【Muse Glimmer】Meta発の30Bオープンモデル！ローカルPCで動くAIエージェントの性能・使い方を徹底解説

2026年8月10日、Metaはローカル環境で動作するオープンウェイトのAIモデル「Muse Glimmer」を公開しました！

Muse Glimmerは、300億パラメータながら4bit量子化で24GB VRAMのGPU1枚に収まり、RTX 5090上ではDFlashスペキュレーティブデコーディングによって最大233.4 tok/sの推論速度を叩き出しているそうです。

とはいえ、「自分のPCで本当に動くの？」「どうやってセットアップすればいい？」「商用利用のライセンスはどうなっている？」と気になっている方も多いのではないでしょうか。

この記事では、Muse Glimmerの概要や仕組み、ベンチマーク結果、料金体系、ライセンス情報から、OllamaやLM Studioを使った具体的な導入手順、業界別の活用シーン、実際に使ってみた検証結果まで徹底的に解説します。

ぜひ最後までご覧ください！

【監修者】田村 洋樹

株式会社WEEL代表取締役 / 累計25社以上のAIアドバイザリーを担当 / 企業向けセミナー・大学講義でのべ10,000人超に登壇 / 日本HP・インテルなど、大手企業主催カンファレンスへの登壇実績多数。AI導入支援・生成AIを活用した業務改革のプロとして、アドバイザリー・PM・講演者など多面的な立場から企業を支援中。

Muse Glimmerとは？

Meta Superintelligence Labs（MSL）が開発したMuse Glimmerは、300億パラメータのDense（密）アーキテクチャを採用しており、ローカル環境での常時稼働AIエージェント用途に最適化されています。上位モデルであるMuse Sparkから蒸留によって生成されたモデルで、MacやPC上のGPU1枚で動作する軽量さが最大の売りとなっています。

ライセンスにはApache 2.0が採用されており、Metaのオープンウェイトモデルとしては初めてLlamaシリーズ独自のライセンスから脱却した形です。商用利用や改変、再配布に実質的な制約がなく、開発者が自由にカスタマイズして使える点が注目されています。

テキストと画像のマルチモーダル入力に対応し、コンテキスト長は131,072トークン以上を確保。100言語以上の多言語対応もなされており、コーディングエージェントやファイル管理、スケジュール管理といった幅広いローカルAIエージェントのユースケースをカバーしています。

CEOのMark Zuckerberg氏はリリースに合わせて公開したエッセイの中で、「超知性を中央集権化するのではなく、広く分散させ、すべての人がそれを操作できるようにすべきだ」と述べており、Muse Glimmerはその思想を体現するモデルといえるでしょう。

Muse Glimmerの仕組み

Muse Glimmerは、Dense型（全パラメータが毎回のトークン処理で活性化する方式）の因果変換モデルをベースとしています。MoE（Mixture of Experts）方式と異なり、ルーティングのオーバーヘッドが発生せず、長時間のエージェントワークフローでも安定した推論速度を維持できるのが特徴です。

アーキテクチャの面では、Grouped-Query Attention（GQA）を採用しており、32個のクエリヘッドと2個のKVヘッドで構成されています。アテンションパターンは「ローカル・ローカル・ローカル・グローバル」の繰り返しで、スライディングウィンドウは2,048トークンに設定。RoPE（回転位置エンコーディング）はローカルレイヤーにのみ適用され、theta値は500,000となっています。

ビジョン側には約18億パラメータのViT-G/14パーセプションエンコーダーが搭載されており、1画像あたり最大4,096のビジュアルトークンを受け付けます。スクリーンショットやチャート、ドキュメントの画像を会話と組み合わせて処理できるマルチモーダル対応を実現しています。

トレーニングは3つのフェーズで進められたそうです。まず事前学習では、教師モデルであるMuse Sparkの出力をロジット蒸留で学習。次の中間学習では、長文コンテキストのエージェント向けデータや推論トレースを重点的に投入。そして事後学習では、教師あり微調整とオンポリシー蒸留、さらに強化学習を組み合わせて、汎用・推論・コーディング・エージェントの各ドメインにわたる能力を磨き上げています。

Muse Glimmerの特徴

Muse Glimmerの性能面における最大の注目ポイントは、同サイズ帯のオープンモデルを複数のベンチマークで上回っている点です。

Metaが公開したベンチマーク結果では、Gemma4-31BおよびQwen3.6-27B（いずれもThinkingモード）との比較において、エージェント系タスクで明確な優位性が示されています。

MCPプロトコルを介したツール呼び出しの精度を測るMCP Atlasでは75.5を記録し、Gemma4-31Bの54.2、Qwen3.6-27Bの62.5を大きくリード。DeepSearch QAでも74.6（対61.7、71.1）、SWE-Bench Proでも51.2（対36.9、50.2）と、エージェントが実際にタスクを完了させる能力で強みを見せています。

推論能力についても、AIME 2026で94.7（対89.2、94.1）、長文脈理解のAA-LCRで80.0（対68.3、73.3）と高水準です。

一方で、コンピュータ操作やターミナル作業の領域では、Qwen3.6-27BがOSWorld-Verifiedで75.6（対65.9）、TerminalBench 2.1で60.7（対51.8）、SWE-Bench Verifiedで77.2（対67.2）と逆転しており、すべてのタスクで万能というわけではありません。得意な領域を見極めて活用することが重要になってきます。

X上で話題沸騰！Ollama・LM Studioで即日動作可能に

Muse Glimmerの公開と同時に、主要なローカル推論ツールでの対応が次々と発表されたこともSNS上で大きな話題となりました。

今回解説する事例において、弊社がX（旧Twitter）で発見した参考となるツイートを紹介させていただいております。取り下げなどのご連絡は、contact@weel.co.jp からご連絡ください。

Ollamaは公式Xアカウントで、MLXエンジンによるApple Silicon対応を含めた即日サポートを発表しています。

また、LM Studioでもすぐに利用可能になったことが報告されており、日本の情報発信者からも注目のポストが相次ぎました。

SGLangチームも、RTX 5090上でNVFP4とDFlashを併用し約230 tok/sの推論速度を達成したと報告しており、ローカルAIエージェントの実用性が一気に高まったといえるでしょう。

日本のAIインフルエンサーも、ベンチマーク結果や量子化の仕組みをわかりやすくまとめた速報ポストを投稿しています。

Muse Glimmerの安全性・制約

Metaは、Muse Glimmerに対してAdvanced AI Scaling Framework（高度AI拡張フレームワーク）に基づく安全性評価を実施しています。

評価の結果、化学・生物、サイバー、制御喪失のリスクカテゴリーにおいて、いずれも「Moderate（中程度）」以下と判定されました。フロンティアAIの定義には該当しないとされており、リスクレベルとしては比較的低い位置づけです。

ただし、ローカル環境で動作するエージェントモデルである以上、クラウド型のチャットボットとは異なるセキュリティ上の課題があります。ファイルシステムへのアクセスや外部APIの呼び出しをモデルが直接行うため、Metaは不可逆的なアクションの実行前に人間の確認を挟むことを推奨しています。プロンプトインジェクションへの耐性も訓練されてはいますが、デプロイ時にはループバックアドレス（127.0.0.1）へのバインドなど、システム側のガードレールを適切に設定することが求められます。

Muse Glimmerの料金

Muse Glimmerはオープンウェイトモデルであり、モデルの重みをダウンロードしてローカルで実行する場合は無料です。ハードウェアの電気代やGPUの購入費用を除けば、推論にかかるランニングコストは発生しません。

一方、サードパーティのAPIプロバイダー経由で利用する場合は、各社の料金体系が適用されます。2026年8月時点での主要プロバイダーの参考価格は以下のとおりです。

ローカル実行であれば文字どおりコストゼロで済むため、エージェントの長時間稼働やバッチ処理のように、クラウドAPIでは料金がかさみやすいワークロードとの相性が抜群です。24GB VRAMのGPU（RTX 4090やRTX 5090など）が1枚あれば、量子化版を使って本番運用レベルの推論が可能となっています。

Muse Glimmerのライセンス

Muse GlimmerはApache 2.0ライセンスで公開されており、Metaのオープンウェイトモデルとしては最も寛容なライセンス条件となっています。従来のLlamaシリーズでは月間7億ユーザー超の企業に対する利用制限など独自の条件が付されていましたが、Apache 2.0にはそうした制約が一切ありません。

利用用途	可否	備考
商用利用		制限なし
改変		ファインチューニングやカスタマイズも自由
再配布		改変版の再配布も許可
特許利用		Apache 2.0に特許付与条項あり
私的利用		制限なし

公開されているのはモデルの重み（BF16フルプレシジョン、GGUFのk-quant版、ExecuTorchビルド、DFlashドラフターを含む）であり、トレーニングデータやトレーニングコードは非公開となっている点には留意が必要です。とはいえ、商用利用や派生モデルの作成に関して実質的な障壁がないため、スタートアップから大企業まで幅広い層が自由に活用できるモデルといえるでしょう。

Muse Glimmerの使い方

Muse Glimmerはさまざまな方法で利用できます。ここからは代表的な導入手順をステップバイステップで紹介します。

STEP

Ollama（ローカル）で使う

もっとも手軽な方法のひとつが、Ollamaを使ったローカル実行です。Apple SiliconのMacであれば、MLXエンジンによる最適化が効いた状態で動作します。

まだインストールしていない場合は、Ollamaをインストールします。

curl -fsSL https://ollama.com/install.sh | sh

Muse Glimmerモデルをダウンロードして起動します。

ollama run muse-glimmer

起動後はそのままプロンプトを入力するだけで、ローカル環境での推論が始まります。ネットワーク接続は不要で、すべての処理が手元のマシン上で完結します。

STEP

LM Studio（GUI）で使う

ターミナル操作に慣れていない方にはLM Studioがおすすめです。GUIベースでモデルの管理と実行ができます。LM Studioの公式サイトからアプリをダウンロードしてインストールします。

アプリを起動し、検索バーで「Muse Glimmer」と検索します。

表示された量子化バリアント（Q4_K_MやQ5_K_Mなど）から、お使いのVRAMに合ったものを選択してダウンロードしてください。24GB VRAMの場合はQ4_K_M、32GB以上であればQ5_K_M以上が目安となります。

ダウンロード完了後は、チャット画面からすぐに利用を開始できます。

STEP

llama.cpp（上級者向け）で使う

より細かい設定でローカル推論を行いたい場合は、llama.cppを直接使う方法もあります。

llama.cppをクローンしてビルドします。

git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
cmake -B build -DGGML_CUDA=ON
cmake --build build --config Release

Hugging FaceからGGUF形式の量子化モデルをダウンロードします。

以下のコマンドで推論を開始します。

./build/bin/llama-cli -m muse-glimmer-30b-q4_k_m.gguf -p "あなたの質問をここに入力" -n 512

DFlashドラフターを併用してスペキュレーティブデコーディングを有効にすれば、大幅な速度向上が見込めます。

STEP

OpenRouter（クラウドAPI）で使う

ローカルにGPUがない場合は、OpenRouterなどのサードパーティAPIを利用する方法もあります。

OpenRouterのサイトでアカウントを作成し、APIキーを取得します。

以下のようなPythonコードで呼び出せます。

import openai

client = openai.OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="your-api-key"
)

response = client.chat.completions.create(
    model="meta/muse-glimmer-30b",
    messages=[
        {"role": "user", "content": "Pythonでファイルの一括リネームスクリプトを書いてください"}
    ]
)
print(response.choices[0].message.content)

【業界別】Muse Glimmerの活用シーン

Muse Glimmerはローカル実行に特化したエージェントモデルのため、データをクラウドに送信できない環境や、常時稼働のAIアシスタントが求められるシーンで特に力を発揮します。ここからは業界別の活用例を紹介します。

ソフトウェア開発

Muse GlimmerはSWE-Bench Proで51.2を記録しており、コードの生成・修正・デバッグを一連のワークフローとして自律的に実行する能力を持っています。

Claude CodeやCursor、Codexといったコーディングエージェントのバックエンドモデルとして利用すれば、クラウドAPIのコストを気にすることなくローカルで開発支援を受けられます。特に大規模なリポジトリを対象とした長時間のエージェントセッションでは、ランニングコストの面で大きなメリットがあるでしょう。

生成AIを搭載したSaaSについて、詳しく知りたい方は以下の記事も参考にしてみてください。

WEEL

生成AI・LLMを搭載したSaaSとは？メリットやおすすめツール10選を紹介 | WEEL WEELメディア事業部AIライターの2scです。 みなさん、生成AIが使えるSaaSをご存知ですか？ ChatGPTの登場以降、評価額10億ドル超えの生成AI系SaaSスタートアップが世界中で…

金融・法務

ローカル実行により機密データが外部に送信されることがないため、金融機関や法律事務所のように厳格なデータ管理が求められる業界との親和性が高いモデルです。

131Kトークンのコンテキスト長を活かし、長文の契約書や財務報告書の分析、要約を手元のPC上で完結させることが可能となっています。

金融業界における生成AI活用について、詳しく知りたい方は以下の記事も参考にしてみてください。

WEEL

【生成AI×金融】業界における活用事例と導入されているツールを徹底解説 | WEEL 生成AI（Generative AI）は、金融業界で急速に普及しています。この技術は高度な自然言語処理能力を持ち、顧客対応の自動化や業務効率化など、さまざまな分野で活用されて…

教育・研究

AIME 2026で94.7というスコアが示すとおり、高度な数学的推論や論理的思考力を備えています。

研究者がローカル環境で論文の分析や実験データの解釈を行うアシスタントとして利用したり、教育機関がプライバシーに配慮した学習支援ツールとして導入したりするケースが考えられます。

教育業界における生成AI活用について、詳しく知りたい方は以下の記事も参考にしてみてください。

WEEL

生成AIによる教育業界の業務効率化！教務効率化と授業品質UPが狙える活用法や実際の導入事例を紹介 | WEEL 生成AIは教育業界の教員不足や長時間労働、個別指導の難しさを解決する手段として注目されています。この記事では、学校運営・語学学習・外国籍生徒への対応・アクティブラ…

【課題別】Muse Glimmerが解決できること

続いては、Muse Glimmerが解決に貢献する代表的な課題をピックアップして紹介します。

クラウドAPI依存によるコスト肥大化

AIエージェントを長時間稼働させると、クラウドAPIの利用料金が急激に膨らむケースは少なくありません。Muse Glimmerをローカルで実行すれば、推論にかかるランニングコストはゼロです。

初期投資としてGPU（24GB VRAM以上）は必要になるものの、日常的にエージェントを使い倒すユースケースでは短期間で元が取れる計算になります。

機密データの外部送信リスク

顧客情報や知的財産を含むデータを扱う際、クラウドAPIへの送信はセキュリティポリシー上の障壁となることがあります。Muse Glimmerのローカル推論なら、データが一切外部に出ることなく処理が完結するため、データレジデンシーの要件を満たしやすくなります。

ネットワーク非接続環境でのAI活用

飛行機内や工場のクリーンルーム、セキュリティエリアなど、インターネットに接続できない環境でもMuse Glimmerは問題なく動作します。オフライン環境でもエージェント水準の推論能力をフルに活用できるのは、ローカルモデルならではの強みです。

Muse Glimmerを使ってみた

ここからは、OpenRouterのAPI経由でMuse Glimmerを実際に呼び出し、その実力を検証してみます。今回はPythonのopenaiライブラリを使い、コーディングと日本語文章生成の2タスクを試しました。

検証①：PythonでCSV分析スクリプトを生成

売上データのCSVを読み込み、月別の売上推移を折れ線グラフで可視化するPythonスクリプトを書いてください

出力結果（一部抜粋）はこちら

返ってきたコードは、Windows・macOS・Linuxの日本語フォントをリストで持ちfont_managerで自動選択する仕組みや、列名が日本語でも英語でも動作する分岐処理など、クロスプラットフォームへの配慮が行き届いた構成です。サンプルCSVや実行コマンドも付記されており、コピーしてすぐ動かせる親切さも光ります。実際に手元で実行したところ、正しくグラフが描画されることを確認できました。

検証②：日本語ビジネスメールの作成

AI導入支援サービスの初回ミーティングを打診するビジネスメールを書いてください

出力結果はこちら

件名から宛名、本文、署名欄まで、ビジネスメールとして必要な要素がすべて揃った出力が返ってきました。

「お時間を賜れませんでしょうか」「ご返信いただけますと幸いです」など、場面に応じた敬語がほぼ正確に使い分けられており、軽微な手直しだけで送付できるレベルです。差出人情報がプレースホルダーだった点は惜しいものの、30Bパラメータのオープンモデルとしては十分実用的な日本語能力だと感じました。

2つの検証を通じて、コーディングと日本語の両面で実用的な出力が得られることを確認できています。OpenRouter経由ならOpenAI互換のインターフェースでそのまま呼び出せるため、ローカルGPUがない方の入門手段としても最適でしょう。

よくある質問

最後に、Muse Glimmerに関して、多くの方が疑問に感じるポイントをQ&A形式でまとめました。

Muse Glimmerでローカルエージェントの時代に備えよう！

Muse Glimmerは、300億パラメータのオープンウェイトモデルでありながら、24GBのGPU1枚でエージェント水準の推論を実現した画期的なモデルです。Apache 2.0という寛容なライセンスのもと、コーディングからマルチモーダル処理、長時間のエージェントワークフローまで幅広く対応しています。

クラウドAPIのコストやデータプライバシーの課題を抱えている企業にとって、ローカル推論という選択肢の現実味が一段と増したといえるでしょう。まずはOllamaやLM Studioで手軽に試してみて、自社の業務にどう活かせるか検討してみてはいかがでしょうか。

最後に

いかがだったでしょうか？

弊社では、AI導入を検討中の企業向けに、業務効率化や新しい価値創出を支援する情報提供・導入支援を行っています。最新のAIを活用し、効率的な業務改善や高度な分析が可能です。

大規模言語モデル（LLM）比較レポート

「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。

セミナー内容や料金については、ご相談ください。

また、大規模言語モデル（LLM）を対象に、言語理解能力、生成能力、応答速度の各側面について比較・検証した資料も配布しております。この機会にぜひご活用ください。

無料で相談する

資料をダウンロードする