Meta「Muse Glimmer 30B」公開——画像・動画・ツール操作をローカルで扱うApache 2.0モデル

結論から言うと、画像や動画を読みながらコード作成やツール操作を行える30B規模のAIを、自分の環境で動かせる選択肢が増えた。Hugging Faceは2026年8月10日、Metaの新モデル「Muse Glimmer 30B」の公開と、主要な実行環境での初日対応を公式ブログで案内した。

モデルはより大きなMuseから知識を移した30Bパラメータの密な構成で、内訳は画像・動画を読む2Bの視覚エンコーダーと、文章を扱う28Bのデコーダーだ。ライセンスはApache 2.0。画像質問、音声なしの動画理解、画像内の物体検出、マルチモーダルなツール呼び出しに対応し、文書分析、個人用アシスタント、コーディングなどを想定する。

Transformers、llama.cpp、vLLM、Hugging Face Inference Endpointsが対応し、別の軽量な下書きモデルを使う投機的デコードも選べる。社外へ出せない画像や文書をローカル処理したい開発者には有力な検証候補だ。ただし30Bモデルのため、手元のパソコンで快適に動くかはGPUメモリ、量子化、入力の長さで変わる。

紹介記事の比較値は公開された報告値で、全条件を同じ環境でHugging Faceが再測定したとは限らない。また動画入力は音声を扱わないため、会議録や映像の音声理解には別の音声認識が必要だ。