> 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 Muse Glimmerは、Metaの新しいオープンウェイト **30B** パラメータ **高密度ビジョンモデル**であり、ローカルなエージェント型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** ライセンスのもとで公開されています。このガイドでは、Muse Glimmer 30Bを **Unsloth Dynamic** 量子化版で最大限の性能を引き出しながら実行する方法を扱います。 {% columns %} {% column %} Muse Glimmer 30Bは以下でローカル実行できます **18GB RAM/VRAM** の環境で、MacやGPU/CPUシステムを含みます。あなたは **実行** または **Muse Glimmerをファインチューニングできます** [**Unsloth**](#unsloth-guide)。私たちはMetaおよびHugging Faceと協力して、llama.cppの推論実装を行いました。Unslothに初日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で実行中の2-bit 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、ツール呼び出しを順次実行し、失敗から回復し、条件の変化に適応し、実行時メモリを使用し、状態が保持されていれば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。 **ビジョンサポート**により、Muse Glimmerはマルチモーダルなワークフローに最適です。 #### ハードウェア要件 Muse Glimmer 30Bは、フル精度のBF16重みで約 **58 GBを使用します。** Unsloth Dynamic量子化は、量子化によって可能な限り精度を回復しようとするため、Muse Glimmer 30BをRTX 5090などのより小型のデバイスに収めることができます。 **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-bit | 3-bit | 4-bit | 6-bit | 8-bit | | -------- | -------- | ----- | -------- | ----- | | 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-bit (`UD-Q2_K_XL`) | 12-14+ GB | RTX 4080 | | 3-bit (`UD-Q3_K_XL`) | 14-15 GB+ | RTX 4090 | | 4-bit (`UD-Q4_K_XL`, `NVFP4`) | 17 GB+ | **Mac 32GB** | | 6-bit (`UD-Q6_K_XL`) | 20-22 GB+ | **RTX 5090, Mac 48GB** | | 8-bit (`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/ディスクへの部分的なオフロードを使って実行できますが、生成速度は遅くなります。また、使用するコンテキストウィンドウに応じて、より多くの計算能力も必要になります。 {% endhint %} #### 推奨設定 MetaのデフォルトのMuse Glimmerパラメータを使うことを推奨します: * `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努力をサポートします: * 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には複数のサイズがあるため、モデルの推奨開始点は [**Dynamic**](/docs/jp/ji-ben/dynamic-3.0-ggufs.md) **4-bit (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は現在、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ます。Unslothを使うと、モデルをローカルで以下の環境で実行できます **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経由の高速CPU + GPU推論 * [LLMを学習](/docs/jp/shii/studio.md#no-code-training) VRAMを70%削減して2倍高速化 {% 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を起動してMuse Glimmerを検索・ダウンロード 初回起動時はModel hubタブに移動し、検索バーでMuse Glimmerを検索して、希望するモデルと量子化版をダウンロードしてください。 {% endstep %} {% step %} #### Muse Glimmerを実行 Unsloth Desktopを使う場合、推論パラメータは自動設定されるはずですが、手動で変更することもできます。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とMLXファイルを実行できます。 詳細については、こちらをご覧ください [Unsloth推論ガイド](/docs/jp/shii/studio/chat.md).
{% endstep %} {% endstepper %} ### 🦙 Llama.cppガイド このガイドでは、Muse Glimmer 30BにDynamic 4-bitを使用します。参照: [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はこちら**](https://github.com/ggml-org/llama.cpp)。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` を設定し、その後は通常どおり続けてください - 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` 直接モデルを読み込むには、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経由でもダウンロードできます（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は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 %} 以下のコードでモデルを手動ダウンロードすることもできます（インストール後 `pip install huggingface_hub`）。選択できるのは `UD-Q4_K_XL` または、次のような他の量子化版です `Q8_0` 。ダウンロードが止まる場合は、こちらを参照してください: [Hugging Face Hub、XETデバッグ](/docs/jp/ji-ben/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には"*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にデプロイするには、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) で **24GBカード**で今すぐファインチューニングできます！ Muse Glimmerは、ローカルデプロイ向けに最適化された30Bパラメータのマルチモーダル・エージェント型モデルです。 2基のTesla T4 GPUで30時間を無料提供するKaggleノートブックを複数用意しています！ {% 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 高推論 | Gemma4-31B Thinking Mode | Qwen3.6-27B Thinking Mode | | --------------- | ---------------------------------- | :--------------------------------------------------: | :--------------------------------------------------: | :-------------------------------------------------: | | *一般的なエージェント型* | 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 (with skills) | 44.3 | 32.4 | **46.6** | | | OSWorld-Verified | 65.9 | 58.5 | **75.6** | | *エージェント型コーディング* | SWE-Bench Pro | **51.2** | 36.9 | 50.2 | | | SWE-Bench Verified | 76.0 | 66.6 | **77.2** | | | TerminalBench 2.1 (with terminus2) | 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 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/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 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.