2026年8月10日、MetaはMuse Glimmerを発表しました。これは、消費者のハードウェア上でローカルエージェントが動作するよう最適化された、Apache 2.0ライセンスに基づくオープンウェイトの300億パラメータモデルです。同時に、マーク・ザッカーバーグは約6500語のエッセイを公開し、「すべての人にパーソナルな超知能を」という哲学を明らかにしました。
Muse Glimmerモデルは、より大規模な教師モデルであるMuse Sparkからの蒸留法を用いて構築されました。このモデルは、教師のロジットを用いた事前学習、長文コンテキストとエージェントデータを用いた中間学習、そして推論、コーディング、エージェントタスクの領域で教師ありファインチューニング、オンポリシー蒸留、強化学習を組み合わせた事後学習を経て開発されました。コンテキストウィンドウは12万トークンを超え、マルチモーダル入力をサポートし、OpenClawのようなスキャフォールドとも互換性があります。
主な最適化は、メモリ消費量を約17〜20GBに削減する4ビット量子化と、軽量ドラフターモデルDFlashによる投機的デコーディングです。これにより、MacBook M4/M5 MaxやRTX 5090上で、クラウドなしでエージェントを連続稼働させるのに十分な速度でモデルを実行できます。
ザッカーバーグのエッセイでは、集中化を目指す研究機関のアプローチに対し、自身の立場を対比させています。彼は、力の均衡は単一の「調整された」超知能システムによってではなく、強力なツールを個人に広く分散させることによって達成されると主張しています。その例として、健康、財務、人間関係を24時間体制で管理するパーソナルエージェント、発明やビジネス創出のためのツール、個別化された家庭教師、そしてオープンなBiohub生物モデルを通じた科学的発見への貢献などが挙げられます。
Muse Glimmerの評価方法論には、DeepSearch QA、MCP-Atlas、τ-Bench、SWE-Benchなどのベンチマークに加えて、ツールの堅牢な使用、エラーからの回復、マルチモーダル理解に関するテストが含まれています。しかし、Gemma4-31BおよびQwen3.6-27Bとの詳細な比較表は公開情報が限られており、完全な方法論はMetaの内部レポートを参照するようになっています。
Metaの以前のオープンリリース（Llamaシリーズ）と比較すると、今回は一般的な言語能力だけでなく、エージェントシナリオとローカル実行に重点が置かれています。これは、高度なモデルが非公開であるか、APIを通じてのみ利用可能なOpenAIやAnthropicの戦略とは異なります。並行して、中国の研究機関（DeepSeek、Moonshot）も積極的にオープンモデルをリリースしており、米国勢への圧力を強めています。
300億パラメータのオープンウェイトモデルのリリースとローカルエージェントへの重点は、開発者や研究者がクラウドプロバイダに依存せずに長期的なワークフローを試行できるため、参入障壁を低減します。これにより、パーソナライズされたエージェントの登場が加速する可能性がありますが、同時に、広範囲に普及した場合のサイバーセキュリティおよびバイオリスク分野における悪用防止の課題も提起します。
Muse Glimmerが、より大規模なクローズドモデルと比較して、複雑な多段階タスクにおける最先端の能力にどの程度近づいているのか、またHugging Faceでのリリース後、コミュニティが公表された性能指標をどのように独立して検証するのかは、まだ不明確です。今後の研究では、実際のシナリオにおけるエージェントの障害回復の真の堅牢性と長期的な一貫性が検証されることでしょう。
Muse Glimmerのオープンリリースとザッカーバーグのエッセイは共に、Metaが安全性と進歩のメカニズムとして能力の分散に賭けており、コミュニティによるモデルの独立した検証と改良の余地を残していることを強調しています。
