生成AIニュース読了 7 分

Metaが30BパラメータのオープンAIモデル「Muse Glimmer」を公開

Shiritomo編集部 @shiritomoAI_jp 2026年8月12日更新

パラメータ数30B。
GPT-4クラスの巨大モデルが並ぶ中では、むしろ控えめな数字です。
それでも2026年8月10日、Meta Superintelligence LabsがこのサイズのAIモデル「Muse Glimmer」をApache 2.0ライセンス（商用利用も含めて自由に使える緩やかなライセンス）で無料公開すると、Hugging Face（AIモデルの共有プラットフォーム）は一気に賑わいました。

普段はクラウド経由のAIサービスを使っている人にとっても、無関係な話ではありません。
手元のMacや普通のPCで、同じようなエージェント（自律的にタスクをこなすAI）処理が無料で試せるようになるとしたら、日々の作業ツールの選び方が変わってくるかもしれないからです。

先に結論をまとめると：
– Meta Superintelligence LabsがApache 2.0ライセンスで30Bパラメータのマルチモーダル（文章と画像を同時に扱える）AIモデル「Muse Glimmer」を無料公開、Hugging Faceから誰でもダウンロード可能
– 画像・動画の理解とツール呼び出し（外部の機能を呼び出して処理させること）に強く、失敗時の自己修復や長時間タスクの遂行を意識した設計
– 量子化（精度を落として容量を圧縮する技術）すれば20GB前後まで縮められ、Macや一般的なゲーミングPC1台でもローカル動作が視野に入る

軽量化はもう始まっている

Meta Superintelligence Labsが公開したMuse Glimmerは、ビジョンエンコーダー（画像を読み取る専用の処理部）とテキスト生成部を組み合わせた密なマルチモーダルモデルです。
スクリーンショットやグラフ、ドキュメントの画像を読み込んで指示に応じた作業をこなせるよう設計されています。
ツール呼び出しが失敗したりエラーが返ってきたりした場合には、原因を診断してやり直すよう訓練されているのも特徴で、複雑で時間のかかるタスクへの対応も意識されています。

公開からわずか半日ほどで、早くも開発者コミュニティは軽量化に着手していました。

日本語訳: 「Muse Glimmerの最初の量子化版ができました。
約3.5ビット版は20.2GB。
もう少し冒険したい人向けには、4ビットのLMヘッドを使った約3.5ビットXS版（18.2GB）も用意しました。
どちらもvLLM（AIモデルを高速に動かすための実行エンジン）に対応しており……」

Here they are, my first quantized versions of Muse Glimmer:

~3.5-bit — 20.2 GBhttps://t.co/gSimqG7XOL

If you’re feeling a bit more adventurous, I also made a version with a 4-bit LM head:
~3.5-bit XS — 18.2 GBhttps://t.co/bDRr8dZywP

Both are compatible with vLLM, enabling…
— Benjamin Marie (@bnjmn_marie) 2026年8月11日

30Bというサイズは元々「Macや一般的なPCで動く」ことを狙った設計ですが、量子化によってさらに一段軽くなり、20GB前後のメモリがあれば動かせる範囲に収まってきています。
ただ、この身軽さと引き換えに「本当に実用に足る性能なのか」が気になるところです。
そこで公式発表と第三者の検証結果を確かめてみました。

「同クラス最高」の中身を確かめると

Meta AI Researchの公式ブログによると、Muse Glimmerは画像だけでなく動画（最大96フレーム、2fpsでの分析）やオブジェクト検出にも対応し、幅広い関数呼び出しを正確なスキーマで実行できるとされています。
ベンチマーク（性能評価用のテスト）でも、同程度のパラメータ規模のGemma4-31BやQwen3.6-27Bと比較したスコアが公開されており、エージェント向けの複合タスク評価やソフトウェア開発タスク評価、図表読解の評価などで高いスコアを記録しています。

ただし海外メディアの報道では「比較したベンチマークの半分ほどで優位性を示した」という表現も見られました。
全ての指標で最高と言い切れるわけではなく、得意な領域とそうでない領域が分かれているというのが実際のところのようです。

実際の速度はどれくらい出るのか？

公式発表の数字だけでなく、実際に動かしてみた開発者の検証結果も出てきています。

日本語訳: 「Muse Glimmer 30BをDFlash（投機的デコーディングという高速化技術）と組み合わせて動かしたところ、NVIDIA GH200（AI向けの高性能GPU）1台で3,323 tok/s（1秒あたりのトークン生成数）を記録した。
もっと役立つ部分としては、誰でも試せるようAPIを公開している。
難しい質問を投げて、どこで壊れるか教えてほしい」

I put Muse Glimmer 30B behind DFlash and got 3,323 tok/s on a single NVIDIA GH200.

The more useful part: I’m opening the API for everyone to try. Send it something difficult and tell me where it breaks. pic.twitter.com/LMvhym44E3
— Maziyar PANAHI (@MaziyarPanahi) 2026年8月11日

投稿に添付されたグラフ（投稿者自身が運営する検証ラボによるベンチマーク画像）を見ると、DFlashを使わない通常の生成が同時生成数64のときで最大3,103 tok/sだったのに対し、DFlashを併用すると同条件で3,323 tok/sまで伸びていました。
同時生成数が少ない場面ほど速度の伸び率は大きく、1回だけの生成では通常の約1.82倍になったと記されています。
あくまで投稿者本人による独自検証であり、Meta公式の数値ではない点には留意が必要です。

Muse Glimmerの公開に合わせて、CEOのマーク・ザッカーバーグ氏もコメントを発表したとされています。
少数の企業にAIの力が集中するのではなく、個人がその恩恵を受けられる形を目指すという趣旨の主張です。
あわせて、教師役にあたる大規模モデル「Muse Spark 1.2」の重みも近く公開する予定だとされています。
Muse Glimmerは、このMuse Sparkから知識を抽出（蒸留という手法）して作られた軽量版という位置づけで、教師モデル自体は現時点では非公開のままのようです。

Shiritomo編集部の考察：ローカルAIの「実測値」を追いかける価値

Muse Glimmerを巡る反応で興味深いのは、公式発表の内容よりも先に、開発者個人による量子化や速度検証のツイートが伸びていた点です。
いいね数自体は十数件と決して大きくありませんが、実際に手元で動かした人の一次情報がすぐに出回るのは、オープンウェイト（誰でもダウンロードできる形でモデルの重みを公開すること）モデルならではの現象でしょう。
クラウドAPI経由のモデルでは、こうした検証は開発元の発表に依存しがちですが、ローカルで動くモデルは第三者が独自にベンチマークを取り直せます。

SNS運用やAI活用の情報収集をする際は、公式の数字だけでなく、こうした個人の実測ツイートを併せて追うことで、誇張されたベンチマークと実際の使用感のギャップに早く気づけるというメリットがあります。
次にAI関連の大型発表があった際は、公式発表の数時間後に流れてくる開発者の検証投稿にも目を向けてみると、実態把握のスピードが変わってくるのではないでしょうか。

まとめ

Muse Glimmerは、Apache 2.0という緩やかなライセンスで公開された30Bパラメータのマルチモーダルモデルです。
Macや一般的なPCでも動く軽さと、ツール呼び出し・失敗回復に強い設計が売りで、公開直後から開発者コミュニティが量子化や速度検証を進めています。
ベンチマークでの優位性は分野によって差があるようですが、個人が無料でローカルAIエージェントを試せる選択肢が一つ増えたことは確かなようです。