Meta Muse Glimmerとは？30Bオープンウェイトでローカル動作するエージェントAIの性能・必要スペック・使い方【2026年8月最新】

Muse Glimmer（Muse-Glimmer-30B）は、Metaが2026年8月10日にApache 2.0ライセンスで公開した約300億パラメータのオープンウェイトAIモデルです。クラウドに接続せず、コンシューマ向けGPU1枚やMac 1台でAIエージェントを動かすことを目的に設計されています。

この記事では、公式ブログとHugging Faceのモデルカードで確認できる仕様をもとに、Muse Glimmerの性能・弱点・必要スペック・導入手順・ライセンス・セキュリティ上の注意点を整理します。「自分のマシンで動くのか」「何に使えて何に使えないのか」を判断したい方向けの内容です。

出典: Meta 公式サイト

Muse Glimmerを判断する3つのポイント

重みが無料で手に入り、商用利用も制限なし。 Apache 2.0での配布のため、社内システムへの組み込み・改変・再配布まで追加のライセンス交渉なしで行えます。MetaがLlama以降に採用していた独自ライセンスとは扱いが異なります。
ローカルで実用的に動く現実的なサイズ。 公式配布の量子化ビルドは本体16.76GBからで、公式ブログでは「24〜32GB VRAMのコンシューマGPU」で動作するとされています。Mac 32GBやRTX 4090クラスが現実的な下限です。
エージェントの司令塔としては強いが、万能ではない。 MCPを使ったツール呼び出しや長文脈処理では同クラスのモデルを上回る一方、GUI操作（OSWorld）とターミナル作業（Terminal Bench）ではQwen3.6-27Bに明確に劣ります。

なお、日本語のニュース記事の一部で「30億パラメーター」と紹介されているものがありますが、これは "30 billion" の訳し違いです。正しくは約296億＝300億パラメータ規模（30B）です。

こんな読者に向く	理由
社内データを外部APIに出さずにAIエージェントを動かしたい	完全オフラインで動作し、Apache 2.0で商用利用可
ローカルLLMのハード購入を検討している	量子化別の必要メモリを整理している
Qwen3.6・Gemma4と比較して選びたい	強みと弱みを同じ表で比較している

Muse Glimmerとは：基本スペック

Muse Glimmerは、Metaのクローズドモデル「Muse Spark」から蒸留（distill）して作られた、ローカル常駐型AIエージェント向けのモデルです。チャット用途の汎用LLMというより、ツールを呼び出して多段タスクを完遂させることに寄せた設計になっています。

項目	内容
正式名称	Muse Glimmer（Muse-Glimmer-30B）
開発元	Meta（Meta Superintelligence Labs）
公開日	2026年8月10日
ライセンス	Apache 2.0（商用利用可・追加の商用制限なし）
提供形態	オープンウェイト（Hugging Faceから重みをダウンロード）＋推論パートナー経由のAPI
総パラメータ	約29.6B（うち視覚エンコーダ約1.8B）
アーキテクチャ	Dense Causal Transformer（MoEではない）＋ perception encoder
レイヤー数／隠れ次元	52層 / 6,656
Attention	Local/Global交互、スライディングウィンドウ2,048、GQA（Query 32 / KV 2）
コンテキスト長	131,072トークン（公式モデルカード表記。一部ドキュメントでは262,144まで拡張可と記載）
入力 / 出力	テキスト＋画像 / テキストのみ
対応言語	100以上の言語の学習データ（すべての言語で正式評価済みではない）
知識カットオフ	2026年1月4日
推論強度	low / medium / high / xhigh の4段階

アーキテクチャ面で実務上意味があるのは、MoEではなくDenseモデルである点です。同じ「30B」でもMoEモデルは総パラメータ分のメモリを必要としますが、Muse GlimmerはDenseで29.6Bなので、量子化後のサイズがそのままメモリ要件に直結し、見積もりがしやすくなっています。

推論強度は、システムプロンプトに Reasoning strength: high のように書くことで切り替えます。公式は複雑な問題解決・コーディング・エージェント用途では high または xhigh を推奨しています。単純な要約や分類で xhigh を使うと、出力までの時間が無駄に伸びるので使い分けが必要です。

推奨サンプリング設定は公式で temperature = 1.0 / top_p = 0.95 / top_k = 64 とされています。一般的なLLMより温度が高めなので、他モデル用の設定を流用すると挙動が変わる点には注意してください。

何が新しいのか：Metaのオープンウェイト回帰という文脈

Muse Glimmerが単なる新モデル以上に注目されている理由は、Metaの方針転換を示す位置づけにあるためです。

Metaは2026年4月にフラッグシップのMuse Sparkをクローズドウェイトで発表し、Llama時代のオープン路線から離れたと受け止められていました。Muse Glimmerはその流れに対する部分的な揺り戻しにあたります。

同時に、ザッカーバーグCEOが14ページの書簡を公開し、学習データや蒸留に関する規制緩和など、オープンウェイトAIについての政策提言を行ったと複数のメディアが報じています。あわせて「Muse Spark 1.2の重みも近く公開する」と表明していますが、現時点（2026年8月11日）では公開日・ライセンス種別・必要スペックのいずれも未公表で、リリースもされていません。Muse Spark 1.2はMuse Codeのバックエンドとしても使われているモデルのため、実際に公開されればローカル実行できるコーディングエージェントの選択肢が大きく変わる可能性があります。

背景として指摘されているのは、ダウンロード可能なモデルの領域でQwen・DeepSeek・Kimiといった中国勢がシェアを伸ばしている状況です。Qwen3.8-Max-Previewもオープンウェイト公開を予告しており、この領域の競争は2026年後半にかけてさらに激しくなる見込みです。Metaのオープンモデルの系譜としては、Llama 4 ScoutやLlama 4 Maverickからの流れも押さえておくと位置づけが理解しやすくなります。

Muse Glimmerでできること

公式が挙げる主な用途は次の7つです。チャットボットとしての利用より、エージェント基盤としての利用を前提に説明されている点が特徴です。

できること	具体的な使い方
エージェントタスクの完遂	「調べて→整形して→ファイルに書き出す」のような多段タスクを最後まで実行
ツール呼び出し・MCP連携	厳密なスキーマに沿った関数呼び出し。MCPサーバー経由で社内ツールに接続
失敗からの復帰	エラーの診断・リトライ・別手段への切り替え
画像入力（マルチモーダル）	スクリーンショット、UIモックアップ、帳票・レシートの読み取り
コーディング	コード生成・デバッグ・ローカルコーディングエージェントのバックエンド
評価・データ生成	LLM-as-a-judge、合成データ生成
完全オフライン動作	ネットワーク接続なしで推論可能

実務で価値が出やすいのは、社外に出せないデータを扱う定型作業です。たとえば請求書PDFのスクリーンショットから項目を抽出して社内システムに登録する、社内Wikiを検索して回答文を作る、といった処理を、データを一切外部APIに送らずに完結できます。エージェントの設計思想そのものを整理したい場合はエージェンティックエンジニアリングの解説も参考になります。

画像入力は1画像あたり最大4,096ビジュアルトークンまで扱えます。視覚エンコーダはViT-G/14系の約1.8Bで、frozen（学習時に固定）とされています。

できないこと・制約

導入前に把握しておくべき制約は次のとおりです。公式モデルカードにout-of-scopeとして明記されているものを中心に整理します。

音声の入出力に非対応。 音声アシスタント用途にはそのまま使えません。
動画はネイティブ非対応。 フレーム画像として渡す形でしか処理できません。
出力はテキストのみ。 画像生成はできません。画像生成が必要ならMuse Imageなど別モデルとの組み合わせになります。
低リソース言語では性能が落ちる。 100言語以上の学習データを持ちますが、すべての言語で正式評価が行われているわけではありません。
18歳未満向けの利用は、十分なリスク評価なしでは対象外とされています。
コンテキストは131Kが基準。 100万トークン級のモデルに慣れていると物足りず、開発者コミュニティでも同様の指摘が出ています。
公式自身が「不正確・偏った・不適切な出力を生成しうる」と明記しています。

性能ベンチマーク：強みと弱みを同じ表で見る

公式モデルカードでは、同クラスのローカル実行可能モデルであるGemma4-31B・Qwen3.6-27Bとの比較が示されています。Muse Glimmerが勝っている項目だけでなく、負けている項目まで含めて見るのが実務判断のポイントです。

カテゴリ	ベンチマーク	Muse Glimmer-30B	Gemma4-31B	Qwen3.6-27B
汎用エージェント	MCP Atlas	75.5	54.2	62.5
汎用エージェント	DeepSearch QA	74.6	61.7	71.1
汎用エージェント	τ3-Banking	23.5	15.1	16.7
汎用エージェント	WildClawBench	47.6	37.6	43.2
汎用エージェント	Gaia2	43.3	36.4	40.0
汎用エージェント	GDPVal-AA v2	953	811	1,141
コーディング	SWE-Bench Pro	51.2	36.9	50.2
コーディング	SWE-Bench Verified	76.0	66.6	77.2
コンピュータ操作	OSWorld-Verified	65.9	58.5	75.6
ターミナル	Terminal Bench	51.7	—	60.7
マルチモーダル	CharXiv Reasoning	78.8	77.7	78.4
マルチモーダル	MMMU Pro	74	73	75
推論	AIME 2026	94.7	89.2	94.1
推論	GPQA Diamond	83.5	85.7	84.2
長文脈	AA-LCR	80.0	68.3	73.3
安全性	CI Memories 違反率（低いほど良）	26.4	12.1	53.4

強い領域は、MCPを使ったツールオーケストレーション（MCP Atlas 75.5でGemma4より21ポイント以上高い）、長文脈理解（AA-LCR 80.0）、数学・推論（AIME 2026で94.7）です。複数のツールを順序立てて呼び出し、その結果を統合して次の行動を決める、というエージェントの司令塔的な役割では同クラス最上位と言えます。

弱い領域は、コンピュータ操作とターミナル作業です。OSWorld-Verifiedは65.9でQwen3.6-27Bの75.6に約10ポイント差、Terminal Benchは51.7対60.7でさらに差が開きます。画面を見てクリックする種類の自動化や、シェルを叩き続けるタイプの作業を主力で任せるなら、現時点ではQwen系のほうが適しています。比較検討する場合はQwen3.6-MaxやGemma 4の解説もあわせて確認してください。

安全性は中位です。CI Memoriesの違反率26.4%はQwen3.6-27Bの53.4%より良好ですが、Gemma4-31Bの12.1%には及びません。安全性を最優先する用途では、モデル選定だけでなくシステム側のガードが必要になります。

なお、これらはすべてMeta公式が公開した数値です。ベンダー公称値である前提で、自社のタスクで実測して確認することを推奨します。

必要スペック早見表：自分のマシンで動くか

最初に確認したいのは「手持ちのマシンで動くか」でしょう。目安は24GB以上のVRAMまたは統合メモリです。公式ブログでも「24〜32GB VRAMのコンシューマGPU」で動作すると表現されています。

ローカルLLMの実行に使うGPU搭載ワークステーション。Muse Glimmerは24GB以上のVRAMが目安

Meta公式の配布ビルド（GGUF）

ビルド	本体ファイル	追加ファイル	推奨メモリ	想定ハード
K-Quant-17GB	16.76GB	視覚エンコーダ mmproj 1.40GB ＋ DFlash 1.63GB	24GB	RTX 4090／5090、Mac 32GB
K-Quant-Dynamic	19.65GB	同上	32GB	品質重視構成
BF16（フル精度）	59.55GB	ランタイム／KVキャッシュ別途	64GB VRAM級	評価・リファレンス用途

画像入力を使う場合はmmprojファイル、高速化機能のDFlashを使う場合はドラフタファイルが追加で必要です。本体ファイルサイズだけで見積もると足りなくなるので注意してください。

公式説明では、4bit級への圧縮による15ベンチマーク平均の劣化は約1.0%、K-Quant-17GBでは0.2%未満とされています。これもベンダー公称値のため、精度が重要な業務では自分のタスクで比較してから採用するのが安全です。

コミュニティ量子化版（Unsloth GGUF）

より小さいメモリで動かしたい場合は、Unslothが公開している量子化バリエーションが選択肢になります。

量子化	必要RAM/VRAM目安	想定ハード例
UD-Q2_K_XL（2bit）	12〜14GB	RTX 4080
UD-Q3_K_XL（3bit）	14〜15GB	RTX 4090
UD-Q4_K_XL（4bit）	約17GB	Mac 32GB
UD-Q6_K_XL（6bit）	20〜22GB	RTX 5090、Mac 48GB
UD-Q8_K_XL（8bit）	約34GB	Mac 128GB、DGX
BF16	約58GB	ハイエンド構成

ファイルサイズの実測レンジはUD-IQ2_XXSの10.7GBからBF16の55.7GBまでです。2bit量子化はメモリ的には16GB級のGPUでも載りますが、エージェント用途で重要なツール呼び出しのスキーマ順守は量子化で崩れやすい部分なので、業務利用なら4bit（約17GB）以上を推奨します。

⚠️ Blackwell世代向けのNVFP4量子化は、Unslothのドキュメント上で「WORK IN PROGRESS. DOES NOT WORK FOR NOW.」と明記されており、現時点では使えません。

NVIDIA環境・Apple Silicon環境

NVIDIA環境ではRTX 5090（32GB）、DGX Spark、DGX Station、Jetsonでの単一GPU動作が案内されています。NVIDIAはBlackwell UltraでBF16/NVF4精度時に20K tokens/sec/GPUを超えると公称しています。推論スタックはNVIDIA NIM（NGCカタログのコンテナ）、SGLang、vLLMが対応し、ファインチューニングはNeMo AutoModel（フルSFT・LoRA）とNeMo RLの経路があります。統合メモリ128GB級のマシンを検討している場合はNVIDIA RTX Sparkも選択肢に入ります。

Apple SiliconはOllamaのMLXエンジンで先行対応しています。Ollamaライブラリ上のサイズ表記は21GB、コンテキストは128Kで、対応開始バージョンは0.32.7とされています。

⚠️ 2026年8月11日時点で、Ollamaライブラリに掲載されているタグは 30b-mlx（21GB）のみです。NVIDIA・AMD向けの最適化は「coming days（近日中）」とされており、現時点では未提供です。WindowsのNVIDIA環境で今すぐ動かしたい場合は、llama.cppまたはLM Studioを使う形になります。

DFlashとは：ローカル推論を1.5〜3倍速くする仕組み

Muse Glimmerの技術的な目玉が、DFlashという高速化用の小型モデルです。ローカル実行で問題になりがちな生成速度に直接効きます。

DFlashはblock-diffusion型のドラフタモデル（投機的デコード用の補助モデル）で、16トークンのブロックを1回のフォワードパスで予測し、本体モデルが並列に検証・訂正する方式を取ります。公式説明では、出力品質は通常デコードと同等とされています。ドラフタの仕様は5 draft layers、block size 16、スライディングウィンドウ2048、Query 32・KV 8 headsです。

公式が示す高速化倍率は次のとおりです。

環境	高速化倍率（公式発表）
NVIDIA RTX 5090	約3.1倍
Apple M5 Max	約1.8倍
Apple M4 Max	約1.5倍

OllamaのMLXエンジン上では1.5〜1.8倍と説明されています。DFlashファイル（K-Quant版で1.63GB）を追加でダウンロードし、実行時にオプションで有効化する必要があるため、使うつもりなら必要メモリに1.6GB強を上乗せして見積もるのが正確です。

Muse Glimmerの使い方

導入経路は主に4つあります。手軽さで選ぶならOllamaかLM Studio、細かく制御したいならllama.cpp、複数人でサービングするならvLLM/SGLangという整理になります。

1. Ollama（Apple Siliconで最も簡単）

Ollamaの公式ロゴ。Muse GlimmerはApple Silicon向けMLX版タグで提供されている

出典: Ollama 公式サイト

ollama run muse-glimmer:30b-mlx

コーディングエージェントのバックエンドとして起動する使い方も公式ブログで案内されています。

ollama launch claude --model muse-glimmer:30b-mlx
ollama launch pi --model muse-glimmer:30b-mlx

Ollama公式は、Claude Code・Codex・Pi・OpenCode・GitHub Copilotをローカルモデルで動かす例として提示しています。ツール自体の使い方はOllamaの解説記事にまとめています。ただし2026年8月11日時点でOllamaが公開しているタグはApple Silicon向けのMLX版のみで、Windows環境ではこの経路は使えません。

2. LM Studio（GUIで完結）

出典: LM Studio 公式サイト

LM Studio Bionicをインストールし、「Settings → Explore」からカタログでMuse Glimmerをダウンロードします。ローカルAPIサーバーは lms server start（デフォルトポート1234）またはSettings → Local Model APIから有効化できます。画像入力とツール呼び出しの両方に対応しています。コマンドラインに不慣れなメンバーがいるチームでは、この経路がもっとも導入コストが低くなります。

3. llama.cpp（DFlashを含めて細かく制御）

curl -LsSf https://llama.app/install.sh | sh
llama serve -hf meta-models/Muse-Glimmer-30B-GGUF

投機的デコード（DFlash）を有効にする場合は、以下のようにオプションを追加します。

llama serve -hf meta-models/Muse-Glimmer-30B-GGUF \
  --spec-type draft-dflash \
  --spec-draft-n-max 15

4. サーバー運用・エッジ・クラウド

大規模サービング: vLLM / SGLang / Docker、NVIDIA NIMコンテナ
エッジ: ExecuTorch（NVIDIA CUDA・Apple Metal向けPTEを配布。text-only / text+image、DFlashの有無で組み合わせが用意されています）
開発: Hugging Face Transformers
クラウドAPI: Together AI / Fireworks AI / OpenRouter（Metaがローンチパートナーとして名指し）

配布リポジトリはHugging Faceの meta-models 組織以下にあり、BF16本体の Muse-Glimmer-30B、量子化版の Muse-Glimmer-30B-GGUF（muse-glimmer-30B-kquant-dynamic.gguf / muse-glimmer-30B-kquant-17gb.gguf / 画像入力用 mmproj-kquant.gguf / ドラフタ dflash-kquant.gguf）、Muse-Glimmer-30B-ExecuTorch-PTE などが公開されています。

料金：かかるのはハードと電気代

モデルの重み自体は無料です。 Apache 2.0での配布のため、個人・企業・研究のいずれの用途でもMetaへの支払いは発生せず、商用利用の制限もありません。

項目	コスト
モデル重み	無料（Apache 2.0）
ローカル実行	ハードウェア購入費＋電力。参考として250W級ワークステーションを4時間稼働で約1kWh
クラウドAPI（Together AI / Fireworks AI / OpenRouter）	2026年8月11日時点でMuse Glimmer固有の単価は公開カタログで確認できず（未公表）

ハードウェアへの初期投資は、Mac（32GB以上の統合メモリ）またはRTX 4090/5090クラスのGPUを新規に用意するなら数十万円規模になります。判断のポイントは、クラウドAPIの月額利用料と比較して何か月で回収できるか、そして社外にデータを出せない要件があるかの2点です。データ持ち出し制限がある業務なら、コスト比較以前にローカル実行しか選択肢がないケースもあります。

なお、クローズドモデルであるMuse Sparkとは料金体系がまったく別です。Muse Sparkはmeta.ai／Meta AIアプリと限定的なAPIプレビューでの提供となっています。

ライセンス：Apache 2.0で何ができるか

Muse GlimmerはApache 2.0で公開されているため、商用利用・改変・再配布・特許ライセンスの付与まで包括的に許可されています。MetaがLlamaシリーズで採用していたコミュニティライセンス（月間アクティブユーザー数による制限や、命名規則の要求などを含むもの）とは扱いが異なります。

企業導入時に押さえておきたい実務ポイントは次のとおりです。

社内システムへの組み込み・ファインチューニング後の再配布が可能。 LoRAで自社データに適応させたモデルを、社内外に配布することも許諾の範囲内です。
著作権表示とライセンス本文の同梱が必要。 再配布する場合は、Apache 2.0の一般的な条件としてNOTICEファイルとライセンス条文の保持が求められます。
保証はなく、責任は利用者側。 Apache 2.0は無保証（AS IS）です。出力の正確性や法令適合性の担保は、導入する側が負う前提で設計する必要があります。

ライセンス条文の原文は、Hugging Faceのリポジトリに含まれるLICENSEファイルで確認できます。オープンウェイトを巡る各社の立場の違いに関心があれば、Anthropicのオープンウェイトモデルに対する立場や、MITライセンスで公開されたGLM-5.1の事例も比較材料になります。

セキュリティ上の注意点：ローカルだから安全とは限らない

「ローカルで動く＝安全」ではありません。 むしろローカルエージェントは、ファイルシステム・認証情報・個人データに直接アクセスする一方で、クラウドサービスにあるログ・レート制限・キルスイッチ・集中監視が存在しないため、攻撃面の性質がクラウド型と根本的に異なります。

公式モデルカードに記載されている安全性の数値は次のとおりです。

評価項目	数値
Siren AgentDojo：プロンプトインジェクション攻撃成功率（ASR）	28.4%（utility 94.2%）
CI Memories：違反率	26.4%（coverage 64.8%）
Preparedness（化学・生物／サイバー／制御喪失）	いずれもModerate以下のリスク判定

ASR 28.4%という数字は、外部から取り込んだテキストに仕込まれた指示に、約4回に1回以上は従ってしまう可能性があることを意味します。 Webページやメール、PDFを読ませて動くエージェントを組む場合は、この前提で設計する必要があります。

Meta自身も、モデル単体ではなくAIシステム全体として運用すべきと明記し、次の方針を挙げています。

不可逆アクション（削除・送信・決済など）実行前の確認
データ最小化
実行基盤（スキャフォールド）の境界を尊重する設計
間接プロンプトインジェクションへの耐性

実運用では、最低限このあたりまで設定しておきたいところです。

推論サーバーのAPIを127.0.0.1（ループバック）にバインドする。 LAN内の他端末から到達できる状態にしない。
ローカルAPIへの全リクエストを認証する。
ツール権限をスコープ制限する。 アクセス可能なディレクトリ・API・認証情報をワークフロー単位で最小化する。
全アクションの監査ログを残す。
サンドボックス化・ツールのallowlist・リトライ上限・承認ゲートを設ける。

エージェントの権限設計をより詳しく詰めたい場合はAIエージェントのセキュリティ対策を、実際に何が起きうるかを知りたい場合はAIエージェントがデータを全削除した事故まとめを参照してください。ローカルエージェントの具体的な設定例としてはOpenClawのセキュリティ設定も実務の参考になります。

Museファミリー内での位置づけ

Metaの「Muse」シリーズは用途ごとに分かれています。Muse Glimmerがどこに位置するかを整理します。

Meta Muse Sparkの公式ビジュアル。Muse GlimmerはMuse Sparkから蒸留されたローカル向けモデル

出典: Meta 公式ブログ

モデル	位置づけ	ウェイト公開	主な用途
Muse Spark	フラッグシップ（クローズド）	非公開（1.2のオープン化を予告、時期未定）	汎用・高難度タスク
Muse Glimmer	Muse Sparkからの蒸留モデル	Apache 2.0で公開	ローカルAIエージェント
Muse Code	ターミナル型コーディングエージェント	製品（Muse Spark 1.2搭載）	コーディング作業の自動化
Muse Image	エージェント型画像生成	製品	画像・動画生成

つまり、Muse Glimmerは「Muse Sparkの性能をローカルで動く大きさに圧縮したもの」という理解が正確です。フラッグシップと同等の性能を期待するのではなく、「クラウド接続なしで、ツールを呼べる賢さをどこまで手元に置けるか」という観点で評価するモデルです。Muse Sparkの詳細、Muse Codeの詳細、Muse Imageの詳細はそれぞれ個別に整理しています。

他モデルとの選び分け

同じくローカル実行できる30B級モデルとの選び分けを、用途別に整理します。

用途	推奨モデル	理由
MCP経由で複数ツールを操作するエージェント	Muse Glimmer	MCP Atlas 75.5で同クラス最高
長い資料を読ませて分析させる	Muse Glimmer	AA-LCR 80.0、131Kコンテキスト
画面操作の自動化（RPA的用途）	Qwen3.6-27B	OSWorld-Verified 75.6 vs 65.9
ターミナル作業の自動化	Qwen3.6-27B	Terminal Bench 60.7 vs 51.7
安全性・出力の穏当さを最優先	Gemma4-31B	CI Memories違反率12.1%と最も低い
より軽いハードで動かしたい	Gemma 4 12Bなど小型モデル	16GB VRAM級で動作

16GB VRAM級のノートPCで動かしたい場合は、Gemma 4 12BやDiffusionGemmaのような軽量モデルのほうが現実的です。一方、コーディングエージェントとして本格的に使うなら、クラウド型のClaude Codeなどと併用し、機密性の高い処理だけMuse Glimmerに寄せるハイブリッド構成が実務的です。

こんな人におすすめ

以下に当てはまる場合、Muse Glimmerは有力な選択肢になります。

社内データを外部APIに送れない制約がある（医療・金融・法務・自治体など）
MCPで社内ツールをつないだエージェントを自前で運用したい
すでにRTX 4090/5090、またはMac 32GB以上のマシンを持っている
APIの従量課金が読めず、コストを固定費化したい
ライセンス上の制約なく、改変・再配布まで含めて自社製品に組み込みたい
オフライン環境（工場・出張先・閉域網）でAIを使う必要がある

よくある質問

Q. Muse Glimmerは本当に無料で商用利用できますか？
はい。Apache 2.0で公開されているため、モデルの重みの利用・改変・再配布・商用利用に追加の許諾や支払いは不要です。ただし無保証であり、出力に起因する責任は利用者側にあります。

Q. パラメータ数は30億ですか、300億ですか？
300億規模（正確には約29.6B＝約296億）です。日本語の一部報道で「30億パラメーター」と書かれているものは、"30 billion" の訳し違いです。

Q. WindowsのRTX 4090で今すぐ動かせますか？
llama.cppまたはLM Studio経由なら動かせます。Ollamaは2026年8月11日時点でApple SiliconのMLX版タグのみが公開されており、NVIDIA・AMD向けの最適化は「近日中」とされています。導入前に最新のタグ一覧を確認してください。

Q. Muse Spark 1.2のウェイトはいつ公開されますか？
Metaは公開する方針を表明していますが、2026年8月11日時点で公開日・ライセンス種別・必要スペックのいずれも未公表です。現時点では予告段階と理解しておくのが正確です。

Q. クラウドAPIで使うといくらかかりますか？
Together AI・Fireworks AI・OpenRouterがローンチパートナーとして案内されていますが、2026年8月11日時点でMuse Glimmer固有の従量課金単価は公開カタログで確認できていません。他モデルの単価をそのまま当てはめないよう注意してください。

Q. ファインチューニングはできますか？
できます。UnslothによるLoRA、NVIDIA NeMo AutoModel（フルSFT・LoRA）、NeMo RLといった経路が案内されています。Apache 2.0のため、調整後のモデルを配布することも可能です。

Q. 日本語は使えますか？
100以上の言語の学習データを含むとされており、日本語での利用も可能です。ただし公式はすべての言語で正式評価を行っているわけではないと明記しているため、日本語の業務タスクで使う場合は自社データでの検証を前提にしてください。

まとめ

Muse Glimmerは、「クラウドに出せないデータを扱うAIエージェントを、手元のマシンで動かす」という一点に最適化されたモデルです。MCP経由のツール呼び出し、長文脈処理、数学・推論では同クラス最上位の数値を出す一方、GUI操作とターミナル作業ではQwen3.6-27Bに明確に劣ります。

導入を判断するときに見るべきなのは、24GB以上のメモリを積んだマシンがあるか、扱う業務がエージェントの司令塔的な役割か画面操作の自動化か、そしてローカルエージェント特有のセキュリティ（ループバックバインド、API認証、ツール権限のスコープ制限、監査ログ、承認ゲート）を運用できる体制があるか、の3点です。

Apache 2.0での公開により、試すコストは実質ハードウェアと時間だけです。Muse Spark 1.2のオープンウェイト公開も予告されているため、この領域は数か月単位で状況が変わります。まずは4bit量子化版で自社タスクを実測し、本番投入の可否を判断するところから始めるのが現実的です。