> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/modeles/muse-glimmer.md). # Muse Glimmer - Comment exécuter localement Muse Glimmer est le nouveau modèle à poids ouverts de Meta **30B** paramètre **modèle de vision dense**, conçu pour les workflows agentiques locaux et de codage. C’est le premier modèle ouvert de Meta Superintelligence Labs, et il est publié sous la **Apache 2.0** licence. Ce guide couvre l’exécution de Muse Glimmer 30B avec **Unsloth Dynamic** quantifications pour des performances maximales. {% columns %} {% column %} Muse Glimmer 30B fonctionne localement sur **18 Go de RAM/VRAM** configurations, y compris les systèmes Mac et GPU/CPU. Vous pouvez **exécuter** ou **affiner Muse Glimmer avec** [**Unsloth**](#unsloth-guide). Nous avons collaboré avec Meta et Hugging Face sur l’implémentation de l’inférence dans llama.cpp. Merci à Meta d’avoir fourni à Unsloth une prise en charge dès le premier jour. Exécuter les tutoriels Muse GlimmerAffiner Muse Glimmer {% endcolumn %} {% column %}

Muse Glimmer 2 bits exécuté dans Unsloth

{% endcolumn %} {% endcolumns %} ### Guide d’utilisation Muse Glimmer peut planifier des tâches en plusieurs étapes, exécuter des appels d’outils séquentiels, se remettre des échecs, s’adapter à mesure que les conditions changent, utiliser la mémoire d’exécution et reprendre le travail au cours de sessions de longue durée lorsque l’état est persistant. Cette persistance provient du harnais d’agent, pas du modèle. Avec **prise en charge de la vision**, Muse Glimmer est idéal pour les workflows multimodaux. #### Configuration matérielle requise Muse Glimmer 30B utilise environ **58 Go pour les poids BF16 en précision complète.** Les quantifications dynamiques d’Unsloth tentent de récupérer autant de précision que possible grâce à la quantification, ce qui permet à Muse Glimmer 30B de fonctionner sur des appareils plus petits comme les RTX 5090, etc. **Tableau : exigences matérielles recommandées pour l’inférence GGUF de Muse Glimmer 30B** (unités = mémoire totale : RAM + VRAM, ou mémoire unifiée). | 2 bits | 3 bits | 4 bits | 6 bits | 8 bits | | -------- | -------- | ------ | -------- | ------ | | 12-14 Go | 14-15 Go | 17 Go | 20-22 Go | 34 Go | **Tableau détaillé des exigences :** | Quantification | RAM/VRAM recommandée : | Exemples de matériel | | ------------------------------ | ---------------------- | ------------------------- | | 2 bits (`UD-Q2_K_XL`) | 12-14+ Go | RTX 4080 | | 3 bits (`UD-Q3_K_XL`) | 14-15 Go+ | RTX 4090 | | 4 bits (`UD-Q4_K_XL`, `NVFP4`) | 17 Go+ | **Mac 32 Go** | | 6 bits (`UD-Q6_K_XL`) | 20-22 Go+ | **RTX 5090, Mac 48 Go** | | 8 bits (`UD-Q8_K_XL`) | 34 Go+ | **Mac 128 Go, DGX Spark** | | BF16 (précision complète) | 58 Go+ | **Mac 128 Go, DGX Spark** | {% hint style="info" %} En règle générale, votre mémoire totale disponible doit au moins dépasser la taille du modèle quantifié que vous téléchargez. Si ce n’est pas le cas, llama.cpp peut toujours fonctionner en utilisant un déchargement partiel vers la RAM / le disque, mais la génération sera plus lente. Vous aurez également besoin de plus de calcul, en fonction de la fenêtre de contexte que vous utilisez. {% endhint %} #### Paramètres recommandés Il est recommandé d’utiliser les paramètres Muse Glimmer par défaut de Meta : * `température = 1.0` * `top_p = 0.95` * `top_k = 64` Longueur maximale du contexte : `131,072` (par défaut) jusqu’à `262,144` #### Paramètres de réflexion Muse Glimmer prend en charge des efforts de raisonnement contrôlables, notamment : * faible * moyen * élevé * très élevé ## Exécuter les tutoriels Muse Glimmer Comme Muse Glimmer 30B quantifié existe en plusieurs tailles, le point de départ recommandé pour les modèles est [**Dynamic**](/docs/fr/bases/dynamic-3.0-ggufs.md) **4 bits (UD** . Muse Glimmer 30B[ GGUF](https://huggingface.co/unsloth/Muse-Glimmer-30B-GGUF). 🦥 Guide Unsloth🦙 Guide Llama.cpp ### 🦥 Guide Unsloth Muse Glimmer 30B peut désormais être exécuté et affiné dans Unsloth Desktop, notre nouvelle application de bureau open source pour l’IA locale. Unsloth vous permet d’exécuter des modèles localement sur **MacOS, Windows**, Linux et : {% columns %} {% column %} * Rechercher, télécharger, [exécuter des GGUF](/docs/fr/nouveau/studio.md#run-models-locally) et des modèles safetensor * [**Auto-réparation** appel d’outils](/docs/fr/nouveau/studio.md#execute-code--heal-tool-calling) + **recherche web** * [**Exécution de code**](/docs/fr/nouveau/studio.md#run-models-locally) (Python, Bash) * [Inférence automatique](https://unsloth.ai/docs/desktop#feature-deep-dive) réglage des paramètres (temp, top-p, etc.) * Inférence CPU + GPU rapide via llama.cpp * [Entraîner des LLM](/docs/fr/nouveau/studio.md#no-code-training) 2x plus rapide avec 70 % de VRAM en moins {% endcolumn %} {% column %}
{% endcolumn %} {% endcolumns %} {% stepper %} {% step %} #### Installer Unsloth **Unsloth fonctionne sur** [**macOS**](/docs/fr/commencer/install/mac.md)**,** [**Windows**](/docs/fr/commencer/install/windows-installation.md)**, et** [**Linux**](/docs/fr/commencer/install/linux.md)**.** Télécharger Unsloth Ou, pour une installation manuelle : MacOS, Linux, WSL : ```bash curl -fsSL https://unsloth.ai/install.sh | sh ``` Windows PowerShell : ```bash irm https://unsloth.ai/install.ps1 | iex ``` {% endstep %} {% step %} #### Lancez Unsloth et recherchez puis téléchargez Muse Glimmer Au premier lancement, allez dans l’onglet Model hub et recherchez Muse Glimmer dans la barre de recherche, puis téléchargez le modèle et la quantification souhaités. {% endstep %} {% step %} #### Exécuter Muse Glimmer Les paramètres d’inférence devraient être définis automatiquement lors de l’utilisation d’Unsloth Desktop, mais vous pouvez toujours les modifier manuellement. Vous pouvez également modifier la longueur du contexte, le modèle de chat et d’autres paramètres. Vous pouvez exécuter des GGUF et des fichiers MLX. Pour plus d’informations, vous pouvez consulter notre [guide d’inférence Unsloth](/docs/fr/nouveau/studio/chat.md).
{% endstep %} {% endstepper %} ### 🦙 Guide Llama.cpp Pour ce guide, nous utiliserons Dynamic 4 bits pour Muse Glimmer 30B. Voir : [collection Muse Glimmer 30B](https://huggingface.co/collections/unsloth/muse-glimmer) {% stepper %} {% step %} Obtenez la dernière version de `llama.cpp` **sur** [**GitHub ici**](https://github.com/ggml-org/llama.cpp). Vous pouvez également suivre les instructions de compilation ci-dessous. Remplacez `-DGGML_CUDA=ON` par `-DGGML_CUDA=OFF` si vous n’avez pas de GPU ou si vous souhaitez simplement une inférence CPU. **Pour les appareils Apple Mac / Metal**, définissez `-DGGML_CUDA=OFF` puis continuez normalement - la prise en charge de Metal est activée par défaut. ```bash apt-get update apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y git clone https://github.com/ggml-org/llama.cpp cmake llama.cpp -B llama.cpp/build \ -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split cp llama.cpp/build/bin/llama-* llama.cpp ``` {% endstep %} {% step %} Si vous souhaitez utiliser `llama.cpp` directement pour charger des modèles, vous pouvez suivre les commandes ci-dessous, selon chaque modèle. `UD-Q4_K_XL` est le type de quantification. Vous pouvez également télécharger via Hugging Face (étape 3). C’est similaire à `ollama run` . Utilisez `export LLAMA_CACHE="folder"` pour forcer `llama.cpp` à enregistrer dans un emplacement spécifique. Il n’est pas nécessaire de définir la longueur du contexte, car llama.cpp utilise automatiquement la quantité exacte requise. ```bash export LLAMA_CACHE="unsloth/Muse-Glimmer-30B-GGUF" ./llama.cpp/llama-cli \ -hf unsloth/Muse-Glimmer-30B-GGUF:UD-Q4_K_XL \ --temp 1.0 \ --top-p 0.95 \ --top-k 64 ``` {% endstep %} {% step %} Vous pouvez également télécharger le modèle manuellement via le code ci-dessous (après avoir installé `pip install huggingface_hub`). Vous pouvez choisir `UD-Q4_K_XL` ou d’autres versions quantifiées comme `Q8_0` . Si les téléchargements se bloquent, voir : [Dépannage de Hugging Face Hub, XET](/docs/fr/bases/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md) ```bash hf download unsloth/Muse-Glimmer-30B-GGUF \ --local-dir unsloth/Muse-Glimmer-30B-GGUF \ --include "*mmproj-BF16*" \ --include "*UD-Q4_K_XL*" # Utilisez "*UD-Q2_K_XL*" pour le 2 bits dynamique ``` {% endstep %} {% step %} Puis exécutez le modèle en mode conversation (avec vision `mmproj-F16`): {% code overflow="wrap" %} ```bash ./llama.cpp/llama-cli \ --model unsloth/Muse-Glimmer-30B-GGUF/Muse-Glimmer-30B-UD-Q4_K_XL.gguf \ --mmproj unsloth/Muse-Glimmer-30B-GGUF/mmproj-BF16.gguf \ --temp 1.0 \ --top-p 0.95 \ --top-k 64 ``` {% endcode %} {% endstep %} {% step %} #### Déploiement avec Llama-server Pour déployer Muse Glimmer 30B sur llama-server, utilisez : ```bash ./llama.cpp/llama-server \ --model unsloth/Muse-Glimmer-30B-GGUF/Muse-Glimmer-30B-UD-Q4_K_XL.gguf \ --mmproj unsloth/Muse-Glimmer-30B-GGUF/mmproj-BF16.gguf \ --temp 1.0 \ --top-p 0.95 \ --top-k 64 \ --alias "unsloth/Muse-Glimmer-30B-GGUF" \ --port 8001 ``` {% endstep %} {% endstepper %} ### :wrench: Affiner Vous pouvez maintenant affiner Meta’s Muse Glimmer-30B avec [Unsloth](https://github.com/unslothai/unsloth) sur une **carte 24 Go**! Muse Glimmer est un modèle agentique multimodal de 30B paramètres optimisé pour le déploiement local. Nous fournissons plusieurs notebooks Kaggle qui offrent 30 heures gratuitement avec 2x GPU Tesla T4 ! {% columns %} {% column %} Muse Glimmer Vision Kaggle {% embed url="" %} {% endcolumn %} {% column %} Muse Glimmer Conversational Kaggle {% embed url="" %} {% endcolumn %} {% endcolumns %} ### Benchmarks
| Catégorie | Benchmark | Muse Glimmer-30B Raisonnement élevé | Gemma4-31B Mode réflexion | Qwen3.6-27B Mode réflexion | | ------------------------------------- | ---------------------------------- | :--------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------: | :---------------------------------------------------------------: | | *Agentique général* | MCP Atlas (Public) | **75.5** | 54.2 | 62.5 | | | DeepSearch QA | **74.6** | 61.7 | 71.1 | | | 𝛕3-Banking | **23.5** | 15.1 | 16.7 | | | WildClawBench | **47.6** | 37.6 | 43.2 | | | GDPVal-AA v2 | 953 | 811 | **1141** | | | Gaia2 | **43.3** | 36.4 | 40.0 | | | SkillsBench (avec compétences) | 44.3 | 32.4 | **46.6** | | | OSWorld-Verified | 65.9 | 58.5 | **75.6** | | *Codage agentique* | SWE-Bench Pro | **51.2** | 36.9 | 50.2 | | | SWE-Bench Verified | 76.0 | 66.6 | **77.2** | | | TerminalBench 2.1 (avec terminus2) | 51.7 | 43.4 | **60.7** | | | SciCode | **43.6** | 43.4 | 39.8 | | *Multimodal* | Charxiv Raisonnement | **78.8** | 77.7 | 78.4 | | | ScreenSpot Pro | 75.4 | 75.9 | **76.1** | | | OmniDocBench v1.5 | 75.8 | 72.5 | **77.8** | | | MMMU Pro | 74 | 73 | **75** | | | | | | | | *Sécurité* | CI Memories |

Violation (↓) : 26.4
Couverture : 64.8

|

Violation (↓) : 12.1
Couverture : 53.0

|

Violation (↓) : 53.4
Couverture : 66.9

| | | Siren AgentDojo |

Taux de réussite de l’attaque (↓) : 28.4
Utilité : 94.2

|

Taux de réussite de l’attaque (↓) : 25.6
Utilité : 90.8

|

Taux de réussite de l’attaque (↓) : 40.3
Utilité : 92.7

| | | | | | | | *Capacités générales et raisonnement* | IFBench | **77.0** | 76.0 | 70.8 | | | AIME 2026 | **94.7** | 89.2 | 94.1 | | | GPQA Diamond (AA) | 83.5 | **85.7** | 84.2 | | | HLE Text (AA) | 22.0 | **23.6** | 23.1 | | | AA-LCR | **80.0** | 68.3 | 73.3 | | | Beam128K | **65.1** | 58.2 | 63.0 | --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://unsloth.ai/docs/fr/modeles/muse-glimmer.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.