Muse Glimmer（ミューズ・グリマー）は、Metaが2026年10月19日に技術レポートを公開した30B（300億）パラメータのオープンウェイトモデルで、コンシューマー向けハードウェアの上でエージェントタスクを動かすことを目的に設計されています。テキストと画像を入力してテキストを出力し、約4bit精度に量子化することで単一のコンシューマーGPU上での推論を可能にします。
室谷代表取締役Muse Glimmer、名前だけ聞くとまたMetaのMuseシリーズかという感じなんですけど、中身はかなり攻めた位置づけなんですよね。30Bのオープンウェイトで、しかも「端末の上でエージェントを動かす」に振り切っている。
テキトー教師DotAI 認定講師そうなんですよ。単に「30Bのモデルを出しました」という話じゃないんです。
発表の主語はあくまでMetaで、公式スレッドでは「コンシューマーハードウェア上でのエージェントタスクのために作った30Bのオープンウェイトモデル」と説明されています。まずはそこを丁寧に見ていきましょう。
発表の主語はあくまでMetaで、公式スレッドでは「コンシューマーハードウェア上でのエージェントタスクのために作った30Bのオープンウェイトモデル」と説明されています。まずはそこを丁寧に見ていきましょう。
Muse Glimmerとは？Metaが発表した30Bオープンウェイトモデルの正体
Muse Glimmerの3点セット＋公開条件
30Bパラメータ
30Bパラメータの因果言語モデル（前のトークンから次を予測するタイプ）
オープンウェイト
重みが公開され自前環境で実行・改変できる形態
知覚エンコーダ統合
perception encoder（知覚エンコーダ）を備える
100以上の言語で学習
over a hundred languages。日本語の個別性能の記述は資料にはない
技術レポート公開
公開されたのは技術レポート
Apache 2.0ライセンス
オープンソース開発を促すためApache 2.0でリリースと明記
室谷代表取締役公式ページのアブストラクトを読むと、Muse Glimmerは「perception encoder（知覚エンコーダ）を備えたオープンソースの30Bパラメータ因果言語モデル」と定義されています。因果言語モデルというのは、前のトークンから次を予測していくタイプの言語モデルですね。
テキトー教師DotAI 認定講師はい。ここで大事なのは3点セットなんですよ。
1つ目が30Bパラメータであること、2つ目がオープンウェイト（重みが公開され自前環境で実行・改変できる形態）であること、3つ目が知覚エンコーダを統合していること。この3つが揃ったモデルだという理解でいいと思います。
1つ目が30Bパラメータであること、2つ目がオープンウェイト（重みが公開され自前環境で実行・改変できる形態）であること、3つ目が知覚エンコーダを統合していること。この3つが揃ったモデルだという理解でいいと思います。
室谷代表取締役しかも「100以上の言語のデータで学習した」と書かれているんですよね。日本語もその射程に入ってくる可能性はありますが、どの言語でどれだけ性能が出るかの個別の記述は資料にはありません。
テキトー教師DotAI 認定講師そこは慎重に読みたいところです。資料で明示されているのは「over a hundred languages」という学習データの範囲まで。
日本語の性能を数値で保証する記述は現時点では明らかにされていません。
日本語の性能を数値で保証する記述は現時点では明らかにされていません。
室谷代表取締役あと、これは地味に重要なポイントなんですけど、今回公開されたのは技術レポートで、モデル自体はApache 2.0ライセンスでリリースすると明記されています。つまり重みの公開が前提の発表なんですよね。
テキトー教師DotAI 認定講師そうなんです。「論文が出ました」で終わらず、「オープンソース開発を促すためにApache 2.0でリリースする」と公式ページに書かれている。
ここは受講生さんにも必ず押さえてほしい部分です。ライセンス名は資料の表記どおりApache 2.0です。
ここは受講生さんにも必ず押さえてほしい部分です。ライセンス名は資料の表記どおりApache 2.0です。
室谷代表取締役MetaのMuse系だと、Metaの「Muse Wonder」とは？Active Memory搭載の新フロンティアモデルで扱ったフロンティア系のモデルもありますけど、Glimmerは方向性がだいぶ違いますよね。クラウドの大きなモデルではなく、手元のマシンで動かす前提。
テキトー教師DotAI 認定講師そこが今回の一番面白いところだと思います。MetaはMuseブランドで個人向けAIエージェントやMuse Wonder、Muse Spark 1.1といったモデル・製品を展開してきましたが、Muse Glimmerは「クラウドインフラを必要とせず端末上で動く」ことを明示している。
同じMuseでもレイヤーが違うんですよ。
同じMuseでもレイヤーが違うんですよ。
Muse Glimmerでできること——マルチモーダル入力とエージェントタスク
Muse Glimmerでできること
入出力
入力はテキストと画像、出力はテキスト
統合された能力
多段階推論、信頼性の高いツール使用、失敗からの回復を単一モデルに統合
学習データ
100以上の言語
想定環境
クラウドインフラを必要としないコンシューマーデバイス上のローカル実行
注意点
視覚理解の定量評価は資料になく、常時稼働の明示もない
室谷代表取締役で、何ができるのかという話なんですけど、公式ページには「多段階推論、信頼性の高いツール使用、失敗からの回復を単一モデルに統合する」と書かれています。エージェントとして使う前提の設計なんですよね。
テキトー教師DotAI 認定講師整理するとこうです。
- 入力: テキストと画像
- 出力: テキスト
- 統合されている能力: 多段階推論、信頼性の高いツール使用、失敗からの回復
- 学習データ: 100以上の言語
- 想定環境: クラウドインフラを必要としないコンシューマーデバイス上のローカル実行
室谷代表取締役「失敗からの回復」が入っているのがエージェントっぽいですよね。ツール呼び出しって失敗するじゃないですか。
そこで止まらずに立て直せるかどうかが実務ではめちゃくちゃ効いてくるんですよ。MYUUUでもエージェントを組んでいると、成功パスより失敗時のリカバリの方が設計コスト高いんですよね・・・。
そこで止まらずに立て直せるかどうかが実務ではめちゃくちゃ効いてくるんですよ。MYUUUでもエージェントを組んでいると、成功パスより失敗時のリカバリの方が設計コスト高いんですよね・・・。
テキトー教師DotAI 認定講師そこを単一モデルに統合すると明言しているのは大きいですね。講座でも「エージェントは推論モデル＋ツール実行基盤の組み合わせで作る」と教えることが多いんですが、その一部をモデル側が持つという発想です。
室谷代表取締役マルチモーダルという点では、知覚エンコーダを統合してテキストと画像を入力できる。ただ、どこまで細かい視覚理解ができるかの定量評価は資料には書かれていません。
ここは期待しすぎない方がいいです。
ここは期待しすぎない方がいいです。
テキトー教師DotAI 認定講師そうですね。資料で言及されているのは「知覚エンコーダを統合している」「テキストと画像を入力しテキストを出力する」という事実までです。
画像生成や動画生成の話はMuse Glimmerには出てきません。そちらはMeta、画像生成AI「Muse Image」と動画生成「Muse Video」発表のような別のモデルの領域です。
画像生成や動画生成の話はMuse Glimmerには出てきません。そちらはMeta、画像生成AI「Muse Image」と動画生成「Muse Video」発表のような別のモデルの領域です。
室谷代表取締役あとエージェント用途で気になるのは常時稼働なんですけど、公式スレッドには「consumer hardware上でのエージェントタスク」としか書かれていなくて、常時稼働を明示する記述は資料にはないんですよね。
テキトー教師DotAI 認定講師そこは誤解されやすいので注意です。「端末で動く」＝「24時間動かし続けられる」ではない。
何時間連続で動かせるか、バッテリーや発熱にどう影響するかは、現時点では明らかにされていません。
何時間連続で動かせるか、バッテリーや発熱にどう影響するかは、現時点では明らかにされていません。
Muse Glimmerの使い方・動かし方——単一GPUと4bit量子化の実行要件
Muse Glimmerの実行要件
ハードウェア
MacまたはPC、単一のコンシューマー向けGPU
精度
約4bitに量子化
速度
実用的な速度（practical speeds）と表現。具体的なトークン/秒の数値は資料になし
インフラ
クラウド不要、ローカル実行
室谷代表取締役使い方の話に行きましょう。公式スレッドでは「MacまたはPCで、単一のコンシューマーGPUを使い、4bit精度で実用的な速度で動く」と説明されています。
ここが実務者としては一番気になる部分です。
ここが実務者としては一番気になる部分です。
テキトー教師DotAI 認定講師整理すると、実行要件として資料に書かれているのはこの範囲です。
- ハードウェア: MacまたはPC、単一のコンシューマー向けGPU
- 精度: 約4bitに量子化
- 速度: 実用的な速度（practical speeds）と表現
- インフラ: クラウド不要、ローカル実行
室谷代表取締役「practical speeds」という表現で、具体的なトークン/秒の数値は資料には出ていないんですよね。ベンチマークの数値も「同サイズ級でstate-of-the-art」という主張までで、個別のスコアは技術レポート側の話だと思います。
テキトー教師DotAI 認定講師はい。ですので「何トークン/秒出るのか」「必要なVRAMは何GBか」という疑問には、現時点では明らかにされていませんと答えるのが正確です。
量子化のレシピや導入手順の詳細は技術レポートに記載があると公式スレッドが案内しています。
量子化のレシピや導入手順の詳細は技術レポートに記載があると公式スレッドが案内しています。
室谷代表取締役4bit量子化で単一GPUに載せる、という設計自体はすごく実務的ですよね。30Bをフル精度で動かそうとすると普通は相当なメモリが要りますから。
そこを4bitに落としてコンシューマーGPUに収める、というのは「動かせる人が一気に増える」方向の意思決定なんですよ。
そこを4bitに落としてコンシューマーGPUに収める、というのは「動かせる人が一気に増える」方向の意思決定なんですよ。
テキトー教師DotAI 認定講師その通りで、量子化ありきの設計だという点は押さえておきたいです。逆に言うと、フル精度で動かした場合の挙動や品質は、この発表の主眼ではないということですね。
室谷代表取締役あと、Meta Model APIのようなクラウド経由の提供については、Muse Glimmerに関する記述は資料にはありません。Muse Spark 1.1はMeta Model APIのパブリックプレビューで提供されていますが、Glimmerはあくまでローカル実行の文脈で語られているモデルです。
テキトー教師DotAI 認定講師そこは混同しないようにしたいですね。Muse Spark 1.1の話はMeta、Muse Spark 1.1を公開：マルチモーダル推論モデルの進化で詳しく解説していますので、そちらとGlimmerは別物として読むのが正しい理解です。
料金・ライセンス・日本での利用可能性はどうなるか
室谷代表取締役料金の話ですけど、Muse GlimmerはオープンウェイトでApache 2.0ライセンスでリリースされると公式ページに明記されています。つまりモデルの利用に対するAPI課金のような話ではなく、重みを取得して自前環境で動かす形が前提なんですよね。
テキトー教師DotAI 認定講師はい。ただ、料金について資料に書かれているのはここまでです。
ホスティングサービスの提供価格や、マネージド環境での従量課金の有無は、現時点では明らかにされていません。
ホスティングサービスの提供価格や、マネージド環境での従量課金の有無は、現時点では明らかにされていません。
室谷代表取締役ライセンスがApache 2.0というのは実務的にはかなり扱いやすいですよね。商用利用の可否についても、Apache 2.0というライセンスの枠組みで判断する話になります。
資料では「オープンソース開発を促すため」と書かれています。
資料では「オープンソース開発を促すため」と書かれています。
テキトー教師DotAI 認定講師ライセンス名は資料の表記どおり「Apache 2.0」です。ここは省略せずに正確に伝えたいところですね。
室谷代表取締役日本での利用可能性ですけど、これは「MacまたはPCの単一コンシューマーGPUで動く」という設計なので、理屈の上では日本国内の開発者も自前のマシンで試せる、という整理になります。ただし日本語での性能評価や、日本向けの最適化がされているかは資料には書かれていません。
テキトー教師DotAI 認定講師そうですね。「100以上の言語で学習」という記述以上のことは言えない。
日本語でどれくらい実用的かは、実際に動かしてみないと分からない部分です。Meta AI全体の日本での使い方についてはMeta AIとは？日本での使い方・無料の範囲・AIグラス連携までで整理していますが、Glimmerはあくまでオープンウェイトのモデル単体の話として切り分けて考える必要があります。
日本語でどれくらい実用的かは、実際に動かしてみないと分からない部分です。Meta AI全体の日本での使い方についてはMeta AIとは？日本での使い方・無料の範囲・AIグラス連携までで整理していますが、Glimmerはあくまでオープンウェイトのモデル単体の話として切り分けて考える必要があります。
室谷代表取締役あと、オープンウェイトモデルあるあるなんですけど、「重みが公開されている」と「すぐ動くパッケージが配られている」は別なんですよね。実行手順の詳細は技術レポートを見てください、というのが公式の案内です。
テキトー教師DotAI 認定講師そこは受講生さんからもよく質問が出るところです。「公開＝すぐ使える」ではないので、レポートを読んで環境を組む前提で捉えておくのが安全です。
同サイズ級のGemma4-31B・Qwen3.6-27Bと比べて何が新しいのか
室谷代表取締役ここが比較のポイントですけど、資料で比較対象として明示されているのはGemma4-31BとQwen3.6-27Bの2つだけなんですよね。Metaはこの2つに対して、ツール使用・多段階計画・エージェントタスク完了で同サイズ級の最高性能を達成したと主張しています。
テキトー教師DotAI 認定講師はい。ここは主張の範囲を正確に押さえたいです。
「state-of-the-art performance for its size class」という表現で、同サイズ級の中での最高性能という主張です。個別のベンチマークスコアは資料には記載がありません。
「state-of-the-art performance for its size class」という表現で、同サイズ級の中での最高性能という主張です。個別のベンチマークスコアは資料には記載がありません。
室谷代表取締役で、何が新しいのかというと、比較軸が「ツール使用・多段階計画・エージェントタスク完了」に寄っているところなんですよ。汎用的な言語理解のスコア勝負ではなく、エージェントとして使ったときにどうか、という軸で比較している。
テキトー教師DotAI 認定講師そこは重要なポイントですね。整理すると、Muse Glimmerの新しさは次の3点に集約できます。
- 比較軸がエージェント実務（ツール使用・多段階計画・タスク完了）に置かれている
- クラウドではなくコンシューマーハードウェアでのローカル実行を前提にしている
- 知覚エンコーダを統合し、テキストと画像の両方を受け取れる
室谷代表取締役逆に、Gemma4-31BやQwen3.6-27Bと比べて「ここが何ポイント上」といった数値は資料にはないので、そこは技術レポートを待つしかないですね。憶測で優劣を書くのはよくないです。
テキトー教師DotAI 認定講師そうですね。あと、どれを選ぶべきかという話になると、ライセンスや実行環境の相性も効いてきます。
Muse GlimmerはApache 2.0で、単一GPUの4bit量子化が前提。この条件が自分の環境に合うかどうかで判断するのが実務的だと思います。
Muse GlimmerはApache 2.0で、単一GPUの4bit量子化が前提。この条件が自分の環境に合うかどうかで判断するのが実務的だと思います。
室谷代表取締役端末で動くエージェントモデルが示すMetaの狙いと実務への影響
室谷代表取締役ここからは少し引いた話を。Metaがなぜ端末で動くエージェントモデルに力を入れるのか。
資料から読み取れる範囲だと、Muse Glimmerは「クラウドインフラを必要とせず端末上で動く」点を明示している。これはローカル実行・プライバシー・オフライン動作への需要に応える位置づけと解釈できます。
資料から読み取れる範囲だと、Muse Glimmerは「クラウドインフラを必要とせず端末上で動く」点を明示している。これはローカル実行・プライバシー・オフライン動作への需要に応える位置づけと解釈できます。
テキトー教師DotAI 認定講師ただし、資料には「ユーザーの不便・声」のような具体的な記述はないんですよね。ですので「ユーザーがこう困っていたから作った」という因果までは言えない。
あくまで設計思想としてローカル実行を掲げている、という事実までです。
あくまで設計思想としてローカル実行を掲げている、という事実までです。
室谷代表取締役そこは正確に。でも実務者としては、エージェントをクラウドに投げずに手元で動かせる意味は大きいですよ。
データを外に出さずに多段階の処理を回せる。MYUUUでも、顧客データを扱う案件だとクラウドに投げるかどうかで設計が変わるんですよね。
データを外に出さずに多段階の処理を回せる。MYUUUでも、顧客データを扱う案件だとクラウドに投げるかどうかで設計が変わるんですよね。
テキトー教師DotAI 認定講師講座でも「エージェントをどこで動かすか」は必ず議論になります。クラウドは性能が出るけどデータが出ていく。
ローカルは閉じられるけど性能と速度の制約がある。Muse Glimmerはその後者側に選択肢を増やす発表だと言えます。
ローカルは閉じられるけど性能と速度の制約がある。Muse Glimmerはその後者側に選択肢を増やす発表だと言えます。
室谷代表取締役あと、30Bというサイズは「大きすぎず小さすぎず」の絶妙なラインなんですよ。単一GPUに4bitで載せられる規模で、かつエージェントタスクをこなすだけの推論力を持たせる。
このバランスを狙っているのが見えてきます。
このバランスを狙っているのが見えてきます。
テキトー教師DotAI 認定講師そのバランスが実務に効いてくるのは、試作のスピードですね。クラウドのAPIを叩いて検証していたものを、手元のマシンで回せるようになると、試行錯誤のコストが下がる。
受講生さんの作品づくりでも、ローカルで回せるモデルがあると学習の敷居が下がります。
受講生さんの作品づくりでも、ローカルで回せるモデルがあると学習の敷居が下がります。
室谷代表取締役ただ、繰り返しになりますけど、速度の実測値や必要メモリは資料にないので、実際に触ってみるまでは「動くはず」の段階です。過度な期待は禁物ですね。
テキトー教師DotAI 認定講師そうですね。発表の事実として確かなのは、Metaが2026年10月19日に技術レポートを公開し、Apache 2.0でモデルをリリースすると明言したこと。
そして同サイズ級のGemma4-31B、Qwen3.6-27Bに対してエージェント系ベンチマークで最高性能を達成したと主張していること。ここまでが資料で裏が取れる範囲です。
そして同サイズ級のGemma4-31B、Qwen3.6-27Bに対してエージェント系ベンチマークで最高性能を達成したと主張していること。ここまでが資料で裏が取れる範囲です。
室谷代表取締役ローカルエージェントの選択肢が増えるのは素直に嬉しいですよね。まずは技術レポートを読んで、量子化のレシピと実行手順を確認するところから始めましょう。
よくある質問
室谷代表取締役最後に、よく聞かれそうな点を整理しておきますか。
テキトー教師DotAI 認定講師はい、いきましょう。
Muse Glimmerとは何ですか？
Metaが2026年10月19日に技術レポートを公開した、30Bパラメータのオープンウェイトな因果言語モデルです。知覚エンコーダを統合し、テキストと画像を入力してテキストを出力します。コンシューマーハードウェア上でのエージェントタスクのために設計されています。
Muse Glimmerのライセンスは何ですか？
Apache 2.0です。公式ページに、オープンソース開発を促すためにApache 2.0でリリースすると明記されています。
Muse Glimmerはどんな環境で動きますか？
MacまたはPCで、単一のコンシューマー向けGPUを使い、約4bit精度に量子化して動かす想定です。クラウドインフラを必要とせず、ローカルで動作します。
必要なVRAMやトークン/秒の速度は公表されていますか？
具体的なVRAM量やトークン/秒の数値は、今回提示された資料には記載がありません。現時点では明らかにされていません。詳細は技術レポートに記載があると公式スレッドが案内しています。
日本語は使えますか？
Muse Glimmerは100以上の言語のデータで学習したと公式ページに記載されています。ただし、日本語での性能を個別に示す数値は資料にはありません。
どんなタスクが得意ですか？
多段階推論、信頼性の高いツール使用、失敗からの回復を単一モデルに統合しているとされています。Metaはツール使用・多段階計画・エージェントタスク完了で、同サイズ級のGemma4-31BおよびQwen3.6-27Bに対して最高性能を達成したと主張しています。
料金はかかりますか？
モデルはApache 2.0ライセンスでリリースされると公式ページに明記されています。ホスティングサービスやマネージド環境での提供価格については、現時点では明らかにされていません。
室谷代表取締役というわけで、Muse Glimmerは「端末で動くエージェント」という選択肢をオープンウェイトで出す発表でした。続報の技術レポートが出たら、また深掘りしていきましょう。
テキトー教師DotAI 認定講師はい。スペックの実測値が出てきたら、講座でも実際の使い勝手を検証していきたいですね。
