> 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/jp/moderu/muse-glimmer.md). # Muse Glimmer - ローカルでの実行方法 Metaの新しいMuse Glimmer 30Bモデルを実行する方法を学びましょう。 Muse GlimmerはMetaの新しいオープンウェイト **30B** パラメータ **密なビジョンモデル**であり、ローカルのエージェント的およびコーディングのワークフロー向けに設計されています。これはMeta Superintelligence Labsによる最初のオープンモデルで、 **Apache 2.0** ライセンスの下で公開されています。このガイドでは、Muse Glimmer 30Bを **Unsloth Dynamic** 量子化で実行し、最大限の性能を引き出す方法を解説します。 {% columns %} {% column %} Muse Glimmer 30Bは以下の環境でローカル実行できます。 **18GB RAM/VRAM** の構成。MacやGPU/CPUシステムも含まれます。あなたは **実行** または **Muse Glimmerを** [**Unsloth**](#unsloth-guide)でファインチューニングできます。llama.cppの推論実装については、MetaおよびHugging Faceと協力しました。Unslothに初日からのサポートを提供してくれたMetaに感謝します。 Muse Glimmerチュートリアルを実行Muse Glimmerをファインチューニング {% endcolumn %} {% column %}

Unslothで動作する2ビットMuse Glimmer

{% endcolumn %} {% endcolumns %} ### 使用ガイド Muse Glimmerは、複数ステップのタスクを計画し、順次のツール呼び出しを実行し、失敗から回復し、状況の変化に適応し、ランタイムメモリを使用し、状態が保持されている場合は長時間実行セッションをまたいで作業を再開できます。この永続性はモデルではなく、エージェントハーネスによるものです。 **ビジョン対応**により、Muse Glimmerはマルチモーダルワークフローに最適です。 #### ハードウェア要件 Muse Glimmer 30Bは約 **58 GBをフル精度BF16重みで使用します。** Unsloth Dynamic量子化は、量子化によって可能な限り多くの精度を回復しようとするため、Muse Glimmer 30BをRTX 5090などのより小型なデバイスでも動かせます。 **表: Muse Glimmer 30B推論GGUF 推奨ハードウェア要件** （単位 = 総メモリ: RAM + VRAM、またはユニファイドメモリ）。 | 2ビット | 3ビット | 4ビット | 6ビット | 8ビット | | -------- | -------- | ----- | -------- | ----- | | 12～14 GB | 14～15 GB | 17 GB | 20～22 GB | 34 GB | **詳細要件表:** | 量子化 | 推奨RAM/VRAM: | ハードウェア例 | | --------------------------- | ----------- | ------------------------ | | 2ビット(`UD-Q2_K_XL`) | 12～14+ GB | RTX 4080 | | 3ビット(`UD-Q3_K_XL`) | 14～15 GB+ | RTX 4090 | | 4ビット(`UD-Q4_K_XL`, `NVFP4`) | 17 GB+ | **Mac 32GB** | | 6ビット(`UD-Q6_K_XL`) | 20～22 GB+ | **RTX 5090, Mac 48GB** | | 8ビット(`UD-Q8_K_XL`) | 34 GB+ | **Mac 128GB, DGX Spark** | | BF16（フル精度） | 58 GB+ | **Mac 128GB, DGX Spark** | {% hint style="info" %} 目安として、利用可能な総メモリは、ダウンロードする量子化モデルのサイズを少なくとも上回っている必要があります。そうでない場合でも、llama.cppはRAM／ディスクへの部分オフロードで実行できますが、生成は遅くなります。また、使用するコンテキストウィンドウに応じて、より多くの計算資源も必要になります。 {% endhint %} #### 推奨設定 MetaのデフォルトのMuse Glimmerパラメータを使用することを推奨します: * `temperature = 1.0` * `top_p = 0.95` * `top_k = 64` 最大コンテキスト長: `131,072` （デフォルト）最大 `262,144` #### 思考設定 Muse Glimmerは、以下を含む制御可能な推論強度をサポートします: * 低 * 中 * 高 * 超高 ## Muse Glimmerチュートリアルを実行 量子化されたMuse Glimmer 30Bはいくつかのサイズで提供されるため、モデルの推奨開始点は [**Dynamic**](/docs/jp/ji-chu/dynamic-3.0-ggufs.md) **4ビット（UD** 。Muse Glimmer 30B[ GGUF](https://huggingface.co/unsloth/Muse-Glimmer-30B-GGUF). 🦥 Unslothガイド🦙 Llama.cppガイド ### 🦥 Unslothガイド Muse Glimmer 30Bは、ローカルAI向けの新しいオープンソースデスクトップアプリであるUnsloth Desktopで、実行およびファインチューニングできるようになりました。Unslothを使えば、以下の環境でモデルをローカルに実行できます。 **MacOS、Windows**、Linux、そして: {% columns %} {% column %} * 検索、ダウンロード、 [GGUFを実行](/docs/jp/shii/studio.md#run-models-locally) およびsafetensorモデル * [**自己修復** ツール呼び出し](/docs/jp/shii/studio.md#execute-code--heal-tool-calling) + **ウェブ検索** * [**コード実行**](/docs/jp/shii/studio.md#run-models-locally) （Python、Bash） * [自動推論](https://unsloth.ai/docs/desktop#feature-deep-dive) パラメータ調整（temp、top-pなど） * llama.cppによる高速CPU + GPU推論 * [LLMを学習](/docs/jp/shii/studio.md#no-code-training) VRAMを70%削減しながら2倍高速 {% endcolumn %} {% column %}
{% endcolumn %} {% endcolumns %} {% stepper %} {% step %} #### Unslothをインストール **Unslothは以下で動作します** [**macOS**](/docs/jp/meru/install/mac.md)**,** [**Windows**](/docs/jp/meru/install/windows-installation.md)**、そして** [**Linux**](/docs/jp/meru/install/linux.md)**.** Unslothをダウンロード または、手動インストールの場合: MacOS、Linux、WSL: ```bash curl -fsSL https://unsloth.ai/install.sh | sh ``` Windows PowerShell: ```bash irm https://unsloth.ai/install.ps1 | iex ``` {% endstep %} {% step %} #### Unslothを起動し、Muse Glimmerを検索してダウンロード 最初の起動時にModel hubタブへ行き、検索バーでMuse Glimmerを検索して、希望するモデルと量子化をダウンロードしてください。 {% endstep %} {% step %} #### Muse Glimmerを実行 Unsloth Desktopを使用すると推論パラメータは自動設定されますが、手動でも変更できます。コンテキスト長、チャットテンプレート、その他の設定も編集できます。GGUFやMLXファイルを実行できます。 詳細については、以下を参照してください。 [Unsloth推論ガイド](/docs/jp/shii/studio/chat.md).
{% endstep %} {% step %} #### Unsloth APIでMuse Glimmerを提供 あなたは `unsloth run` コマンドを使い、 `llama-server` ランタイムフラグを使用してAPI経由でMuse Glimmerを提供できます。これには、コンテキストサイズ、GPUレイヤー、スレッド、サンプリング、ネットワーク、ツール設定が含まれます。詳細は [APIドキュメント](/docs/jp/ji-chu/api.md) または [unsloth start](/docs/jp/tong-he/unsloth-start.md). ```bash unsloth run --model unsloth/Muse-Glimmer-30B-GGUF:UD-Q4_K_XL ``` {% endstep %} {% step %} #### Unslothの準備が整いました Unsloth Desktopを使ってMuse Glimmerで以下のようなさまざまなこともできます: * **ツールを接続:** [Claude Code](/docs/jp/ji-chu/claude-code.md), [Codex](/docs/jp/ji-chu/codex.md), [ウェブ検索](/docs/jp/shii/studio/chat.md#advanced-web-search), [MCP](/docs/jp/ji-chu/mcp.md) など * **モデルを学習:** テキスト、拡散モデル、 [埋め込み](/docs/jp/ji-chu/embedding-finetuning.md)などをファインチューニング * **メディアを生成:** 作成および学習 [画像](/docs/jp/ji-chu/diffusion-image.md)、動画、 [TTS](/docs/jp/ji-chu/text-to-speech-tts-fine-tuning.md) をローカルで {% endstep %} {% endstepper %} ### 🦙 Llama.cppガイド このガイドでは、Muse Glimmer 30BにDynamic 4ビットを使用します。詳細: [Muse Glimmer 30Bコレクション](https://huggingface.co/collections/unsloth/muse-glimmer) {% stepper %} {% step %} 最新の `llama.cpp` **を** [**GitHubこちら**](https://github.com/ggml-org/llama.cpp)で入手してください。以下のビルド手順に従うこともできます。 `-DGGML_CUDA=ON` を `-DGGML_CUDA=OFF` に変更してください。GPUがない場合、またはCPU推論だけを使いたい場合です。 **Apple Mac / Metalデバイスでは**、 `-DGGML_CUDA=OFF` と設定して、その後は通常どおり続行してください - Metalサポートはデフォルトで有効です。 ```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 %} を使いたい場合は `llama.cpp` 、モデルを直接読み込んで使用するには、各モデルに応じて以下のコマンドに従ってください。 `UD-Q4_K_XL` は量子化タイプです。Hugging Face経由でダウンロードすることもできます（手順3）。これは `ollama run` に似ています。 `export LLAMA_CACHE="folder"` を使って `llama.cpp` を特定の場所に保存するよう強制できます。llama.cppが必要な正確な量を自動的に使用するため、コンテキスト長を設定する必要はありません。 ```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 %} 以下のコードでもモデルを手動でダウンロードできます（ `pip install huggingface_hub`をインストール後）。 `UD-Q4_K_XL` を選ぶこともできますし、 `Q8_0` のような他の量子化バージョンも選べます。ダウンロードが止まる場合は、以下を参照してください: [Hugging Face Hub、XET のデバッグ](/docs/jp/ji-chu/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*" # Dynamic 2bitの場合は "*UD-Q2_K_XL*" を使用 ``` {% endstep %} {% step %} その後、会話モードでモデルを実行します（ビジョン `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 %} #### Llama-serverデプロイ Muse Glimmer 30Bをllama-serverでデプロイするには、以下を使用します: ```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: ファインチューニング MetaのMuse Glimmer-30Bを [Unsloth](https://github.com/unslothai/unsloth) を使って **24GBカード**でファインチューニングできるようになりました！ Muse Glimmerは、ローカル展開向けに最適化された30Bパラメータのマルチモーダル・エージェントモデルです。 2台のTesla T4 GPU付きで30時間を無料で提供する複数のKaggleノートブックを用意しています！ {% columns %} {% column %} Muse Glimmer Vision Kaggle {% embed url="" %} {% endcolumn %} {% column %} Muse Glimmer Conversational Kaggle {% embed url="" %} {% endcolumn %} {% endcolumns %} ### ベンチマーク
| カテゴリ | ベンチマーク | Muse Glimmer-30B High Reasoning | Gemma4-31B Thinking Mode | Qwen3.6-27B Thinking Mode | | --------------- | ------------------------------ | :-------------------------------------------------: | :-------------------------------------------------: | :------------------------------------------------: | | *一般エージェント的* | 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（skills付き） | 44.3 | 32.4 | **46.6** | | | OSWorld-Verified | 65.9 | 58.5 | **75.6** | | *エージェント的コーディング* | SWE-Bench Pro | **51.2** | 36.9 | 50.2 | | | SWE-Bench Verified | 76.0 | 66.6 | **77.2** | | | TerminalBench 2.1（terminus2付き） | 51.7 | 43.4 | **60.7** | | | SciCode | **43.6** | 43.4 | 39.8 | | *マルチモーダル* | Charxiv Reasoning | **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** | | | | | | | | *安全性* | CI Memories |

違反（↓）: 26.4
カバレッジ: 64.8

|

違反（↓）: 12.1
カバレッジ: 53.0

|

違反（↓）: 53.4
カバレッジ: 66.9

| | | Siren AgentDojo |

攻撃成功率（↓）: 28.4
有用性: 94.2

|

攻撃成功率（↓）: 25.6
有用性: 90.8

|

攻撃成功率（↓）: 40.3
有用性: 92.7

| | | | | | | | *一般的な能力と推論* | 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 by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://unsloth.ai/docs/jp/moderu/muse-glimmer.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. 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.