Metaは、寛容なApache 2.0ライセンスの下で配布される300億パラメータのエージェント型AIモデル「Muse Glimmer」を公開しました。同ライセンスは、商用利用、改変、再配布を最小限の制限で許可しています。Meta Superintelligence Labsが開発したこのモデルは、計画立案、ツール呼び出し、自己検証、障害回復を処理する完全な自律エージェントとして機能するよう設計されており、24GBのビデオメモリを搭載するコンシューマー向けハードウェアでローカル実行できるほどコンパクトです。

モデルウェイトはHugging Faceで即時利用可能です。Ollama、LM Studio、vLLM、SGLang、Together AI、Fireworks AI、OpenRouterなどの広く使用されている推論エンジンやプラットフォームとの統合は、今後数日以内に提供される予定です。

今回のリリースは、基礎的なAI研究をオープンソース化するMetaの継続的な取り組みを延長するものであり、今回はクラウド接続や外部インフラに依存せずに動作する、ローカルの常時稼働エージェントワークフローに対する高まる需要に対応しています。エージェントを完全にオンデバイスで実行することで、トークンごとのAPIコストが排除され、エージェントの推論ループからネットワークレイテンシが除去され、機密データがユーザーのマシンから外部に送信されなくなります。この組み合わせは、プライバシー重視のエンタープライズ導入、オフライン環境、サブ秒単位のツール呼び出しレイテンシが重要となるアプリケーションにとって重要です。また、この動きは、MetaのLlamaファミリー、GoogleのGemmaライン、AlibabaのQwenシリーズ、Mistralのモデルがクラウドとエッジの両方のデプロイメントシナリオで開発者の支持を競い合う、オープンウェイトAIエコシステムにおける競争をさらに激化させるものです。

Introducing Muse Glimmer, an open-weight 30B-parameter model optimized for local, always-on agent workflows. Muse Glimmer delivers strong performance on key agentic use cases and benchmarks compared with leading models in its size category, and is designed to run entirely on… pic.twitter.com/mI4z91GPnE
— AI at Meta (@AIatMeta) August 10, 2026

アーキテクチャ、トレーニング、ローカル最適化

Muse Glimmerは、特注のアーキテクチャと、Muse Sparkと呼ばれる大幅に大規模なティーチャーモデルからエージェント推論をより効率的なフォームファクタへと移行するよう設計された新しい蒸馏レシピを使用して構築されました。蒸留はモデル圧縮ツールキットにおける標準的な手法となっており、小規模モデルが大規模システムの出力分布と推論パターンを近似することを可能にします。トレーニングパイプラインは3つのフェーズで構成されていました。

1. ティーチャーモデルの出力に対するロジット蒸留による事前トレーニング。
2. 拡張コンテキストのエージェント中心データを使用し、推論トレースで強化したミッドトレーニング。
3. 教師ありファインチューニングとポリシー準拠蒸留および強化学習を、一般、コーディング、エージェント領域にわたり組み合わせた事後トレーニング。

モデルは、リリース前にMetaのAdvanced AI Scaling Frameworkの下で評価されました。

ベンチマークパフォーマンスと機能

ベンチマーク結果は、DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Benchなどのタスクにおいて、Gemma4-31BやQwen3.6-27Bなど同規模のモデルと同等の競争力のあるパフォーマンスを示しています。注目すべきは、評価スイートが静的な知識ベンチマークではなく、マルチターンのツール使用、Web検索駆動のQA、現実世界のソフトウェアエンジニアリングタスクといったエージェント固有のワークロードを重視している点です。これは、業界全体が事実の再現だけでなく、動的なエージェント能力でモデルを評価する方向へと移行していることを反映しています。

コアとなる推論機能に加えて、Muse Glimmerは専用の知覚エンコーダーを通じたマルチモーダル入力、100以上の言語での多言語操作、およびOpenClawなどのエージェントオーケストレーションパターンとの互換性をサポートしています。

ローカルデプロイメントと量子化

実用的なローカルデプロイメントを可能にするため、Metaは量子化技術を適用してモデルを約4ビット精度に圧縮し、フットプリントを20GB未満に削減しました。これにより、KVキャッシュ、画像エンコーダー、およびDFlashに基づく軽量な投機的デコーディングドラフターのための十分なメモリが確保されます。DFlashは、出力品質を変えることなく生成を高速化するため、トークンブロックを並行して提案します。

MetaはMacBook M4-Max、M5-Max、RTX-5090のハードウェアでセットアップを検証し、完全にオンデバイスでの流暢な対話とリアルタイムのエージェントインタラクションに適した速度を報告しました。検証ハードウェアの選択はApple SiliconとハイエンドのNVIDIAコンシューマーGPUにまたがっており、2つの主要なコンシューマー向け推論スタックを反映するとともに、データセンターハードウェアではなく最も一般的な開発者ワークステーションでモデルを利用可能にするというMetaの意図を強調しています。