> 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、ローカルなエージェント的ワークフローやコーディングワークフロー向けに設計されています。これは Meta Superintelligence Labs からの最初のオープンモデルであり、 **Apache 2.0** ライセンスで公開されています。このガイドでは、Muse Glimmer 30B を **Unsloth Dynamic** 量子化で最大性能を引き出して実行する方法を説明します。 {% columns %} {% column %} Muse Glimmer 30B はローカルで **18GB の RAM/VRAM** 構成で動作します。Mac や GPU/CPU システムも含みます。 **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 の推論実装では Meta および Hugging Face と協力しました。Unsloth に day-zero 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 上で動作する 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、順次のツール呼び出しを実行し、失敗から復旧し、条件の変化に適応し、ランタイムメモリを使用し、状態が永続化されていれば長時間セッションをまたいで作業を再開できます。この永続化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。を使うと **ビジョンサポート**があるため、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 は約 **BF16 のフル精度重みで 58 GB を使用します。** Unsloth Dynamic の量子化は、量子化によって可能な限り精度を回復し、Muse Glimmer 30B を RTX 5090 などのより小さなデバイスで動作させられるようにします。 **表: Muse Glimmer 30B 推論 GGUF の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以上 | RTX 4080 | | 3-bit（`UD-Q3_K_XL`) | 14～15 GB以上 | RTX 4090 | | 4-bit（`UD-Q4_K_XL`, `NVFP4`) | 17 GB以上 | **Mac 32GB** | | 6-bit（`UD-Q6_K_XL`) | 20～22 GB以上 | **RTX 5090, Mac 48GB** | | 8-bit（`UD-Q8_K_XL`) | 34 GB以上 | **Mac 128GB, DGX Spark** | | BF16（フル精度） | 58 GB以上 | **Mac 128GB, DGX Spark** | {% hint style="info" %} 一般則として、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 / ディスクの部分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、より多くの計算資源も必要になります。 {% endhint %} #### 推奨設定 Meta の Muse Glimmer のデフォルト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` （既定）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 は複数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-ben/dynamic-3.0-ggufs.md) **4-bit（UD** です。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 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 を使うと、モデルをローカルで **MacOS、Windows**、Linux で以下を行えます: {% columns %} {% column %} * 検索、ダウンロード、 [GGUF を実行](/docs/jp/xin-zhe/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/xin-zhe/studio.md#execute-code--heal-tool-calling) + **ウェブ検索** * [**コード実行**](/docs/jp/xin-zhe/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/xin-zhe/studio.md#no-code-training) VRAM を 70% 削減して 2 倍高速 {% endcolumn %} {% column %}
{% endcolumn %} {% endcolumns %} {% stepper %} {% step %} #### Unsloth をインストール **Unsloth は** [**macOS**](/docs/jp/meru/install/mac.md)**,** [**Windows**](/docs/jp/meru/install/windows-installation.md)**と** [**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 タブへ行き、検索バーで Muse Glimmer を検索し、必要な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 を使うと推論パラメータは自動設定されますが、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 ファイルと MLX ファイルを実行できます。 詳細については、 [Unsloth 推論ガイド](/docs/jp/xin-zhe/studio/chat.md).
{% endstep %} {% step %} #### Unsloth API で Muse Glimmer を提供 を使用できます `unsloth run` コマンドを使い、 `llama-server` のランタイムフラグを使って、コンテキストサイズ、GPU レイヤー、スレッディング、サンプリング、ネットワーキング、ツール設定を含む形で API 経由で Muse Glimmer を提供できます。詳細は [API ドキュメント](/docs/jp/ji-ben/api.md) または [unsloth start](/docs/jp/lian-xie/unsloth-start.md). ```bash unsloth run --model unsloth/Muse-Glimmer-30B-GGUF:UD-Q4_K_XL ``` {% endstep %} {% step %} #### Unsloth の準備ができました Unsloth Desktop を通じて Muse Glimmer で他にも多くのことができます。たとえば: * **ツールを接続:** [Claude Code](/docs/jp/ji-ben/claude-code.md), [Codex](/docs/jp/ji-ben/codex.md), [ウェブ検索](/docs/jp/xin-zhe/studio/chat.md#advanced-web-search), [MCP](/docs/jp/ji-ben/mcp.md) など * **モデルを学習:** テキスト、拡散、 [埋め込み](/docs/jp/ji-ben/embedding-finetuning.md)などをファインチューニング * **メディアを生成:** 作成して学習 [画像](/docs/jp/ji-ben/diffusion-image.md)、動画、 [TTS](/docs/jp/ji-ben/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-bit を使用します。以下を参照してください: [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 でこちらから**](https://github.com/ggml-org/llama.cpp)取得してください。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` を設定し、その後は通常どおり続行してください。Metal サポートは既定で有効です。 ```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 %} もし `llama.cpp` を直接使ってモデルを読み込む場合は、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 から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 %} 以下のコードでも手動でモデルをダウンロードできます（ `pip install huggingface_hub`をインストールした後）。 `UD-Q4_K_XL` または、 `Q8_0` のような他の量子化版を選べます。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-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) を使って今すぐファインチューニングできます。 **24GB カード**! 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。 Tesla T4 GPU 2 枚で 30 時間無料で使える Kaggle ノートブックを複数提供しています！ {% 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 思考モード | Qwen3.6-27B 思考モード | | --------------- | ------------------------------- | :------------------------------------------------: | :------------------------------------------------: | :-----------------------------------------------: | | *一般エージェント的* | MCP Atlas（公開） | **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（スキルあり） | 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 推論 | **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.