者向け単一GPUやMac上で完全オフライン稼働する。

何ができるのか

単なる会話AIではなく、ローカル環境で自律的にツールを操作して作業を完結させることを目的としている。

2B規模の視覚エンコーダを統合しており、テキストだけでなくスクリーンショットや図表、ドキュメントの画像を直接解釈できる。

エージェント用途に欠かせないツール呼び出しでは、処理が失敗したり予期せぬ結果が返ってきたりした場合でも、処理を中断せずエラーを自己診断して再試行する。

OpenClawなどの外部フレームワークに対応するほか、推論の強度を柔軟に調整でき、100以上の言語をサポートする。個人のスケジュール管理やローカルコードの修正、文書整理を外部通信なしで安全に任せられる。

なぜ単一GPUで動くのか

通常の30Bモデルは全精度で55GB以上のメモリを消費し、一般的なPC環境では動作しない。

Metaは約4ビットの量子化を適用し、モデルサイズを20GB未満まで縮小した。K-Quant-17GB版を使えば、KVキャッシュや視覚モデルを合わせても24GBから32GBのメモリ枠内に収まる。

また、ローカル特有の生成速度の遅さを補うため、DFlashベースの小型ドラフトモデルによる投機的デコーディングを標準採用した。複数トークンを一括提案してメインモデルが並列検証することで、特にコード出力などの定型タスクで高速な応答を実現している。

RTX 5090を積んだPCやM4 Max、M5 Max搭載MacBookで実用速度で動作する。Hugging Faceでモデルが配布されており、llama.cppやMLX、vLLM、Ollamaなどの環境ですぐに試すことができる。

性能とコミュニティの反応

公開されたベンチマークでは、MCP Atlasで75.5点、SWE-Bench Proで51.2点を記録し、Gemma4-31Bなどの競合をエージェント領域で大きく引き離した。

一方で、コミュニティからは冷静な分析も出ている。一部の海外レビュアーは、Metaの発表データが選別されたものである可能性を指摘した。

実際、OSWorld-VerifiedではQwen3.6-27Bの75.6点に対してMuse Glimmerは65.9点にとどまり、TerminalBench 2.1でも劣勢となっている。よりパラメータ数の少ないQwen3.6を全面打破したわけではないという指摘も多い。

なぜ重要か

プライバシーを重視する開発者や、API利用料を抑えたいローカル派にとって、Muse Glimmerは今すぐ試す価値がある選択肢だ。Apache 2.0ライセンスのため、商用サービスへの組み込みやカスタマイズも自由に行える。

これまで実用水準のエージェントモデルを動かすにはクラウド環境がほぼ必須だったが、20GB未満で自己回復機能付きのツール呼び出しを可能にした意義は大きい。

すべての指標で競合に勝っているわけではないものの、単一GPUで安定して動く常駐型エージェントの基盤として、現時点で最も現実的で有力なオープンソース候補の一つと言える。