- Metaが2026年8月10日、300億パラメータのAIエージェントモデル「Muse Glimmer」をApache 2.0で公開
- 4bit量子化でメモリ使用量が55GB→約17〜20GBに縮み、家庭用GPUやMacで動く
- エージェント系ベンチMCP Atlasで75.5点。Gemma4-31Bの54.2点を大きく引き離した
- ターミナル操作やPC操作の一部ではQwen3.6-27Bに負けており、万能ではない
- 社内データを外に出さずAIを使いたい日本企業にとって、現実的な選択肢が1つ増えた
「機密データを扱うからクラウドAIは使えない」。そう言われて、AI活用をあきらめた経験はありませんか。Metaが公開した「Muse Glimmer」は、その前提をひっくり返すかもしれないモデルです。手元のパソコン1台で動き、しかも商用利用が自由。何がどこまでできるのか、数字で確かめていきます。
Muse Glimmerとは何か
Muse Glimmerは、Metaの研究部門「Meta Superintelligence Labs」が2026年8月10日に公開したAIモデルです。
いちばんの特徴は、クラウドにつながなくても手元の機械だけで動くように設計されている点にあります。
パラメータ数は300億（30B）。パラメータとは、AIが賢さを蓄えている「つまみ」のようなもので、多いほど賢くなりやすい代わりに動かすのが重くなります。
内訳は、画像を見るための視覚エンコーダーが20億、文章を扱う本体が280億。つまり文字だけでなく、画像やスクリーンショットも読める「マルチモーダル」モデルです。
ライセンスはApache 2.0で、商用利用も改造も再配布も自由。企業が自社サービスに組み込んでも、Metaに許可を取る必要はありません。
一度に読み込める文章の長さ（コンテキスト長）は32,768トークン。日本語でおよそ2万〜3万字ぶんです。
「エージェント」向けという位置づけ
Metaはこのモデルを「常時稼働するローカルエージェント向け」と説明しています。
エージェントとは、質問に答えるだけでなく、自分で道具（ツール）を呼び出して作業を最後までやり切るAIのことです。
たとえば「先月の請求書フォルダを見て、金額が合わないものを一覧にして」と頼むと、ファイルを開き、数字を読み、表を作り、途中で失敗したらやり直す。この一連の流れを想定して訓練されています。
学習・評価の軸に挙げられているのは、複数ステップの推論、正確な関数呼び出し（プログラムの機能を呼び出す操作）、そして失敗からの復帰。最後の「失敗しても立て直せる」は、自動作業では地味に効く能力です。
なぜ「ローカルで動く」ことが大きいのか
300億パラメータのモデルは、本来そのままでは重すぎます。
フル精度（数値をまるめずに扱う状態）だと、必要なメモリは55GB超。これは個人向けのパソコンにはまず載りません。実際、開発向けの目安としては80GBクラスのGPUが1枚必要とされています。
そこでMetaが持ち込んだのが、K-Quantという4bit量子化の技術です。量子化とは、数値の細かさをあえて落として容量を削る圧縮のこと。
これにより必要メモリは20GBを切り、配布されている量子化版は約17GBまで縮みました。24GBや32GBのメモリを積んだ機械にすっぽり収まる計算です。
Metaは「エージェント系のタスクでは劣化がほとんど、あるいは全くない」としています。写真を軽くしたのに見た目が変わらない、そんな圧縮が効いたわけです。
速度を稼ぐ2つの工夫
軽くしただけでは、実用的な速さは出ません。Muse Glimmerには速度面の仕掛けが2つあります。
1つはGated Grouped-Query Attentionという仕組みで、会話の履歴をためておくKVキャッシュのメモリを16分の1に減らします。長い作業を続けても、メモリが膨らみにくくなります。
もう1つがDFlashという「投機的デコード」用の補助モデルです。小さなモデルに先を予測させ、本体がまとめて答え合わせをすることで生成を速めます。
効果は機械によって差があり、RTX 5090で3.1倍、M5 Maxで1.8倍、M4 Maxで1.5倍と報告されています。Windows向けの高性能GPUほど恩恵が大きい傾向です。
ベンチマークで見る実力
Metaは同じサイズ帯のライバルとして、GoogleのGemma4-31BとAlibaba系のQwen3.6-27Bを比較対象に選んでいます。
エージェント系は明確に強い
得意分野ははっきりしています。ツールを使いこなす力を測るMCP Atlasで75.5点。Gemma4-31Bは54.2点、Qwen3.6-27Bは62.5点ですから、20点近い差をつけました。
調べ物をさせるDeepSearch QAでは74.6点（対61.7点／71.1点）。実務的なエージェント課題を集めたWildClawBenchでは47.6点（対37.6点／43.2点）。
難易度が高いGAIA2でも43.3点（対36.4点／40.0点）と、いずれも首位でした。推論力の指標ではAIME 2026で94.7点、長文読解のAA-LCRで80.0点を出しています。
コーディングは「勝ったり負けたり」
一方でプログラミングの結果はまだらです。
実務的なバグ修正を課すSWE-Bench Proでは51.2点を記録し、Gemma4-31Bの36.9点、Qwen3.6-27Bの50.2点を上回りました。科学計算コードのSciCodeも43.6点でトップです。
ところが、ターミナルを長時間操作し続けるTerminalBench 2.1では51.7点にとどまり、Qwen3.6-27Bの60.7点に9点差で敗れています。
SWE-Bench Verifiedは76.0点対77.2点とほぼ互角。しかしPC画面そのものを操作するOSWorld-Verifiedでは65.9点対75.6点と、はっきり水をあけられました。
「道具を呼ぶ」のは得意でも、「画面をひたすら操作し続ける」のは苦手。そんな性格が数字に出ています。
画像理解と安全性
マルチモーダル面では、グラフや図表を読み解くCharxiv Reasoningで78.8点とトップに立ちました。ただし画面上のUI部品を指し示すScreenSpot Proや、文書解析のOmniDocBenchではQwen3.6-27Bが上位です。
見逃せないのが安全性の数字です。エージェントを狙った攻撃の通りやすさを測るSiren AgentDojoで、攻撃成功率は28.4%。Qwen3.6-27Bの40.3%より低く抑えられています。
とはいえ3割近くは通ってしまう計算です。自動でメールを送ったりファイルを消したりする権限を、無条件で渡していい水準ではありません。
競合と比べてどう選ぶか
選択肢は大きく3つに分かれます。
1つ目がGemma4-31B。今回の比較ではエージェント系で全敗に近く、同じ土俵ならMuse Glimmerが優位です。
2つ目がQwen3.6-27B。ターミナル作業やPC操作、文書解析では上回っており、開発マシンの自動操作をがっつりやらせたいならこちらという住み分けが見えます。
3つ目がクラウドの大型モデル、つまりGPT系やClaude系のAPIです。純粋な賢さでは依然こちらが上ですが、データが社外に出ることと、使った分だけ課金され続けることは避けられません。
Muse Glimmerは最高の賢さを買うモデルではなく、「データを外に出さない」と「使い放題」を同時に取りに行くモデル。そう捉えると判断を誤りにくくなります。
実際に動かすには何が必要か
導入のハードルは、公開初日にしてかなり下がっています。
配布元はHugging Face（AIモデルの公開・共有サイト）で、リポジトリ名はmeta-models/Muse-Glimmer-30B。transformers、llama.cpp、vLLMが発表当日から対応しました。
手軽に試すならOllamaかLM Studioです。Ollamaは発表と同じ日にバージョン0.32.7で対応しており、コマンド1行で導入できます。MLX、ExecuTorch、SGLang、Unslothも対応が進行中です。
自前のマシンを用意したくないなら、Together AI、Fireworks AI、OpenRouterといったホスティング経由でも使えます。最適化にはAMD、Arm、Dell、Intel、NVIDIAが協力しています。
ハード面の目安は、メモリ24GB以上のGPUか、ユニファイドメモリを積んだMac。検証にはRTX 5090、M4 Max、M5 Maxが使われています。
コストは正直に言って軽くありません。日本国内のRTX 5090は40万円台が中心で、2026年8月にはGIGABYTE製品が従来比120〜140%へ値上げされました。Mac Studioの上位機も2,500ドル前後からです。
それでも買い切りである点は見逃せません。APIの従量課金を毎月払い続ける構成と比べれば、使用量が多い現場ほど逆転が早く訪れます。
気をつけたい落とし穴
過度な期待は禁物です。注意点を3つ挙げておきます。
第一に、量子化は無料ではありません。「エージェント系では劣化がほぼない」という説明は裏を返せば、それ以外の用途では影響が出る可能性を示しています。自社の業務データで必ず試してください。
第二に、コンテキスト長32,768トークンは長大な仕様書の全文投入には足りない場面があります。大量文書を扱うなら、検索して必要箇所だけ渡す設計が要ります。
第三に、前述の攻撃成功率28.4%です。外部から取り込んだ文書に「この指示に従え」と仕込む攻撃は現実に存在します。権限は最小限にし、実行前の確認を挟む運用が安全です。
日本市場にとって何が変わるか
学習データは100以上の言語を含んでおり、日本語もその中に入っています。日本語専用に鍛えられたモデルではないため、繊細な言い回しは国産モデルに譲る場面もありそうです。
それでもこのリリースが追い風になるのは、日本企業がローカルLLMをすでに本番運用へ移し始めているからです。
デジタル庁は2026年5月から、全府省庁の約18万人を対象に生成AI利用環境「源内」の大規模実証を開始しました。みずほフィナンシャルグループとSB Intuitionsは、460億パラメータの日本語LLM「Sarashina」をベースに金融特化モデルを共同開発しています。
支援ビジネスも立ち上がっています。インテックはローカルLLMの導入支援で、2026年度に売上高3億円、2028年度までに累積12億円を目標に掲げました。
ここに、無料で商用利用できる高性能なエージェントモデルが加わります。「まず1台のGPUで試して、効果が出たら広げる」という進め方が、現実的な予算で組めるようになりました。
具体的にどんな場面で効くのか
地方の会計事務所を思い浮かべてください。顧問先の決算書には、外部に出せない数字が並んでいます。従来はクラウドAIに読ませる選択肢そのものがありませんでした。事務所のPCで完結するなら、仕訳の突き合わせをAIに任せられます。
病院の医事課も同じです。カルテやレセプトは院外に出せない情報の代表格。ネットワークから切り離した端末でモデルを動かせば、記載漏れのチェックを自動化しても情報は院内にとどまります。
製造業の設計部門にも出番があります。図面や検査写真を扱う場面では、画像も読めるマルチモーダル性が生きます。過去の不具合報告と写真を突き合わせ、似た事例を探す作業をAIに下ごしらえさせる、といった使い方です。
よくある質問（FAQ）
Q1. 普通のノートパソコンでも動きますか？
A. 一般的な事務用ノートでは厳しいのが実情です。量子化版でも約17GBのメモリを占有します。メモリを24GB以上積んだMacか、同等以上のGPUを載せたPCが必要です。検証機として名前が挙がっているのもRTX 5090やM4 Max／M5 Max搭載機です。
Q2. 本当に無料で商用利用できますか？
A. ライセンスはApache 2.0なので、商用利用・改変・再配布が可能です。自社製品への組み込みも認められています。ただし表示義務など条項自体は存在するため、導入前に原文の確認をおすすめします。
Q3. ChatGPTやClaudeの代わりになりますか？
A. 完全な置き換えは難しいでしょう。総合的な賢さでは大型のクラウドモデルが依然として先を行きます。機密データを扱う業務はMuse Glimmer、難しい調査や高度な文章生成はクラウド、という併用が現実的です。
Q4. 日本語の性能はどれくらいですか？
A. 100以上の言語で学習しており日本語も扱えますが、日本語に特化した評価は公開されていません。国産のSarashinaなど日本語専用モデルと比べる場合は、自社の実データで読み書きを試すのが確実です。
Q5. セキュリティ面は安心できますか？
A. データが外に出ない点は大きな利点です。一方でSiren AgentDojoの攻撃成功率は28.4%あり、悪意ある指示を仕込まれるリスクは残ります。ファイル削除やメール送信などの操作は、人が承認してから実行する設計にしてください。
まとめ
- Metaが2026年8月10日、300億パラメータのMuse GlimmerをApache 2.0で公開した
- 4bit量子化でメモリは55GB超から約17GBへ。24GB級のGPUやMacで動く
- MCP Atlas 75.5点、SWE-Bench Pro 51.2点とエージェント系で同サイズ帯をリード
- ターミナル操作やPC操作ではQwen3.6-27Bが優位。用途で選び分けるのが賢い
- 攻撃成功率28.4%を踏まえ、強い権限は人の承認とセットで運用する
- 日本ではデジタル庁や金融機関がローカルLLMの本番活用を進めており、追い風になる
まずはOllamaで量子化版を1台の検証マシンに入れ、自社の実データで3日ほど触ってみることをおすすめします。使えるかどうかは、ベンチマークではなく手元のデータが教えてくれます。
参考文献
- Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device（Meta AI Research）
- Muse Glimmer（Hugging Face Blog）
- Meta Publishes Muse Glimmer As 30B Open Agentic Model（Phoronix）
- Meta Muse Glimmer brings local AI agents to consumer GPUs（AI News）
- インテック、オンプレミス環境で生成AIを活用できるローカルLLMの導入支援を開始
こんな時代だから遊んで学びたい
AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。
毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。 さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。
「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？
一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！
