
Muse Glimmer:Metaの技術レポートは30Bローカルエージェントについて実際に何を決着させたのか
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 186 tok/s
- openaiNEWOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 100万トークンあたり · 76 tok/s
- openaiNEWOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 100万トークンあたり · 151 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 246 tok/s
- AlibabaNEWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 100万トークンあたり · 207 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 94 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 221 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 105 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 67 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 100万トークンあたり · 36 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 39 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 222 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 104 tok/s
Metaは2026年10月19日、Muse Glimmerの技術レポートを公開した。モデル本体が出荷された8月10日から70日後のことだ。この隔たりこそ、この論文がありきたりな記事以上に重要な理由である。これは現時点でMuse Glimmerに関する最も詳細なMetaの文書であり、コンシューマー向けハードウェアの訴求を支える計算を示し、どのベンチマーク行をMeta自身が実行し、どれを他社から借用したかを明記している。Muse Glimmerは300億パラメータのdenseモデルで、Apache 2.0、テキストと画像を入力とし、MetaのフロンティアMuse Spark教師モデルから蒸留されたもので、レポート全体を通じてGemma4-31BおよびQwen3.6-27Bとベンチマーク比較されている。またレポートは、その蒸留のコストを初めて適切に算出している。55.7GBのBF16重みを19.65GBに圧縮して言語モデルを32GBカードに収め、品質コストを主張ではなく測定している。このようなリリースの背景にある、記録されたAI障害やエージェント・インシデントは、OrcaRouter AI Incident Archiveに収集されており、各項目には独自の情報源、重大度、信頼度グレード、異議ありフラグが付いています。
論文の開示のうち2つは、ローンチブログほど好意的ではない。第一は、ベンチマーク表が混成であり、Metaだけを対象にした一括測定ではないことだ。4行はArtificial Analysisから来ており、2つの競合他社の数値はそれら競合他社自身の自己申告であり、残りはMetaの内部実行で、競合他社向けに調整されていなかったとMetaがなお認めている設定に対するものだ。第二は、この記事が当初数週間かかると述べていた検証がすでに行われたことだ。Artificial AnalysisはMuse Glimmerを採点しており、現在のインデックスではモデルは17位で、21のQwen3.6-27Bの後ろ、15のGemma4-31Bの前にある。一方、ローンチと同時にMetaが約束した、はるかに大規模なMuse Sparkのオープンウェイトは、10月15日にMuse Spark Openとして履行された。総パラメータ816B、アクティブ42Bで、Apache 2.0ではないライセンスの下にある。
{{1}}レポートがモデルの実際の姿について述べていること{{/1}}
アーキテクチャは現在、テンソルの形状に至るまで公開されており、人々がこれまで議論してきた挙動の大部分を説明している。Muse Glimmerは合計約29.6Bパラメータで、内訳は52個のTransformerブロックに約25.16B、非結合のトークン埋め込みに1.34B、非結合の出力射影に1.34B、そして別個の1.8Bの知覚エンコーダーである。このエンコーダーは50層、幅1536のViT-G/14で、448ピクセルの参照グリッドに対して14ピクセルでパッチ化される。隠れ次元は6,656。AttentionはGrouped-Queryで、32個のクエリヘッドに対して2個のキー・バリューヘッド、比率は16:1であり、2,048トークンのスライディングウィンドウを「ローカル3層→グローバル1層」の繰り返しパターンで用い、RoPEはローカル層にのみ適用される。語彙はLlama 4 BPEトークナイザーで202,048トークン、コンテキストは128K以上。知識カットオフは2026年1月4日。
論文に載っている2つの数値は、公開当日にもっと注目されるべきだった。1つ目は言語数だ。要旨には「100以上の言語」、本文には約140、付録にはOmnilingual-GAIA2スコアが60.4とあり、これはGemma4-31Bの37.5、Qwen3.6-27Bの45.0に対するものだ。これは大きな差であり、表の他のすべてと同様、Meta自身による実行結果である。2つ目は学習レシピだ。事前学習はMuse Sparkからのロジット蒸留で、教師の上位256ロジットを使い、実行の最初の95%はKLダイバージェンス、最後の5%は正解ターゲットに対する交差エントロピーに切り替えて、top-k蒸留がもたらす打ち切りバイアスを補正する。中間学習ではコンテキストを32Kから128Kに拡張し、エージェント軌跡データを注入する。事後学習は教師ありファインチューニング、次にオンポリシー蒸留、次に多目的強化学習だ。Metaはこの規模ではオンポリシー蒸留が強化学習のみのレシピを上回ったと明言している——自分で小さなエージェントモデルを学習させる人にとって有用なデータ点だ。
製品概要は変わっていない。MetaはGlimmerを「常時稼働のローカルエージェントワークフロー」向けに開発した——ツールを呼び出し、多段階の計画に従い、呼び出しが失敗しても停止せずに復旧し、推論の労力を上げ下げできるエージェントだ。想定される用途は地味なものばかりで、ローカルでのコーディング、関数呼び出し、スケジュール管理、ファイル整理、LLM-as-a-judgeによる評価といった作業である。OpenClawのようなオーケストレーションフレームワーク上で動作し、論文は、コンパクトで信頼性の高いツール呼び出しモデルへの需要がそもそも存在する理由として、このフレームワークを名指しで挙げている。
「あなたのGPUに収まる」という主張の数字はどこから来ているのか
これは技術レポートが決着をつけるために存在するセクションであり、マーケティングよりも持ちこたえている。BF16では重みは55.7GBを占める。Metaは24GBまたは32GBのメモリを搭載した展開を対象とし、量子化されていないKVキャッシュ、知覚エンコーダー、DFlashドラフター用の余地を確保するため、言語モデルの重みを20GB未満に抑えることを目指している。7つの学習後量子化スキーム — GPTQ、AWQ、均一NVFP4、均一MXFP8、llama.cppのQ4_K_M、Greedy-KLと呼ばれるキャリブレーション変種、適応させたEvoPress — をホールドアウト負の対数尤度に対して評価し、次に15の下流ベンチマークに対して評価した。
結果は、漠然とした「4ビット」という主張ではなく、名前の付いた2つのデプロイメントプロファイルです。32GBプロファイルはEvoPressで、重みは19.65GB、15個のベンチマーク全体ではBF16の75.7%に対して平均75.6%——0.1ポイント差です。24GBプロファイルはQ4_K_Mで、より小さなフットプリントながら平均74.8%、0.9ポイント低くなります。平均応答長はBF16の11,070トークンから、EvoPressでは11,417トークン、Q4_K_Mでは10,774トークンへと変化するため、積極的な量子化が思考連鎖の長さを膨らませるという一般的な懸念は、ここでは見られません。これらはMetaの評価ミックス上でMetaが測定した数値です。このモデルについて誰かが公開した中で最も具体的な品質対メモリの数値であり、それでもなおベンダーによる数値です。
速度は、論文がブログ記事よりも内容が薄い唯一の領域だ。レポートは、4ビット重みと投機的デコーディングを組み合わせることで「単一のRTX 5090で実用的な速度」が得られると述べ、ドラフターについて詳細に説明している——5層、ブロックサイズ16、クエリヘッド32個とキーバリューヘッド8個、D-PACE目的関数を用いたオンポリシーロールアウトによるオフライン訓練——が、スループットの表は掲載していない。出回っている数値、すなわちRTX 5090でのデコード速度向上約3.1倍(llama.cppで毎秒74.9トークンから233トークンへ)、M5 Maxで1.8倍、M4 Maxで1.5倍は、Metaの発表資料とモデルカードによるもので、レポートによるものではない。誰かが自分のマシンで再現するまでは、ベンダー公称値として扱うべきだ。ローカルモデルの場合、これは本当に簡単に実行できる実験だ。
このリリースがスペックシートを超えて重要な理由
2025年春のLlama 4以降、Metaはオープンウェイトについて沈黙し、Meta Superintelligence Labsの下でプロプライエタリなフロンティア路線へと後退していた。Muse Glimmerはその戦略への公的な回帰であり、14ページに及ぶザッカーバーグのエッセイ「The Future is for Everyone」—集中した管理こそが真のAIリスクだと論じる—と、同名の10億ドル基金を伴って登場した。その論文は政治的な議論を繰り返さず、より有用なことをしている。つまり、オープンウェイトへの回帰は一度きりのジェスチャーではなかったことを示しているのだ。
10月15日、MetaはMuse Spark Openの重みを公開した。総パラメータ816B、アクティブ42B、100万トークンのコンテキストを持ち、MetaによればMLXを使ってApple M5 Ultra搭載Mac Studio 2台で実行できる。これは教師モデルのオープンウェイト版にあたる兄弟モデルであり、本記事が当初未解決のままにしていた問いに答えるものだ。ただしその答えにはただし書きが付く。Muse Spark OpenはApache 2.0ではなく、商業利用条件が制限されたMuse Model Licenseの下で提供される。Glimmerは2つのうちより寛容なライセンスのままであり、30Bというサイズから、このペアの中で単一のコンシューマーGPUのメモリに収まる唯一のモデルだ。Meta自身の位置づけでは、Spark OpenはMac Studioを積んだ構成を持つ人向けのデスクトップクラスのモデルであり、Glimmerは24GBカード向けのモデルだ。
上記のSpark Openの数値はすべてMetaによるもので、「2台のMac Studioで動作する」という主張は特に独立して再現されていない。争いがないのはラインナップの構成だ。制限の緩い30Bのエージェントモデル、制限付きの816Bフラッグシップ、そしてその両方の上に位置するフロンティアAPI層がある。これは単一のリリースではなく一貫したオープンウェイト戦略であり、Metaのより小型のモデル上で構築するかどうかのあらゆる判断に織り込むべきものだ。

「スモーク」という表示、行ごとに
上記のスコアボードはリリース当日に生成されたもので、その後1行が追い越されている。そのArtificial Analysis列はMuse Glimmerについて依然「エントリなし」と表示している。Metaのスコアカード自体は、高い推論強度のMuse GlimmerをGemma4-31BおよびQwen3.6-27Bと36行にわたって比較している。ローンチ当日からの傾向は変わらない。最大の成果は汎用的なエージェント推論、検索、多言語作業である。
• MCP-Atlas(エージェント型ツール使用)— Muse Glimmer 75.5、Gemma4-31B 54.2、Qwen3.6-27B 62.5。依然として注目の行であり、このセットで最大の差です。
• DeepSearch QA — 74.6(61.7 と 71.1 に対して)、GAIA2 — 43.3(36.4 と 40.0 に対して)、WildClawBench — 47.6(37.6 と 43.2 に対して)。
• GDPval-AA v2 — Gemmaの811、Qwenの1,141に対して953 Elo。注目すべき点:経済的に価値のある知識労働では、Qwenが大差で勝っている。
• SWE-Bench Pro — 36.9と50.2に対して51.2、ARC-AGI — 高推論で66.9、レポートが追加した新しいxhighティアで67.9、LiveCodeBench Pro(2025 Q2)— highで64.1、xhighで66.8。
• τ³-Banking — 15.1 および 16.7 に対して 23.5、PinchBench(ツール使用)— 90.5。
負ける行も同じくらい示唆に富む。Qwen3.6-27Bは実践的なコンピュータ操作とターミナル作業で優位に立つ。OSWorld-Verifiedは75.6対Glimmerの65.9、TerminalBench 2.1は60.7対51.7、SWE-Bench Verifiedは77.2対76.0、さらにSkillsBenchでも46.6対44.3と僅差で上回る。Gemma4-31Bはプライバシーと安全性の記録で上回る。CIMemoriesの違反率は12.1%で、Glimmerの26.4%、Qwenの53.4%に対して低く、Siren AgentDojoでの攻撃成功率も25.6%と最も低く、Glimmerの28.4%、Qwenの40.3%を下回る。Gemmaは限定的な推論テストでも優位で、GPQA Diamondは85.7対83.5、Humanity's Last Examは23.6対22.0となっている。
方法論の付録は、上記すべてをどう読むべきかを変える部分であり、公開時に本記事が述べた内容を訂正するものだ。すべての行がMeta自身によるものではない。競合モデルについてMetaは「自己申告スコアと当社内部再現のうち、より有利な結果」を報告しており、τ³-Banking、GDPval-AA v2、Terminal-Bench 2.1、SciCodeの4つのベンチマークは社内で実行したものではなくArtificial Analysisから提供されている。Qwen3.6-27BのSWE-Bench Verifiedの数値はQwen自身の自己申告である。QwenのSWE-Bench Proの数値はMetaの内部実行によるもので、Qwenが公表した数値はベンチマークの改良版から得られたものであり、Metaは元のタスクセットを評価したためだ。その他については、Metaが競合モデルを自ら再現しており、同社のエージェントツールとシステムプロンプトは「プロプライエタリなサードパーティモデル向けに特別にチューニングされているとは限らない」と述べている。
それはローンチブログが示したものより慎重な開示であり、両面あります。ベンダーによる完全な総なめではないため、表の信頼性は高まります。しかし「自己申告と我々の再現のうち有利な方」というルールは、競合自身の数値がより高い行でしか競合に有利に働き得ず、Metaの未調整セットアップに関する注意書きは、Meta自身が生成したすべての行に依然として当てはまります。行レベルの詳細は今や監査可能で、それは望ましいことです。バイアスの方向は論文から完全には知り得ません。
独立したスコアボードが示すもの
Artificial Analysisが今回モデルを採点したことで、本記事が8月まで抱えていた「まだ独立した結果がない」という注記は解消された。AAの現行インデックスでは、高い推論強度におけるMuse GlimmerのIntelligence Indexは17で、比較対象セットの141モデル中14位。Qwen3.6-27Bは21、Gemma4-31Bは15。AAはまた、出力137トークン/秒、最初のトークンまでの時間0.91秒を計測しており、これは同クラスでは高速で64モデル中16位、Intelligence Indexタスクあたりのコストは約$0.06。
スコアの水準には注意書きが必要だが、ランキングには不要だ。AAのリリース週の記事では、同じ3モデルが同社のインデックスで35、38、30だったが、現在のモデルページでは17、21、15になっている。絶対値は動いたが、順序は動いていない。再スケーリングの原因が何であれ、両方の測定に共通する安定した事実はランキングだ。総合ではQwenがGlimmerより上、GlimmerがGemmaより上、エージェント固有の行ではGlimmerが上だ。これは「同程度の規模のオープンモデルをリードする」より狭い主張を裏付ける——汎用知能インデックスでは、4月の27Bモデルが依然として勝つ——そして、狭いほうの主張が正確だ。
AAのリリース週評価は、今後も引き継ぐ価値のある所見を追加した。Muse Glimmerの幻覚率が82%であるのに対し、Qwen3.6-27Bは49%で、AA-Omniscience指数は−33だった。あなたのマシン上で無人で動作しツールを呼び出すエージェントにとって、どれだけの自律性を与えるべきかを左右すべきなのは、MCP-Atlasよりもこの数値だ。AAはまた、Qwen3.6-27Bを非推奨とし、Qwen3.8-27Bを推奨するようになった。そのため、この表の大部分でGlimmerが比較対象としているライバルは、もはやそのベンダーの現行モデルではない——これは、Metaの比較が8月に予想できなかった細部であり、10月に公開された報告書でも扱われていない。
下のキャプチャは、Glimmer が採点される前の時点の比較ページです。そのため、Glimmer がそこに含まれている姿ではなく、Glimmer が参加しようとしていたフィールドが表示されています。これは現在の順位ではなく、検証前のベースラインとして読んでください。

実際にかかるランニングコスト
Muse Glimmer 自体は無料です — Apache 2.0 で、トークンごとの課金も Meta への支払いもなく、レポートはリリースにフル精度の重み、4ビット版、DFlash 投機ヘッドが含まれることを確認しています。コストはその下にあるハードウェアです。BF16 は 55.7GB を必要とし、これはカード2枚か、コンシューマー向けカードではどれも無理ということです。購入するなら狙うべきは 32GB の EvoPress プロファイルです。BF16 と比べて平均精度が0.1ポイント低下する代わりに、32GB カード1枚、または統合メモリを搭載したハイエンド Mac に収まります。24GB の Q4_K_M プロファイルは0.9ポイントの低下で、RTX 5090 クラスのカードに収まり、継続的に稼働するエージェントにとっては妥当なトレードオフです。
購入よりもレンタルを希望するなら、追跡されているホステッド料金は現在、このページが8月に示した料金よりも低くなっています。Artificial AnalysisはMuse Glimmerについて、入力トークン100万あたり$0.30、出力100万あたり$1.20を記録しており、リリース時に最初の掲載で示された$0.35と$1.50に対して、87%のキャッシュ割引と約$0.21のブレンド料金を伴います。これらはMetaの価格ではなく、プロバイダーが掲載するマーケットプレイス料金です——Metaは自前のホステッドGlimmerエンドポイントを公開しておらず、その開発者向けドキュメントは、ツールをローカルのMuse Glimmerサーバーに向けることを前提に書かれています。その動きが同じプロバイダーによる値下げなのか、より安価なプロバイダーが追跡対象に加わったのかは、このインデックスでは示されません。いずれにせよ、オープンウェイトのリリースにとっての方向性は予測可能です。
慎重に比較する価値があるのは依然としてローカル対ホスト型であり、マーケティングが示唆するほど接戦ではない。32GBカードは固定費で、これから生成するすべてのトークンにわたって償却される。ホスト型の料金は限界費用で、利用量に応じて増え、プロバイダーが撤退すれば消える。$0.30と$1.20なら、ホスト型の選択肢はほとんどのチームがハードウェアを買う前に始めるのに十分安く、ローカルの選択肢が勝つのは、トークンをマシンの外に出せない場合か、GPUが請求額より安くなるほど利用量が多い場合だけだ。
当社について1点補足します。これは、この件のいずれかの価格設定にどう関わるかという点に関わるためです。Muse Glimmer は OrcaRouter のカタログにはありません。当社がルーティングするのはホスト型 API であり、このモデルはホスト型ルートとして提供されていないため、0% マークアップや「1つのキーですべて」という仕組みは現時点では同モデルには適用されません。適用されるのはその規律です。当社が実際にルーティングしている200以上のモデルについては、表示価格はプロバイダーの定価を0%マークアップでそのまま通したもので、ベンダーの値下げはマージン再計算の後ではなく当日にここへ反映されます。Glimmer をどのように動かすにせよ、この比較はその基準に照らして評価されるべきです。
今週、実際にどう使うか
オープンウェイトとして提供されるため、入手方法はダウンロードです。ベースリポジトリは Hugging Face の meta-models/Muse-Glimmer-30B で、4ビット版と GGUF ビルドも併せて公開されています。初日から対応したランタイムは llama.cpp、MLX、ExecuTorch でした。Ollama、LM Studio、vLLM、SGLang は数日以内に続き、AMD、Arm、Dell、Intel、Nvidia 向けのハードウェア最適化の取り組みも挙げられています。ほとんどの人にとって実用的な手順は変わりません。GGUF を取得し、llama.cpp またはローカルランナーで読み込み、エージェントスキャフォールドをそれに向けて設定し、EvoPress のものに回せる 32GB の余裕がない限り、24GB の Q4_K_M プロファイルから始めてください。
その上に構築すべきか判断しているなら、正直なところ、Glimmerは文書化された品質の下限、測定されたハルシネーション問題、そして現在は一部監査可能になったベンダーのベンチマーク表を備えた、優れたローカルエージェントです。教師モデルは別の話です:Muse Spark 1.2はOrcaRouter経由でルーティング可能であり、入力100万トークンあたり$1.25、出力100万トークンあたり$4.25なので、チームは小型モデルをデバイス上で安価でプライベートな常時稼働の作業に走らせ、難しいケースは同じキーで大型モデルにルーティングできます。その分担 — 定常ループにはローカルの生徒、エスカレーションにはホストされた教師 — が、この2つのリリースが実際に支えるアーキテクチャであり、すでに所有しているかもしれないGPUとトークン予算の費用で今週テストできます。自動フェイルオーバーこそが、モデルが独立した実績を構築している最中でも、ホスト側の部分を本番経路に安全に載せられるようにするものであり、それはまさにGlimmerが置かれている状態です。
下のスクリーンショットは、リリース当日の時点でのモデルカードです。「どの推論プロバイダーによってもデプロイされていない」という一文は、Hugging Face自身のファーストパーティ推論を指しており、8月9日に始まったサードパーティによるホスティングとは別のものです。そしてこれは、その一文がどれほど早く色あせてしまったかを思い知らせるものです。

何を観るべきか
この話に決着をつけるはずだった3つのことは、ほぼ決着した。Sparkのオープンウェイト公開は10月15日に行われた。独立した測定も行われ、総合ではQwenが先行、エージェント分野ではGlimmerが先行、Gemmaはそのどちらにも後れを取っているという結果だった。ホスティングは広がり、追跡価格は現在$0.30と$1.20で、$0.35と$1.50ではない。
残る論点はより狭く、より興味深いものになっている。第一に、Meta の外の誰かが量子化のトレードオフを再現できるかどうか——0.1 ポイントと 0.9 ポイントという差はこのレポートで最も説得力のある部分であり、24GB のカードで最も検証しやすい部分でもある。第二に、エージェント性能の優位が、そのモデルを前提に組まれていないハーネスでも維持されるかどうか。MCP-Atlas の 75.5 が破るべき数字であり、スキャフォールドの違いに最もさらされている数字でもある。第三に、Meta の次の小型リリースが Apache 2.0 ライセンスを引き継ぐのか、それとも Spark Open が採用していた制限付きの Muse Model License を引き継ぐのか——この一つの選択が、Glimmer 系が他者の製品の基盤として使い続けられるかどうかを決める。
ローンチ時のツイートは、ニュースについては正確で、評価については寛大だった。技術レポートが補っているのは、8月には欠けていた部分だ。何が、どのハードウェアで、誰によって、品質をどれほど犠牲にして測定されたのかが、今なら分かる。これは、ベンチマーク表やツイートのどちらよりも意思決定のより良い根拠であり、このモデルが単に読んで知るだけではなく、計画に組み込む価値が依然としてある理由でもある。
実際に答える価値のある質問
Muse Glimmer は本当にオープンソースですか?
Apache 2.0 の下でオープンウェイトとして提供されており、誰でも Meta に支払うことなくダウンロード、改変、ファインチューニング、商用デプロイができる。報告書はまた、ライセンスが実際に何を対象としているかも確認している。フル精度の重み、2つの4ビット変種、DFlash ドラフター・ヘッドはすべて公開されている。公開されていないのは学習データと Muse Spark 教師の重みであり、だからこそ「オープンウェイト」は、OSI の意味での完全なオープンソースではなく、慎重な表現となっている。実用面では、この契約は Llama を AI 界で最も広くデプロイされたオープンなファミリーにした契約と同じものだ。
Muse Glimmerは実際にGemma4-31BとQwen3.6-27Bに勝てるのか?
Meta自身の表では、エージェント系と検索系の行の大半で勝っており、方法論の付録は現在、それらの行のどれがMetaの実行によるもので、どれがArtificial Analysisまたは競合他社自身の報告によるものかを示している。独立した見方はより限定的だ。AAのIntelligence Indexでは、Qwen3.6-27Bが21、Muse Glimmerが17、Gemma4-31Bが15となっている。したがって正確なのは、Glimmerがツール使用、多段階計画、多言語エージェント作業で同サイズクラスをリードしている一方、総合的な一般知能やコンピューター操作タスクではリードしていない、という表現だ。
ノートパソコンで実行できますか?
「laptop」が24GBまたは32GBのディスクリートGPUを搭載したもの、あるいはそれだけの統合メモリを備えたハイエンドMacを指す場合に限る。レポートでは、BF16の重みを55.7GBと見積もり、2つの圧縮プロファイルを対象としている。32GBマシン向けの19.65GBの重みと、24GB向けのより小さいQ4_K_Mビルドで、いずれもKVキャッシュ、知覚エンコーダー、ドラフター用の余裕を残している。統合グラフィックスや16GBマシンでは、リリースが想定している常時稼働エージェントではなく、より重い量子化と遅い出力を覚悟することになる。
どこで入手できますか?また、それはAPIで利用できますか?
重みは Hugging Face の meta-models/Muse-Glimmer-30B にあり、llama.cpp、MLX、ExecuTorch、Ollama、LM Studio を通じてローカルで実行できます。ホスト型アクセスはサードパーティのプラットフォーム経由で提供されており、Artificial Analysis が追跡しているプロバイダー価格によると、入力100万トークンあたり約0.30ドル、出力100万トークンあたり約1.20ドルです。Meta は自社のホスト型 Glimmer エンドポイントを公開しておらず、このモデルは OrcaRouter にはありません。ホスト型ルートとして提供されるようになれば、当社がルーティングしている200以上のモデルにアクセスできるのと同じキーでこのモデルにもアクセスできるようになりますが、現時点ではそうではありません。
この記事で比較したモデル1
この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新
