📌 この記事の要約

• GPU1枚で常時動くローカルAIエージェント向けモデル
  メタが2026年8月10日に公開した約296億パラメータのオープンウェイトモデル。Hugging Faceから無料で入手でき、MacやWindows機のGPU1枚で常時稼働させる使い方を前提に設計されている。

• 密なトランスフォーマーと投機的デコードで高速化
  MoEを使わず全パラメータが毎回動くdense構成を採用。4bit量子化で言語モデル部は20GB未満に収まり、DFlashによる投機的デコードでRTX 5090の生成速度は約3.1倍に伸びた。

• 画像認識・文章生成・コーディングを実機で検証
  LM Studio 0.4.20で動かし、写真のラベル文字まで正確に読み取る画像認識や、指示1回で動くツールを返すコーディング力を確認。一方でランサムウェア開発は明確に拒否された。

• オープンウェイト回帰と自社責任という論点
  ライセンスはApache 2.0で大規模利用の制限がなくなり、上位のMuse Spark 1.2も重み公開を予告。ただしローカル実行では安全対策と運用の責任が利用者側に移る点に注意が必要。

メタが2026年8月10日、新しいAIモデル「Muse Glimmer」を公開しました。約296億パラメータのオープンウェイトモデルで、Hugging Faceから誰でも無料でダウンロードできます。性能競争での順位よりも、MacやWindows機のGPU1枚で動かし、常時稼働のエージェントとして使う前提で作られている点が興味深いところです。

クラウドの巨大モデルと正面から殴り合うより、手元のパソコンに仕事を任せる方向へ舵を切ったわけですね。実際にLM Studioへ読み込ませて動かした結果も交えながら、このモデルが何を狙っているのかを確認していきます。

メタは2026年8月10日、オープンウェイトモデル「Muse Glimmer」を公開しました。

常時動くローカルエージェントを前提に設計されたモデル

Muse Glimmerの総パラメータ数は約296億です。クローズドの上位モデルであるMuse Sparkを教師に、事前学習、中間学習、事後学習の3段階で作られており、事前学習ではMuse Sparkの出力をロジット蒸留で学ばせています。メタはこのモデルを、常時動き続けるローカルのエージェント業務向けと位置づけています。1回質問して答えをもらうチャットとは狙いが違い、コーディングや事務作業を複数の手順に分解して順に処理させる使い方を想定しています。

構造を見ると、言語モデル部は52層で、ここに約18億パラメータの視覚エンコーダViT-G/14を統合し、テキストと画像の両方を入力として受け取れます。対応言語は100以上、学習データの知識カットオフは2026年1月4日、コンテキスト長は13万1072トークン以上と公表されました。MoE（Mixture of Experts）を採用せず、すべてのパラメータが毎回動く密（dense）なトランスフォーマーにした点も目を引きます。NVIDIAが公開した技術解説では、専門家の振り分けにかかるオーバーヘッドを避ける狙いがあると説明されています。

メモリ消費を抑える工夫も入っています。4bit量子化を使えば言語モデル部は20GB未満に収まり、24GBのメモリを積んだコンシューマー向けGPUに載せられます。ハイブリッドアテンションも組み合わせ、残った容量にKVキャッシュや視覚エンコーダ、投機的デコード用のドラフトモデルを同時に載せられる構成になっています。

さらにDFlashと呼ぶ軽量な拡散モデルによる投機的デコードを併用すると、GeForce RTX 5090で毎秒74.9トークンだった生成速度が233.4トークンまで伸び、約3.1倍の高速化を確認しています。Apple M5 Maxでは約1.8倍、M4 Maxでは約1.5倍でした。

推論の強度はシステムプロンプトからlow、medium、high、xhighの4段階で切り替えられます。簡単な処理では計算を節約し、難しい課題には時間をかける配分を、ユーザー側で決められます。公開初日にOllamaやllama.cpp、vLLM、SGLangが対応し、LM StudioやMLX、ExecuTorchへの最適化も順次進んで、すぐ手元で試せる状態が整いました。

DFlashによる投機的デコードを併用すると、GeForce RTX 5090で約3.1倍まで生成速度が伸びました。

常時稼働のエージェントにローカル実行が向く理由

なぜわざわざパソコンで動かすのか。エージェントの使い方を考えると理由が見えてきます。チャットは質問して答えが返れば終わりますが、エージェントは違います。ファイルを読んで内容を把握し、次の手順を考え、アプリを操作し、結果を確認して失敗すればやり直す。この繰り返しで、1つの作業に膨大な回数の推論が走ります。

これをすべてクラウドのAPIで処理すると、いくつも壁に当たります。トークン単位の課金は作業時間に比例して積み上がりますし、往復の通信で待ち時間も伸びます。社内のファイルを読ませる以上、データを外部へ出してよいのかという判断も毎回必要です。手元で動くなら、この3つの悩みがまとめて解消できます。環境が用意できているなら、何時間動かしても電気代以外の追加料金は発生しません。

ローカルで動くLLMは、これまで「オフラインで使えるチャットAI」として語られることが多かったと思います。クラウドの最上位モデルと知識量で比べれば見劣りするため、用途は限られていました。ところがエージェント用途では評価軸が変わります。求められるのは幅広い知識よりも、指示を正しく解釈してツールを呼び出し、返ってきた結果を読んで次の手を決める能力です。Muse GlimmerがMCP AtlasやDeepSearch QAといったエージェント系の評価で同じサイズ帯の競合を上回ったのも、この能力を集中的に鍛えた結果と見られます。

エージェント系ベンチマークの結果です。MCP Atlasは75.5で、Qwen3.6-27Bの62.5、Gemma4-31Bの54.2を上回りました（Metaの公開データより一部抜粋）。

メタが再びオープンウェイトを重視する理由

Muse Glimmerで注目したいのは、性能だけでなく公開方法です。メタはLlamaシリーズでオープンウェイトモデルを広めてきましたが、2026年に登場したMuse Sparkは重みを公開せず、Meta AIやAPIを通じて提供していました。そこへ今回、ダウンロードして手元で動かせるGlimmerを投入しました。さらに上位のMuse Spark 1.2についても、数週間以内に重みを公開する方針を示しています。

GlimmerにはApache 2.0ライセンスが採用されています。従来のLlama Community Licenseにあった大規模サービス向けの追加条件がなく、企業でも改変や製品への組み込みがしやすくなりました。もちろん学習データなどがすべて公開されているわけではないため、ここでは「オープンソース」ではなく「オープンウェイト」と呼んでいます。

ザッカーバーグ氏も同じ日に論説「The Future is for Everyone」を公開し、AIの能力を一部の企業や政府に集中させるのではなく、多くの人が利用できる形で広げるべきだと主張しました。Glimmerは単発の実験というより、メタが再びオープンウェイトモデルを重視する姿勢を示した製品と見ることができます。

ライセンスはApache 2.0で、月間ユーザー数による制限はなくなりました。

LM Studioで動かして確かめた画像認識と文章生成の実力

実際に手元で動かしてみました。使ったのはLM Studio 0.4.20です。モデル一覧からmeta/muse-glimmerを選んで読み込むだけで準備完了です。入力欄の下にはVisionとReasoningのトグルが並び、画像入力と思考プロセスの表示をその場で切り替えられます。

最初に試したのは画像認識です。柴犬の隣にウイスキーのボトルと犬のおもちゃを置いた写真を貼り、「何が映っていますか？」とだけ尋ねました。25.11秒の思考を経て返ってきた答えは、想像以上に細かいものでした。白い床に座る黒と白の被毛の柴犬が口を開けて舌を出していること、首に金属製のカラーを付けていること、右前足の前にウイスキーのボトルを模したぬいぐるみのおもちゃが置かれ、そのラベルに「MICHTER'S BOURBON」と書かれていることまで読み取っています。

感心したのは左側のボトルの扱いです。MICHTER'S US-1 FORT NELSON RESERVE BARREL STRENGTH BOURBON WHISKEYという長い文字列まで正確に返し、黒いギフトボックスの金色のロゴと「EST. 1753」「FORT NELSON RESERVE」「BARREL STRENGTH」の文字まで拾い上げました。背景が白い壁と木目調のドアであることにも触れています。このやり取りで消費したトークンは422で、ローカル実行としては軽い部類に入ります。

LM Studio 0.4.20で「meta/muse-glimmer」をインストールしました。

Muse Glimmerに、写真を貼って内容を尋ねてみました。

次はテキストだけの相談です。AI時代にキャリア30年の50代ライターがどう生き残るか、というお題を投げました。返ってきたのは、AIより速く書くという発想を捨ててAIにできない仕事へ移るべきだという方針から始まり、ドメイン知識や人脈、編集眼という3つの資産の整理、ハイブリッドライターとしての守りと知識のプロデュースへ転じる攻め、収益源を3本に分ける考え方、90日間のアクションプランまで並ぶ長文でした。営業トークのNG例とOK例まで添えてきます。消費トークンは約2000です。

ただし気になる点もあります。AI原稿の監修1本を3万円から5万円、企業のAI利用ガイドライン作成を15万円、経営者インタビューと記事化のパッケージを10万円から15万円といった金額を提示してきますが、その根拠は示されていませんでした。ちょっと現状では強気な値付けに思えるので、相場観のたたき台としては使えても、採用するかどうかは慎重に検討したほうがよさそうです。

ライターの生存戦略を聞いたところ、2分23秒考えたうえで具体的な提案を返してきました。

試しに、もっともらしい理由を添えてランサムウェアの開発をお願いしてみました。すると、きっちり「違法行為を助長する可能性があるため、お手伝いできません」と返答してきました。ガードレールはしっかりと働いているようです。

マルウェアの作成は拒否されました。

続けて、もう少し実務的なコード生成も任せてみました。「HTMLファイル1つだけで動く、日本語文章の読みやすさを可視化するミニアプリを作ってください」と指示し、文字数や文の長さ、漢字・ひらがななどの割合を分析して、読みにくそうな箇所をハイライトするツールを作らせました。

返ってきたコードをHTMLファイルとして保存してブラウザで開くと、手直しなしでそのまま動作しました。文章を貼り付けて「解析する」を押すだけで各種指標と総合評価が表示され、長すぎる文も色付きで確認できます。今回のドラフト原稿を流し込んでみたところ、1文が長い文章がある、と辛口の判定が返ってきました。

アプリをひとつ作らせただけでコーディング性能を語ることはできませんが、指示を1回投げただけで動くツールが返ってくる程度の実力はあると見てよさそうです。メタもMuse Glimmerの想定用途に、ローカルでのコーディングやコーディングエージェントを挙げています。公開されたベンチマークでは、コーディング系の「SWE-Bench Pro」で51.2を記録し、Gemma4-31BとQwen3.6-27Bを上回りました。ただし「SWE-Bench Verified」や「TerminalBench 2.1」ではQwen3.6-27Bが上回っており、得意な領域とそうでない領域は分かれます。いずれもメタ自身の測定値なので、実際の使い勝手は手元で試しながら見極めることになります。

文章の読みやすさチェッカーアプリを開発してもらいました。

手元で動くAIをどこまで業務に組み込むか

公開当日、メタの株価は取引開始前から2％台の上昇を見せました。ただし2026年に入ってからは1割程度下げており、投資家の関心は設備投資の回収に向いています。同社は2026年通期の設備投資を1300億～1450億ドルと見込んでいます。前年の722億ドルからほぼ倍増する規模です。

実務での使い分けは、今回試した範囲でもある程度見えてきました。事実や相場を尋ねる用途では答えの根拠が示されないことがあり、単独で答えを出させるのは危険です。一方で画像から情報を拾い、指示に沿って手順を組み立てる作業では、手元のパソコンで動く規模として十分な水準に達しています。社外にデータを出さずに済む点も、扱いに注意が要る情報を持つ組織には効いてきます。ただしローカル実行に切り替えた場合、安全対策と運用の責任は自社に移ります。プロンプトインジェクションへの備えや実行環境の分離は、モデル任せにはできません。

巨大なモデルをクラウドで囲い込む競争と並行して、十分に賢いモデルを手元で自由に動かす競争が始まりました。次の焦点は、予告されたMuse Spark 1.2の重みが本当に公開されるかどうかです。しばらく、メタの動向から目を離せなさそうです。