Meta は近日、オープンソースのマルチモーダル AI モデル「Muse Glimmer」を正式にリリースした。本モデルは既存の大型モデル Muse を 30B パラメータまで蒸馏した密度アーキテクチャを採用し、Apache 2.0 ライセンスで公開されている。特にローカル環境での自律型エージェント（Agentic）用途を想定しており、プライバシー保護や推論コストの削減を目指す開発者やエンタープライズ向けのソリューションとして提供される。 Muse Glimmer はテキスト、画像、動画の理解と生成に対応する。ビジョンエンコーダーには Meta が開発した 2B 規模の ViT 系 Perception Encoder を採用し、動画処理では 2fps のフレームサンプリングとタイムスタンプ埋め込みを統合。推論性能面では、軽量ブロック拡散ドラフター DFlash による擬似並列推論を実装し、コード生成などの構造化コンテンツ作成におけるトークン生成速度を大幅に向上させている。 複数のベンチマークにおいて、一般推論、マルチモーダル理解、および自律型エージェント作業で競合 30B〜70B 級モデルと拮抗する、または上回る性能を示している。特にコードデバッグや複数ツール呼び出しを伴う複雑なワークフローにおいて高い信頼性を記録している。 開発者エコシステムへの統合も即日完了している。Hugging Face Transformers、llama.cpp、vLLM、および TRL において当日サポートを提供する。単一のコードスニペットで NVIDIA、AMD、Intel GPU 間のシームレスな切り替えが可能だ。TRL を用いた LoRA 微調整や強化学習によるファインチューニングの実装ガイドラインも公開されており、専門ドメインや独自エージェントへのカスタマイズが容易になっている。 実用面では、ローカル環境での自律的なモデル管理が実証されている。モデル自身が Hugging Face MCP サーバーと連携し、ハードウェア仕様を判定して最適な GGUF 量子化版を自動探索・展開したり、Inference Endpoints へ安全にデプロイメントする事例が示されている。さらに単一 H100 環境向けに推論エンジンの設定を自動最適化し、スループットを最大化する自己改善の手法も公開された。これにより、開発者は外部クラウド依存を最小限に抑えつつ、ローカルで高性能かつ安全な AI エージェント環境を構築できる。