- Muse Glimmer 30Bは、296億パラメータを持つMetaの高密度マルチモーダルLLMです
- Apache 2.0ライセンスにより、完全な商用利用と柔軟なローカルデプロイが可能です
- 128Kのコンテキストウィンドウが、テキストと画像処理をネイティブにサポートします
- フル精度では64〜96 GBのVRAMが必要ですが、量子化GGUFは24 GB GPUに収まります
- マルチモーダルビジョンのパフォーマンスは、Gemma 4やQwen 3.6などのトップクラスのモデルに匹敵します
Muse Glimmer 30B: アーキテクチャと仕様
Muse Glimmer 30Bは、Metaによって開発され、Apache 2.0ライセンスの下でリリースされた、高密度のトランスフォーマーベースの大規模言語モデルです。エージェントワークフロー向けに設計されており、信頼性の高いツール呼び出し、多段階推論、障害回復を重視しています。296.6億パラメータを持ち、特にディスクリートGPU構成などの高帯域幅システムで効率的に動作するように構築されています。
このモデルは最大100言語をサポートし、128Kのコンテキスト長を特徴としています。知識のカットオフは2026年1月4日であり、現在の開発ワークフローに非常に適しています。一部の競合とは異なり、テキストと画像の入力を処理しますが、動画は処理しません。
動画のハイライト:
- クアッドRTX 3090構成でフル精度モデルをテスト
- 24 GB GPU構成向けのGGUF量子化バリアントが利用可能
- 複数の実世界の画像シナリオで視覚的推論をテスト
- ベンチマークではGemma 4 31BとQwen 3.6 27Bの中間に位置付けられる
コア仕様表
| 仕様 | 値 |
|---|---|
| パラメータ数 | 296.6億 (高密度) |
| ライセンス | Apache 2.0 |
| コンテキスト長 | 128Kトークン |
| 知識のカットオフ | 2026年1月4日 |
| サポート言語 | 最大100 |
| 入力モダリティ | テキストと画像 |
| 出力モダリティ | テキスト |
Mixture of Experts (MoE) ではなく高密度モデルであるため、Muse Glimmer 30Bは高メモリ帯域幅システムの恩恵を受けます。高速なインターコネクトを備えたディスクリートGPUが、このアーキテクチャにおいて最高の推論パフォーマンスを提供します。
ハードウェア要件と量子化オプション
Muse Glimmer 30Bをローカルで実行するには、慎重なハードウェア計画が必要です。フル精度モデルは大量のVRAMを要求しますが、Metaはコンシューマー向けハードウェアのユーザーでもモデルにアクセスできるように、複数の量子化GGUFバリアントを提供しています。
モデルバリアント別のVRAM要件
| バリアント | 必要なVRAM | 備考 |
|---|---|---|
| フル精度 (FP16) | 64-96 GB | フル128Kコンテキストには約96 GBが必要 |
| K-Quant | 約32 GB | デュアル16 GBまたはシングル32 GB GPUに適合 |
| KQ-Quant (小容量GGUF) | 約17-24 GB | シングル24 GB GPUに適合、精度低下は約1% |
報告されている推論速度
| ハードウェア構成 | 1秒あたりのトークン数 | 精度 |
|---|---|---|
| RTX 5090 | 74.9 | フル精度 |
| クアッドRTX 3090 | 60-65 | フル精度 |
| クアッドRTX 3090 (負荷時) | 40-46 | フル精度 |
最大128Kのコンテキストウィンドウでフル精度モデルを実行する場合、ベースラインの64 GBではなく、96 GBに近いVRAMが必要です。拡張エージェントタスク中のメモリ不足エラーを避けるため、ハードウェアの割り当てを適切に計画してください。
フル精度
- 64-96 GB VRAM
- 最大の精度
- ベンチマークに最適
- マルチGPU構成が必要
K-Quant GGUF
- 約32 GB VRAM
- 最小限の精度低下
- 速度と品質のバランスが良い
- llama.cppと互換性あり
KQ-Quant GGUF
- 約17-24 GB VRAM
- シングル24 GB GPUに適合
- 報告される精度低下は約1%
- コンシューマー向けハードウェアに最適
ベンチマークパフォーマンスと比較
Muse Glimmer 30Bは、ミッドティアのオープンソースLLMの領域において競争力のある位置を占めています。ベンチマーク結果は、ほとんどのカテゴリでGemma 4 31B (思考モード) とQwen 3.6 27Bの中間に位置しており、特にエージェントタスクの処理と一般的な推論において強みを発揮します。
ベンチマーク結果の概要
| ベンチマークカテゴリ | Muse Glimmer 30B | Qwen 3.6 27B | 備考 |
|---|---|---|---|
| SWE-bench Pro (コーディング) | 51.2 | より高い | 検証済みコーディングでQwenがリード |
| Terminal Bench | 51.7 | 60.7 | ターミナルタスクでQwenが強い |
| AIME 2026 (推論) | 94.7 | 94.1 | Muse Glimmerがわずかにリード |
| ChartVix (マルチモーダル) | 強い | わずかに高い | 接戦 |
| MMU Pro (マルチモーダル) | 強い | わずかに高い | Qwenが僅差でリードを維持 |
Qwen 3.6 27BはまもなくQwen 3.8 27Bに置き換えられると予想されており、競争環境は変化する可能性があります。しかし、Muse Glimmer 30Bは一般的なエージェントタスク処理とAIME 2026の推論スコアにおいて明確な優位性を持っています。
このモデルは、SWE-bench Proで51.2というスコアをマークし、堅実なコーディング能力を示していますが、検証済みのコーディングタスクではQwen 3.6 27Bが上回っています。Muse Glimmerが真に輝くのは一般的な推論においてであり、AIME 2026でQwenの94.1に対し94.7を獲得しています。マルチモーダル機能は堅牢で、ChartVixおよびMMU Proベンチマークで良好なパフォーマンスを発揮しますが、どちらのカテゴリでもQwen 3.6 27Bにわずかに遅れをとっています。
マルチモーダルビジョン機能
Muse Glimmer 30Bの際立った特徴の1つは、視覚的理解と推論です。テストでは、画像分析、オブジェクト識別、および視覚入力からの文脈推論において卓越したパフォーマンスを明らかにしています。このモデルは、複雑なシーンを正確に描写し、オブジェクトをカウントし、環境のコンテキストについての推測を行うことさえあります。
ビジョンテスト結果
| テストシナリオ | 精度 | 評価 |
|---|---|---|
| 動物の識別 (ラクダ) | 素晴らしい | A+ |
| 室内シーンの詳細 (猫とケーブル) | 素晴らしい | A+ |
| 屋外の調理 (グリドルと食べ物) | 素晴らしい | A+ |
| 樹木の種類の推定 | 良い (正しい推測) | A |
| サーバーハードウェアの識別 | 良い (軽微なエラーあり) | B- |
このモデルは、ブランド名の識別、オブジェクトのカウント、テキストラベルの読み取り、環境コンテキストの推論が得意です。テストでは、Blackstoneグリドルのブランドを正しく識別し、RJ45ポートの番号をカウントし、位置情報のプロンプトなしで背景の植生からテキサス州中部の地理を推測することさえありました。
注目すべきビジョンの成果
- ブランド認識: 部分的な文字からBlackstoneグリドルを正しく識別
- ポートカウント: パッチパネルからRJ45ポート番号 (18-24) を正確に読み取り
- 地理的推論: 樹木の種類と風景からテキサス・ヒル・カントリーを推測
- オブジェクトカウント: 3つのハンバーグーのパティと6つの2.5インチHDDを正しくカウント
- 素材の識別: 木、金属、コンクリートの表面を区別
このモデルは、ハードウェアの識別においてわずかな弱点を示しました。SASケーブルをSATAケーブルと間違えたり、Intel Optane 900Pドライブを800P U.2モジュールと誤認したり、画像の端で一部切り取られたオブジェクトについて幻覚 (ハルシネーション) を起こすことがありました。これらのエラーはまれであり、全体的なパフォーマンスを著しく損なうものではありませんでした。
ローカルデプロイセットアップガイド
Muse Glimmer 30Bのローカルデプロイは、vLLMを使用した公式Dockerコンテナ、またはllama.cppを使用したGGUF形式の2つの主要な方法で実現できます。それぞれのアプローチには、ハードウェアとユースケースに応じて異なる利点があります。
ランタイムの選択
フル精度の推論にはvLLMを搭載した公式Dockerコンテナを選択するか、VRAMが限られている場合はllama.cpp用のGGUFバリアントをダウンロードします。Dockerアプローチは最も正確な結果を提供しますが、はるかに多くのGPUメモリを必要とします。
GPUリソースの設定
GPUメモリ使用率を0.9に設定し、GPUの数に基づいてテンソル並列処理を構成します。マルチGPUのセットアップでは、コンテナ内でデバイスの順序が正しくなるようにCUDAデバイスの再マッピングが必要になる場合があります。推論中のメモリ枯渇を防ぐため、最大モデル長を65536に設定します。
モデルパーサーの選択
プールの選択 (pool choice) を「muse-glimmer」に、推論パーサー (reasoning parser) を「muse-glimmer」に設定してランタイムを構成します。これらの設定により、サービングフレームワーク内でモデルがエージェント呼び出しと推論チェーンを正しく処理できるようになります。
読み込みとテスト
Open WebUIまたはお好みのフロントエンドからモデルを読み込みます。まず簡単な画像記述タスクから始めてマルチモーダル機能を検証し、その後、エージェントのツール呼び出しワークフローに進み、多段階推論と障害回復機能をテストします。
最新のテストの時点で、公式Dockerコンテナ内ではFlash Attentionは機能しません。Flash Attentionを有効にすると3倍の高速化が報告されていますが、この機能を利用するには標準のDockerデプロイ以外の追加の設定が必要です。
推奨されるvLLM構成
| パラメータ | 推奨値 | 目的 |
|---|---|---|
| GPU Memory Utilization | 0.9 | オーバーヘッド用のバッファを確保 |
| Max Model Length | 65536 | 推論中のOOMを防止 |
| Tensor Parallel | 4 (クアッドGPUの場合) | GPU間で負荷を分散 |
| Pool Choice | muse-glimmer | 正しいモデルルーティング |
| Reasoning Parser | muse-glimmer | 推論チェーンを解析 |
デプロイ前チェックリスト:
- 選択したバリアントの最小要件をVRAMが満たしているか確認
- DockerとNVIDIA Container Toolkitをインストール
- 公式リポジトリからモデルの重みをダウンロード
- マルチGPUセットアップ用にCUDAデバイスの順序を構成
- サンプル画像でマルチモーダル入力をテスト
- トークン生成速度が期待を満たしているか確認
制限事項と既知の問題
Muse Glimmer 30Bはほとんどのタスクで素晴らしいパフォーマンスを発揮しますが、デプロイ前にユーザーが理解しておくべきいくつかの注目すべき制限があります。
テストされた制限のカテゴリ
| カテゴリ | 動作 | 影響 |
|---|---|---|
| コンテンツの拒否 | 厳格な安全フィルタリング | 創造的なシナリオを拒否する可能性 |
| SVG生成 | 視覚的出力が貧弱 | 猫の描画テストに失敗 |
| ハードウェア識別 | 軽微な誤分類 | SAS/SATAとOptaneの混同 |
| 動画処理 | サポート対象外 | テキストと画像のみ |
| Flash Attention | Dockerで機能しない | コンテナ内で3倍の高速化なし |
Metaのモデルであるため、Muse Glimmer 30Bは保守的な安全動作を示します。テストでは、「ひねりを加えたアルマゲドン」という創造的なシナリオを拒否し、仮想的なロールプレイに参加する代わりに、一般的なAIアシスタントの回答を提供しました。制限の少ない出力を必要とするユーザーは、この傾向を考慮する必要があります。
SVG生成テストでは、特に貧弱な結果が生成されました。8Kトークンの予算内で柵の上を歩く猫を作成するよう求めたところ、モデルは柵や背景の要素に対する努力が最小限の、歪んだ一つ目の figure を生成しました。このテストは明らかな失敗と評価され、複雑なベクターグラフィックスの生成が依然として弱点であることが示唆されています。
一方で、このモデルは論理パズルをうまく処理しました。(2番目の単語の3番目の文字を特定する) 単語の位置パズルや、任意の配列マッピングの質問をエラーなく正しく解決し、強力なステップバイステップの推論能力を示しました。
FAQ
Q: Muse Glimmer 30Bとは何ですか？また、誰が開発しましたか？
Muse Glimmer 30Bは、296.6億パラメータを持つ高密度のマルチモーダル大規模言語モデルで、Metaによって開発され、Apache 2.0ライセンスの下でリリースされました。128Kのコンテキストウィンドウでテキストと画像の入力をサポートし、ツール呼び出しや多段階推論を含むエージェントワークフロー向けに設計されています。
Q: Muse Glimmer 30Bをシングル24 GB GPUで実行できますか？
はい、KQ-Quant GGUFバリアントは約17〜24 GBのVRAMを必要とし、報告されている精度の低下は約1%のみで、シングル24 GB GPUに収まります。マルチモーダル機能を使用するには、llama.cppと付属のmmprojファイルを使用する必要があります。
Q: Muse Glimmer 30BはQwen 3.6 27Bと比較してどうですか？
Muse Glimmer 30BはAIME 2026推論 (94.7対94.1) でより高いスコアを記録し、一般的なエージェントタスクをうまく処理します。ただし、Qwen 3.6 27Bは検証済みのコーディングタスクやターミナルベンチマークで上回っており、ChartVixやMMU Proなどのマルチモーダルベンチマークでもわずかにリードしています。
Q: Muse Glimmer 30Bは動画入力を処理しますか？
いいえ、Muse Glimmer 30Bはテキストと画像の入力のみを処理します。動画処理はサポートしていません。このモデルは、オブジェクト識別、シーンの記述、カウント、および文脈推論のための静的画像を高い精度で分析できます。