3行まとめ
- Metaが約296億パラメータのAIモデル「Muse Glimmer」を無償公開しました
- データセンター級の設備ではなく、家庭用のGPU1基で動くよう設計されています
- ライセンスはApache 2.0。商用利用や改変も自由です
何が起きたか
MetaのAI研究部門は2026年8月10日（現地時間）、オープンウェイトのAIモデル「Muse Glimmer」を公開しました。パラメータ数は約296億。モデルの中身（ウェイト）はHugging Faceからダウンロードできます。
特徴は「ローカル動作への特化」です。MacやPCに載っているコンシューマー向けGPU1基で、複数ステップの計画立案・ツール呼び出し・失敗からの復帰といったエージェント処理を実行できます。入力はテキストと画像に対応し、スクリーンショットや図表を読ませる使い方もできます（出力はテキストのみ）。
上位モデル「Muse Spark」を教師役とした蒸留（後述）で作られており、100以上の言語を学習しています。
なぜ難しい・何がすごいか
このニュースが分かりにくいのは、「オープンウェイト」「蒸留」「量子化」という3つの専門用語が壁になっているからです。逆に言えば、この3つさえ翻訳できれば本質がつかめます。
まず前提として、高性能なAIはこれまで「データセンターの中の巨大なコンピュータ」でしか動かせませんでした。私たちがチャットAIを使うとき、実際の計算はクラウドの向こう側で行われています。
オープンウェイトは、そのAIの「頭の中身」を丸ごと配ることです。ダウンロードすれば、誰でも自分の機械でそのAIを動かせます。ただし、賢いAIほど頭の中身が大きく、家庭の機械には載りません。Muse Glimmerも、そのままでは55GB超のメモリが必要です。
そこで1つ目の鍵になるのが蒸留です。大きくて賢いモデル（教師）の振る舞いを、小さいモデル（生徒）に引き継がせる技術で、Muse Glimmerは上位モデルMuse Sparkの生徒にあたります。
2つ目の鍵が量子化です。頭の中身の数値を粗く丸めてサイズを圧縮する技術で、Muse Glimmerでは約4bitへの量子化により言語モデル部分を20GB未満まで縮めています。それでいて精度の低下は、24GB構成で1.0%、32GB構成で0.2%にとどまるとされています。「ほぼ性能を落とさずに、家庭のGPUに収まるサイズまで縮めた」ことが、今回の発表の核心です。
たとえ話
一流レストランのシェフのレシピを想像してください。そのままでは業務用の厨房と特注の食材が必要で、家庭では再現できません。
蒸留は、シェフが弟子に「家庭のコンロと近所のスーパーの食材で、ほぼ同じ味を出す作り方」を仕込むことです。量子化は、そのレシピの「小さじ1.37杯」を「小さじ1杯半」に丸めて、家庭の計量スプーンで測れるようにすること。丸めた分だけ味は少し変わりますが、その差は1%程度です。
Muse Glimmerは、こうして「家庭で作れるように書き直されたレシピ」として無償配布された、と考えると近いです。
用語ミニ辞典
- オープンウェイト: 学習済みAIの内部データ（ウェイト）を公開すること。誰でもダウンロードして自分の環境で動かせる
- 蒸留: 大きく賢いモデルを教師役にして、その振る舞いを小さいモデルに学ばせる圧縮技術
- 量子化: モデル内部の数値の精度を粗くしてデータ量を減らす技術。4bitはかなり強い圧縮
- VRAM: GPUに載っている専用メモリ。ローカルAIは「モデルがVRAMに収まるか」が動作の分かれ目
- Apache 2.0: 商用利用・改変・再配布を認める緩いオープンソースライセンス
技術者向けの深掘り
主なスペックは次のとおりです。
- サイズ: 約296億パラメータ。完全精度では55GB超、約4bit量子化で言語モデル部分は20GB未満。KVキャッシュと画像エンコーダーを含めて24GBまたは32GBのVRAMに収まる
- コンテキスト長: 131,072トークン以上
- 推論強度: low・medium・high・xhighの4段階から選択可能
- 想定用途: ローカルエージェント（計画立案・逐次ツール呼び出し・失敗からの復帰）、コーディングエージェント、マルチモーダル推論、合成データ生成、LLM-as-a-judge
公表されたベンチマーク（Gemma4-31B・Qwen3.6-27Bとの比較）は次のとおりです。
- MCP Atlas: 75.5
- DeepSearch QA: 74.6
- SWE-Bench Pro: 51.2
- AIME 2026: 94.7
- Siren AgentDojo: プロンプトインジェクション攻撃成功率28.4%
一方、OSWorld-Verified・SWE-Bench Verified・TerminalBench 2.1ではQwen3.6-27Bが上回っており、全勝ではありません。実行環境はOllama・LM Studio・Unslothが先行し、llama.cpp・MLX・ExecuTorchが続く予定です。vLLM・SGLangなどのサービング系にも対応予定で、AMD・Arm・Dell・Intel・NVIDIAとデバイス別最適化の協業も予告されています。安全性評価は化学・生物、サイバー、制御喪失のいずれも「中程度以下」とされています。
これは自分に関係ある？
- 仕事でAIを使っている人: 機密データをクラウドに送らず、手元の機械でAIに処理させる選択肢が現実味を帯びてきました。社内文書やスクリーンショットを外に出さずに読ませる使い方が視野に入ります
- エンジニア: 24GBクラスのGPUがあれば手元で試せます。Apache 2.0なので自社製品への組み込みも自由です。エージェント用途（ツール呼び出しと失敗からの復帰）に最適化されている点が、従来のローカルモデルとの違いです
- AIをとくに使っていない人: ネット接続なしでAI機能が動くアプリが増えていく流れの一歩です。スマホやPCのアプリに「オフラインでも動くAI」が入ってくる方向の先に、このモデルがあります