Meta veröffentlicht Muse Glimmer als offenes 30-Milliarden-Parameter-Modell für lokale Agenten

Meta hat mit Muse Glimmer ein offenes Agentenmodell für lokale KI-Workflows vorgestellt. Das Modell soll auf einem Mac oder PC mit einer einzelnen Consumer-GPU laufen und zielt auf Aufgaben wie lokale Agenten, Coding und Tool-Aufrufe ohne Cloud-Anbindung.

Wie Meta AI Research am 10. August 2026 mitteilte, stammt Muse Glimmer aus den Meta Superintelligence Labs und wird unter einer Apache-2.0-Lizenz veröffentlicht. Das Modell umfasst 30 Milliarden Parameter. Meta beschreibt es als „optimized for always-on local agent workflows“. Die Gewichte stellt der Konzern laut Blogeintrag auf Hugging Face bereit, ergänzt um Entwicklerdokumentation für eigene Agenten.

Lokale Ausführung auf Consumer-Hardware

Meta positioniert Muse Glimmer für den Betrieb auf einem Mac oder PC mit einer einzelnen Consumer-GPU. Genannt werden lokale Agenten, Function Calling, lokales Coding und „LLM-as-a-judge evaluation“. Der Anbieter begründet den Ansatz mit geringerer Abhängigkeit von Cloud-Infrastruktur und Netzverbindung. Im Blog heißt es, lokaler Betrieb ermögliche KI „anywhere, anytime, with or without an internet connection“.

Für die lokale Nutzung nennt Meta mehrere technische Anpassungen. Dazu gehören eine kompakte Architektur, ein neues Distillation-Verfahren von einem größeren Teacher-Modell sowie Inferenz-Optimierungen einschließlich Quantisierung. Trainiert wurde Muse Glimmer laut Meta in drei Phasen: Pre-Training, Mid-Training und Post-Training. In der Vortrainingsphase nutzte Meta Ausgaben von Muse Spark per Logit Distillation.

Integrationen folgen in den nächsten Tagen

Für Entwickler kündigte Meta optimierte Integrationen für llama.cpp, MLX und ExecuTorch an. Diese sollen „in the coming days“ erscheinen. Meta verspricht damit einen schnellen Weg „from download to working agent in minutes“. Einen genaueren Termin nannte der Anbieter nicht.

Auf Agentenaufgaben zugeschnitten

Meta bewertet Muse Glimmer nach eigenen Angaben auf agentischen Aufgaben wie DeepSearch QA, MCP-Atlas, 𝛕-Bench und SWE-Bench. Genannt werden End-to-End-Aufgabenerfüllung, zuverlässige Tool-Nutzung, mehrstufiges Reasoning und Fehlerbehebung nach fehlgeschlagenen Tool-Aufrufen. Vor der Freigabe als Open-Weight-Modell wurde Muse Glimmer laut Meta nach dem Advanced AI Scaling Framework des Konzerns geprüft.