Muse Glimmerは日本語で使えます。ただしMetaが公式に保証しているのは「100言語以上のデータで学習した」ところまでで、日本語そのものの性能は評価結果として公開されていません。Macで動かす条件も、公式が示すのは24GBまたは32GBという枠だけです。この記事では、日本語で任せられる範囲を自分で確かめる手順と、Macのメモリ容量ごとに何が載るのかを、公式仕様の実数から整理します。
Muse Glimmerとは｜Metaが公開した30Bのローカル動作モデル
Muse Glimmerは、Meta Superintelligence Labsが2026年8月10日に公開したオープンウェイトのエージェント向けモデルです。クローズドの上位モデルMuse Sparkの出力をlogit distillation（ロジット蒸留）で圧縮した派生版で、重みはApache 2.0ライセンスで配布されています。テキストと画像を入力でき、常時稼働のローカルエージェント、関数呼び出し、ローカルでのコーディング、LLMによる出力評価といった用途を想定した設計です。編集部が公式ブログとHugging Faceのモデルカードで確認した仕様は次のとおりです。
| 項目 | Muse Glimmerの仕様 |
|---|---|
| パラメータ | 約296億（30Bクラス） |
| アーキテクチャ | Dense Causal Transformer＋Perception Encoder（MoEではない） |
| 視覚エンコーダ | 約18億パラメータのViT-G/14（50層・width 1536・patch size 14）／画像1枚あたり最大4,096ビジュアルトークン |
| コンテキスト | 131,072トークン以上 |
| トークナイザ | 200,000 BPEトークン＋2,048特殊トークン（語彙数202,048） |
| ライセンス | Apache 2.0（商用利用・改変・再配布が可能） |
| 推論強度 | low／medium／high／xhighの4段階 |
| 推奨生成パラメータ | temperature 1.0／top_p 0.95／top_k 64 |
| メモリ | 4bit量子化で20GB未満、フル精度（BF16）は55GB超。公式が示す動作枠は24GBまたは32GB |
| 公式のテスト機 | MacBook M4-Max、MacBook M5-Max、RTX 5090 |
| 対応言語 | 100言語以上のデータで学習（言語名のリストは非公開） |
| 実行環境 | Ollama／LM Studio／llama.cpp／MLX／ExecuTorch／vLLM／SGLang／Unsloth |
注目したいのは、30Bという一台のマシンに載るサイズでありながら、多段の推論やツール呼び出しの失敗リカバリまで含めて端末内で完結させる方向に振られている点です。公式が公開しているベンチマークはAIME 2026、GPQA Diamond、SWE-Bench、MCP-Atlas、DeepSearch QA、τ3-Benchといった顔ぶれで、ツールを正しく選んで結果を読み、次の手を決める能力に軸足が置かれています。ベンチマークの数字が実務のどこまでを表すかについてはSWE-benchのスコアは何を意味するのかもあわせて確認してください。MCP-Atlasが測っているツール接続の枠組みについてはMCPの仕組みで図解しています。
Muse Glimmerは日本語で使えるか
日本語で指示を出し、日本語で返答を受け取ること自体はできます。100言語以上のデータで学習されているためです。一方で「日本語で仕事を任せられるか」は、公式の情報だけでは判断できません。理由は次の3点です。
公式が示しているのは学習データの範囲だけ
Metaのモデルカードには「100言語以上のデータで学習した」という記述はありますが、対応言語のリストは公開されていません。日本語という語も名指しされていません。さらにモデルカードには「事前学習データに含まれるすべての言語で評価したわけではなく、強くサポートされる言語群の外では性能が落ちる可能性がある」という趣旨の制限事項が明記されています。日本語がその「強くサポートされる言語群」に入っているかどうかを、公式は言っていない状態です。
公開ベンチマークがすべて英語ベースであることも、この判断を難しくしています。MCP-AtlasやSWE-Benchで高いスコアが出ていても、それは英語の指示文と英語のスキーマで測った結果です。日本語で同じ精度が出る保証にはなりません。編集部としては、日本語性能は「公式に未評価の領域」として扱い、使う側が自分の用途で測るべき項目だと考えています。
日本語で使う前に把握しておく3つの制約
公開されている仕様から、日本語利用に影響する制約を3つ挙げます。いずれも回避できる性質のもので、知らずに使うと「思ったほど賢くない」という誤った印象につながります。
131,072トークンの枠は英語と同じ感覚では使えない
Muse Glimmerのトークナイザは202,048語彙のBPEです。日本語は英語に比べて同じ情報量でもトークン数が膨らみやすく、131,072トークンという枠を英語と同じ体感で使い切れるとは限りません。日本語のドキュメントをまとめて読ませる用途では、想定より早く上限に近づく可能性を見込んでおくのが安全です。長い資料は章単位に割って渡す運用が現実的といえます。トークンの数え方と減らし方はClaude Codeのトークン節約術の考え方がそのまま応用できます。
推論強度の指定は公式の英語表記のまま書く
推論強度はシステムプロンプトに Reasoning strength: high の形式で書き込むのが公式の書式です。low／medium／high／xhighの4段階が用意されています。ここを日本語に訳して「推論強度：高」と書くと、公式が示した書式から外れるため、意図した段階で動かない可能性があります。プロンプト本文は日本語でも、この指定行だけは公式表記を保つのが確実です。
日本語で指示しても応答が英語に流れる場合がある
ローカルモデル全般で起きやすい挙動として、日本語で質問しても英語の思考や英語の応答に切り替わってしまうケースがあります。出力言語はシステムプロンプトで明示的に固定しておくと安定します。同じ症状への対処の考え方はClaude Codeが英語で返るときの日本語固定の設定で整理しているので、書き方の型はそちらが参考になります。
日本語で任せる仕事の線引き
Muse Glimmerはエージェント向けに調整されたモデルであり、日本語の文章そのものを美しく書かせる用途に最適化されているわけではありません。日本語で使うときの実務的な線引きは、「日本語で指示を受け取り、英語のスキーマを持つツールを正しく呼べるか」に置くとぶれません。日本語のコード内コメントを読ませる、日本語のログから該当箇所を特定させる、日本語で書いた要件を関数呼び出しに変換させる。この帯域が、ローカルで回して価値が出る範囲です。逆に、クライアントに提出する日本語の原稿を仕上げる工程は、クラウドの上位モデルに残す判断が無難といえます。
日本語の実用度を自分で判定する3ステップ
公式が日本語を評価していない以上、判断材料は自分で作るしかありません。編集部が設計した、汎用ベンチマークに頼らず自分の業務で確かめるための手順を示します。
判定①日本語で5往復して言語が固定されるか
最初に見るのは言語の安定性です。システムプロンプトで出力言語を固定したうえで、日本語の質問を5回続けて投げます。途中で英語の応答に切り替わる、思考部分だけ英語になる、といった挙動が出るかを記録します。ここが不安定だと、後続の判定はすべて条件が揃いません。推論強度をlowとxhighの両方で試し、深く考えさせたときに言語が崩れないかも見ておきます。
判定②日本語コメント入りのコードを読ませる
次に、実際の案件で使っている日本語コメント付きのファイルを1本渡し、「この関数がエラーになる条件を日本語で説明してください」と指示します。汎用のサンプルコードではなく自社の実ファイルを使うのが要点で、命名規則や社内独自の略語が混ざった状態で読めるかどうかが本番の条件に近くなります。説明が的外れなら、日本語のコード読解はまだ任せられません。
判定③日本語の要件から関数呼び出しを組ませる
3つめは、日本語で書いた業務要件を渡し、英語のJSONスキーマを持つ関数を正しく選んで引数を埋められるかを見ます。Muse Glimmerが最も強化されているのがこの領域であり、日本語で実用に耐えるかの分かれ目もここです。引数の型を取り違えない、存在しないキーを作らない、必須項目を落とさない。この3点を、5件のサンプルで各3回ずつ試し、失敗の回数を数えます。
採点は汎用ベンチマークではなく自分の業務文で行う
公開ベンチマークの数字は英語で測られたもので、日本語の実務にそのまま持ち込めません。判定に使うサンプルは、実際に社内で流れている指示文・ログ・要件をそのまま切り出したものにしてください。5件×3回という小さな試行でも、失敗のパターンには傾向が出ます。傾向が見えたら、その工程だけクラウドの上位モデルへ戻す判断ができます。
MacでMuse Glimmerを動かす必要スペック
公式が示す動作枠は24GBまたは32GBです。4bit量子化した重みは20GB未満に収まりますが、実際に消費するメモリは重みだけではありません。視覚エンコーダ、DFlashの下書きモデル、KVキャッシュ、そしてmacOS本体が同じ統一メモリを分け合います。
4bitの重みが20GB未満に収まっても、画像入力を使えば視覚エンコーダが、DFlashで高速化すれば下書きモデルが、長い文脈を持てばKVキャッシュが、それぞれ追加で場所を取ります。24GBが「動く下限」で「快適な線」ではないのは、この積み上げが理由です。
メモリ何GBのMacなら動くか
24GBが下限、32GB以上が実用の目安です。公式がテスト機として挙げているのはMacBook M4-MaxとMacBook M5-Maxで、いずれもハイエンド構成にあたります。統一メモリの容量ごとの見立てを整理します。
| 統一メモリ | 見立て | 選ぶ量子化の目安 |
|---|---|---|
| 16GB | 公式の想定枠の外。低ビット量子化ならファイル自体は載る計算ですが、macOSとKVキャッシュを含めると余地が乏しく、常用は難しいと想定されます | UD-IQ3系（13〜14GB台）でも余裕なし |
| 24GB | 公式が示す下限。動きますが、画像入力とDFlashと長い文脈を同時に使うと窮屈になると想定されます | K-Quant-17GB／UD-Q4_K_XL（15.9GB） |
| 32GB | 公式が示すもう一方の枠。日常的に回す前提ならここが基準になります | K-Quant-Dynamic／UD-Q5_K_M（19.2GB） |
| 36〜48GB | 画像と長い文脈を同時に扱う運用に向きます | UD-Q5_K_XL（21.8GB）／UD-Q6_K_XL（26.3GB） |
| 64GB以上 | 品質を落とさず回したい場合の構成です | Q8_0（29.6GB）／UD-Q8_K_XL（32.3GB） |
量子化ファイルの実サイズから逆算する
どの量子化を選ぶかは、統一メモリからmacOSの取り分と作業中のアプリの分を引いた残りで決まります。Unslothが公開しているGGUF版の実ファイルサイズを見ると、UD-Q4_K_XLが15.9GB、UD-Q5_K_Mが19.2GB、UD-Q6_K_XLが26.3GB、Q8_0が29.6GB、BF16が55.7GBという並びです。Metaが配布するビルドにも、24GB向けのK-Quant-17GBと32GB向けのK-Quant-Dynamicの2種類が用意されています。まず自分のマシンの空きを測り、macOSと作業中のアプリが使う分を引いた残りに収まるファイルを選ぶところから始めると、動かない状態を踏まずに済みます。
メモリが足りても速度が出ないことがある
公式ブログによると、DFlashという投機的デコードによって生成速度はRTX 5090で約3.1倍、M5 Maxで約1.8倍、M4 Maxで約1.5倍になります。ただしDFlashは本体とは別の軽量な下書きモデルを併用する仕組みで、その分のメモリを追加で必要とします。メモリを重みで使い切った構成では、この高速化の恩恵を受けにくくなると想定されます。24GBで大きめの量子化を選ぶより、1段軽い量子化にして下書きモデルの余地を残したほうが、体感の速度は良くなる可能性があります。
MacでのMuse Glimmerの使い方｜Ollamaでの導入手順
Apple SiliconのMacで最も手数が少ない経路はOllamaです。MLXエンジン向けに最適化されたタグが用意されており、DFlashにも対応しています。
手順①モデルを取得して対話を始める
Ollamaを起動した状態で、次のコマンドを実行します。初回はモデルのダウンロードが走るため、通信環境とストレージの空きを先に確保してください。
# 標準タグで起動する
ollama run muse-glimmer
# Apple Silicon では MLX エンジン向けのタグを使う
ollama run muse-glimmer:30b-mlx手順②推論強度を切り替える
推論強度はシステムプロンプトの1行で指定します。定型のコード整形はlow、設計判断を伴う修正はhighかxhigh、という具合に処理の重さで使い分けると、速度と精度のバランスを取りやすくなります。
# システムプロンプトに公式書式の1行を入れる
Reasoning strength: xhigh
You are a coding assistant. Always answer in Japanese.2行目の出力言語の固定は、日本語で使う場合に入れておくと応答が安定しやすくなります。指定行そのものは英語のまま置くのが公式の書式です。
手順③Claude CodeやCodexをローカルモデルで起動する
Ollamaには、対応するコーディングエージェントをローカルモデルで立ち上げるコマンドが用意されています。公式ブログではClaude Code、Codex、Pi、OpenClaw、Hermesが対応先として挙げられています。
# Claude Code をローカルの Muse Glimmer で起動する
ollama launch claude --model muse-glimmer
# 他の対応エージェントも同じ書き方で起動できる
ollama launch codex --model muse-glimmer
ollama launch pi --model muse-glimmer
ollama launch openclaw --model muse-glimmer
ollama launch hermes --model muse-glimmerクラウドの利用上限に達したときの退避先としても使える構成です。上限に当たったときの動き方はClaude Code usage limit reachedを解く手順にまとめています。
macOSがGPUに割り当てるメモリ上限を確認する
Apple Siliconの統一メモリは、既定では全量がGPU側に回るわけではありません。現在の上限は次のコマンドで確認できます。重みが載るはずなのに読み込みに失敗する場合は、まずここを疑うと原因の切り分けが早くなります。
# GPU に割り当てられているメモリ上限を確認する
sysctl iogpu.wired_limit_mbMacで詰まりやすい箇所と回避策
導入でつまずく箇所は、ダウンロード、速度、画像入力の3つに集まります。それぞれ症状と原因、打ち手を対応させて整理します。
| 症状 | 起きていること | 打ち手 |
|---|---|---|
| 取得が途中で止まる | 10GB台から30GB超のファイルを落とすため、ストレージか通信が先に尽きている | 空き容量をモデルサイズの2倍確保し、有線接続で再実行する |
| 生成が極端に遅い | メモリが不足してスワップが発生している | 1段軽い量子化に落とし、下書きモデルの余地を残す |
| 画像を渡しても読まない | MLXエンジンの画像入力に対応したタグと版を使っていない | Ollamaを最新にしてMLX向けタグで起動し直す |
| 日本語が英語に流れる | 出力言語がシステムプロンプトで固定されていない | 出力言語を明示する1行を入れ、推論強度と分けて書く |
| ツール呼び出しが崩れる | 推論強度がlowのまま複雑なタスクを渡している | highまたはxhighに切り替えて再試行する |
Muse Glimmerとクラウドモデルの使い分け
Muse Glimmerは最上位モデルの置き換えではなく、手元で常時動かすことに振り切った選択肢です。どの工程をローカルへ逃がし、どこをクラウドに残すかを決めると導入の判断が楽になります。
| 判断軸 | Muse Glimmer（ローカル） | クラウドの上位モデル |
|---|---|---|
| 料金 | 重みは無料。マシン代と電気代のみ | トークン従量で積み上がる |
| データの流れ | 端末内で完結する | 外部サーバーへ送信される |
| 日本語の保証 | 公式の評価結果がなく、自分で確かめる必要がある | 日本語の実績が公開されている場合が多い |
| 向く工程 | 反復処理・一次選別・機密データの読解 | 設計判断・納品物の仕上げ |
| 上限 | マシン性能が上限。回数の制限はない | プランのレート上限を受ける |
オープンウェイトの選択肢は広がり続けています。パラメータ規模の大きい系統との比較はQwen3.8-Maxの料金と性能もあわせて見ると、ローカルに置く意味の輪郭がはっきりします。
よくある質問
Muse Glimmerは日本語に対応していますか？
日本語で指示と応答を行えます。ただしMetaが公開しているのは「100言語以上のデータで学習した」という記述までで、対応言語のリストや日本語の評価結果は公開されていません。モデルカードには、強くサポートされる言語群の外では性能が落ちる可能性があるという制限も記載されています。日本語で実用に足るかは自分の業務データで確かめる必要があります。
Muse Glimmerは何GBのMacで動きますか？
公式が示す動作枠は統一メモリ24GBまたは32GBです。テスト機として挙げられているのはMacBook M4-MaxとMacBook M5-Maxです。4bit量子化の重みは20GB未満に収まりますが、視覚エンコーダやKVキャッシュ、macOS本体も同じメモリを使うため、32GB以上のほうが余裕を持って運用できます。
Muse Glimmerは無料で使えますか？
重みはApache 2.0ライセンスで公開されており、ダウンロードして商用利用や改変ができます。トークン課金は発生せず、かかるのは動かすマシンの費用と電気代だけです。ライセンス上、再配布や派生モデルの公開も認められています。
Muse GlimmerとMuse Sparkの違いは何ですか？
Muse Sparkはクローズド提供の上位モデルで、Muse GlimmerはそのSparkの出力をlogit distillationで圧縮した約296億パラメータのオープン版です。重みが公開され、単一のコンシューマGPUやMacで動かせる点が最大の違いになります。
Muse GlimmerでClaude Codeは動かせますか？
動かせます。Ollamaの ollama launch claude --model muse-glimmer でClaude Codeをローカルのモデルとして起動できます。公式ブログではCodex、Pi、OpenClaw、Hermesも対応先として挙げられています。
Muse Glimmerは画像を扱えますか？
扱えます。約18億パラメータのViT-G/14を視覚エンコーダとして備え、画像1枚あたり最大4,096ビジュアルトークンまで処理します。スクリーンショットを渡してUIの崩れやエラー画面の原因を尋ねる使い方ができます。OllamaのMLXエンジンでも画像入力に対応しています。
まとめ
Muse Glimmerを導入するかは、「日本語で任せたい工程が、自分のデータで通るかどうか」で決まります。公式が保証しているのは100言語以上で学習したという事実までで、日本語の性能は未評価の領域です。だからこそ、言語の固定・日本語コードの読解・日本語からの関数呼び出しという3ステップを、自分の実ファイルで先に測ってください。Macの条件は24GBが下限、32GB以上が実用の目安で、量子化は、OSと作業中のアプリの取り分を引いた残りに収まるものを選ぶと失敗しにくくなります。まずはOllamaで1つの工程だけ置き換えてみて、手に馴染むかを確かめるのが遠回りに見えて確実な進め方です。
- Meta AI Research 公式ブログ「Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device」（2026年8月10日）
- Hugging Face モデルカード「meta-models/Muse-Glimmer-30B」（パラメータ・コンテキスト・トークナイザ・推論強度・制限事項）
- Hugging Face モデルカード「meta-models/Muse-Glimmer-30B-assistant」（DFlashの下書きモデル・Reasoning strengthの書式）
- Hugging Face「unsloth/Muse-Glimmer-30B-GGUF」（量子化別ファイルサイズ・推奨生成パラメータ）
- Ollama 公式ブログ「Muse Glimmer」（配布タグ・MLXエンジン・ollama launch の対応エージェント）