Die wichtigsten Fakten
Muse Glimmer 30B ist das neueste Open-Weight-Modell von Meta – ein agentenbasiertes KI-Modell mit 30 Milliarden Parametern, veröffentlicht am 10. August 2026. Es wurde speziell für lokale, dauerhaft aktive Agenten entwickelt und nicht für den Einsatz als klassischer Allzweck-Chatbot.
Es ist vollständig Open Source unter der Apache-2.0-Lizenz – kostenlos für kommerzielle und wissenschaftliche Nutzung, ohne API-Gebühren pro Token und ohne Nutzungsbeschränkungen.
Das Modell wurde aus Muse Spark destilliert, Metas größerem, geschlossenem Modell, das weiterhin nicht öffentlich zugänglich ist und ausschließlich über Metas kostenpflichtige Model API genutzt werden kann.
Es läuft auf einer einzigen 24-GB- oder 32-GB-Consumer-GPU oder einem Mac – dank 4-Bit-Quantisierung und DFlash-Speculative-Decoding, das auf einer RTX 5090 bis zu 3,1-mal schnellere Generierung ermöglicht.
In Metas eigenen Benchmarks liegt Glimmer deutlich vor Gemma 4 31B und behauptet sich gegenüber Qwen 3.6 27B bei agentenbasierten Aufgaben und Reasoning-Tests – bei terminalbasierten Coding-Benchmarks wie TerminalBench und OSWorld liegt Qwen jedoch weiterhin vorn.
Meta hat signalisiert, dass offene Gewichte für Muse Spark 1.2 folgen könnten, was die gesamte Muse-Modellfamilie zu einem noch bedeutenderen Faktor auf dem Open-Weight-KI-Markt machen würde.
Es handelt sich um ein tatsächlich funktionierendes, ab Tag eins nutzbares Modell – die Unterstützung ist bereits bei Hugging Face, Ollama, llama.cpp, MLX und ExecuTorch verfügbar – und nicht nur um eine Benchmark-Ankündigung.
Muse Glimmer 30B ist ein dichtes, multimodales, offenes KI-Modell von Meta, veröffentlicht am 10. August 2026 unter der Apache-2.0-Lizenz. Es ist für lokale agentenbasierte Workflows optimiert – einschließlich Tool-Nutzung, Programmierung und mehrstufigem Reasoning – und kann dank 4-Bit-Quantisierung und Speculative Decoding auf einer einzigen 24-GB- oder 32-GB-Consumer-GPU betrieben werden.
Dieser Leitfaden erklärt alles Wichtige zu Meta Muse Glimmer: was es ist, wie es entwickelt wurde, wie es im Vergleich zu Konkurrenten wie Qwen 3.6 27B und Gemma 4 31B abschneidet, und wie Sie es genau auf Ihrem eigenen Rechner zum Laufen bringen.
Was ist Muse Glimmer 30B?
Muse Glimmer ist das neueste Modell von Meta Superintelligence Labs, der Abteilung, die nach Metas Übernahme wichtiger Talente von Scale AI gegründet wurde. Statt es als weiteren Allzweck-Chatbot zu positionieren, hat Meta Glimmer rund um einen konkreten Anwendungsfall entwickelt: lokale, dauerhaft aktive KI-Agenten, die Aufgaben planen, externe Tools aufrufen, Screenshots und Dokumente lesen und über lange, mehrstufige Workflows hinweg arbeiten können – und das alles, ohne Daten in die Cloud zu senden.
Das Modell wurde aus Muse Spark destilliert, einem größeren, geschlossenen Modell, das als „Lehrer" fungiert. Durch diesen Destillationsprozess hat Meta einen Großteil der Reasoning- und Agenten-Fähigkeiten von Muse Spark in ein Paket komprimiert, das klein genug ist, um auf alltäglicher Hardware zu laufen – während das ursprüngliche Modell weiterhin privat bleibt und nur über Metas Model API zugänglich ist.
Schon der Name deutet auf diese Beziehung hin – Glimmer ist ein kleineres Abbild des leistungsfähigeren Spark.
Veröffentlichungsdatum und Hintergrund von Muse Glimmer 30B
Meta stellte Muse Glimmer offiziell am 10. August 2026 vor, zusammen mit offenen Gewichten zum Download auf Hugging Face und Entwicklerdokumentation, damit Entwickler sofort mit der Arbeit beginnen können. Der Launch erfolgte im Rahmen einer breiteren Initiative von Meta, sich im Wettlauf um Open-Weight-KI neu zu positionieren – begleitet von CEO Mark Zuckerbergs öffentlichen Argumenten für weniger regulatorische Hürden bei Open-Source-KI in den Vereinigten Staaten.
Meta hat zudem angedeutet, dass dies erst der Anfang eines größeren Rollouts ist: Das Unternehmen erklärte, es plane, langfristig auch die Gewichte für Muse Spark 1.2 zu veröffentlichen – das fortgeschrittenere geschlossene Modell, aus dem Glimmer destilliert wurde. Dies würde die gesamte Muse-Modellfamilie deutlich bedeutsamer für das offene KI-Ökosystem machen.
Mit der Veröffentlichung positioniert sich Meta gegenüber einem sich schnell entwickelnden Feld von Open-Weight-Konkurrenten, allen voran Alibabas Qwen 3.6 27B und Google DeepMinds Gemma 4 31B, die beide in einer ähnlichen Größenklasse angesiedelt sind und ähnliche lokale Einsatzszenarien anvisieren.
Funktionen von Muse Glimmer 30B
Meta hat Muse Glimmer um acht Kernfähigkeiten herum konzipiert, die zusammen dafür sorgen sollen, dass es als echter autonomer Agent funktioniert – und nicht nur als einfacher Frage-Antwort-Chatbot:
End-to-End-Erledigung agentenbasierter Aufgaben – Das Modell wird anhand vollständiger Aufgaben-Benchmarks wie DeepSearch QA, MCP-Atlas, τ-Bench und SWE-Bench trainiert und bewertet. Diese testen die Fähigkeit, innerhalb realer Agenten-Umgebungen zu arbeiten und mehrstufige Aufgaben von Anfang bis Ende abzuschließen – nicht nur isolierte Fragen zu beantworten.
Zuverlässige Tool-Nutzung – Glimmer kann eine breite Palette an Funktionsaufrufen mit präzisen Schemata ausführen, auch über lange, ausgedehnte Workflows mit mehreren aufeinanderfolgenden Tool-Aufrufen hinweg.
Mehrstufiges Reasoning – Das Modell ist darauf ausgelegt, kohärente Pläne über lange Reasoning-Ketten hinweg aufrechtzuerhalten, statt das Ziel auf halbem Weg aus den Augen zu verlieren.
Fehlerbehebung – Wenn ein Tool-Aufruf fehlschlägt oder ein unerwartetes Ergebnis liefert, ist Glimmer darauf trainiert, das Problem zu diagnostizieren und es erneut zu versuchen, statt die Aufgabe einfach abzubrechen.
Multimodale Eingabe und Reasoning – Ein dedizierter Wahrnehmungs-Encoder ermöglicht es dem Modell, verschachtelten Text und Bilder zu verarbeiten, sodass ein auf Glimmer basierender Agent Screenshots, Diagramme und Dokumente im Rahmen eines normalen Gesprächs interpretieren kann.
Kompatibilität mit Agenten-Frameworks – Das Modell wurde für die Nutzung innerhalb bestehender Agenten-Orchestrierungs-Frameworks entwickelt, einschließlich OpenClaw.
Steuerbarer Rechenaufwand – Entwickler können die Reasoning-Stärke des Modells anpassen und je nach Aufgabe zwischen Geschwindigkeit und Reasoning-Tiefe abwägen.
Mehrsprachige Unterstützung – Muse Glimmer wurde mit Daten aus mehr als 100 Sprachen trainiert.
Technische Spezifikationen
Unabhängige Analysen der veröffentlichten Modelldateien liefern folgende Architekturdetails:
Parameter: etwa 29,6–30 Milliarden, einschließlich eines dedizierten Vision-Moduls
Architektur: dichter kausaler Transformer (kein Mixture-of-Experts-Design), sodass bei jedem Forward-Pass alle Parameter aktiviert werden
Vision-Encoder: ein etwa 1,8 Milliarden Parameter umfassender Wahrnehmungs-Encoder, der bis zu 4.096 visuelle Tokens pro Bild verarbeiten kann
Kontextfenster: über 131.072 Tokens
Vokabular: etwa 202.048 Tokens
Attention-Design: Grouped-Query-Attention kombiniert mit Sliding-Window-Attention in einem sich wiederholenden lokal/lokal/lokal/global-Muster
Wissensstand: Anfang Januar 2026
Ein-/Ausgabe: akzeptiert Text und Bilder; generiert ausschließlich Text (Video wird als Abfolge einzelner Frames verarbeitet, Audio wird nicht unterstützt)
Diese Architektur ähnelt in ihrem Grundgedanken eher Googles Gemma-Familie als einem Mixture-of-Experts-Modell wie bei manchen größeren Qwen-Varianten – wobei Glimmer eigene Anpassungen mitbringt, darunter SwiGLU-Aktivierungen und ein aggressiveres Verhältnis von lokaler zu globaler Attention.
Ist Muse Glimmer 30B Open Source?
Ja. Muse Glimmer wird unter der Apache-2.0-Lizenz veröffentlicht, einer der freizügigsten verfügbaren Open-Source-Lizenzen. Sie erlaubt sowohl kommerzielle als auch wissenschaftliche Nutzung, ohne die Einschränkungen, die bei einigen früheren Meta-Modellveröffentlichungen galten.
Das Hugging-Face-Modell-Repository enthält:
vollständige Gewichte in BF16-Präzision
GGUF-k-Quant-Versionen für llama.cpp-basierte Tools
ExecuTorch-Builds für On-Device- und Mobile-Deployment
das schlanke DFlash-„Drafter"-Modell für Speculative Decoding
Da die Lizenz wirklich freizügig ist und nicht auf Forschung beschränkt oder durch Nutzungsgrenzen gedeckelt, können Entwickler und Unternehmen Muse Glimmer selbst hosten, fein abstimmen (Fine-Tuning) und kommerziell einsetzen, ohne Meta eine Lizenzgebühr zu zahlen – ein wesentlicher Unterschied zu geschlossenen, nur über API zugänglichen Modellen.
Muse Glimmer 30B Benchmarks
Metas eigene veröffentlichte Auswertung vergleicht Muse Glimmer mit Gemma 4 31B und Qwen 3.6 27B – den beiden direktesten Konkurrenten in Bezug auf Größe, Lizenz und Zielanwendung – anhand von Benchmark-Kategorien für Agenten, Coding, Multimodalität, Sicherheit und Reasoning. Laut Metas Evaluierungsmethodik-Bericht schneidet Glimmer für seine Größenklasse bei mehreren gängigen Benchmarks stark ab, wobei die Ergebnisse nicht durchweg zugunsten eines einzelnen Modells ausfallen.
Unabhängige Prüfer, die die vollständige Benchmark-Tabelle untersucht haben, beschreiben das Bild eher als gemischt denn als eindeutig dominant in eine Richtung:
Wo Glimmer tendenziell vorne liegt: agentenbasierte Aufgabenerledigung (MCP-Atlas, DeepSearch QA), Umgang mit langem Kontext, allgemeine Befolgung von Anweisungen sowie mehrere Reasoning-Benchmarks wie AIME.
Wo Qwen 3.6 27B tendenziell vorne liegt: terminal- und shell-basierte Coding-Aufgaben (TerminalBench, OSWorld), SWE-Bench Verified sowie eine Reihe multimodaler Auswertungen.
Wo Gemma 4 31B tendenziell vorne liegt: einige Wissens- und sicherheitsbezogene Benchmarks.
Ein Vorbehalt, den mehrere unabhängige Analysten hervorgehoben haben, ist erwähnenswert: Meta wählte entweder den selbst gemeldeten Wert eines Konkurrenzmodells oder die eigene Reproduktion dieser Leistung – je nachdem, was für den Vergleich günstiger war – und nutzte Drittanbieter-Aggregatoren wie Artificial Analysis, wenn alle drei Modelle dort erfasst waren. Das ist eine einigermaßen transparente Methodik, bedeutet aber, dass der Vergleich eher als nützliches Richtungssignal denn als vollständig neutraler, unabhängiger Benchmark-Vergleich zu verstehen ist.
Getrennt davon liegt Muse Glimmer im unabhängigen Artificial Analysis Intelligence Index – einem zusammengesetzten Score, der mehrere Benchmarks aggregiert – Berichten zufolge im Gesamtranking leicht hinter Qwen 3.6, obwohl es bei den von Meta ausgewählten Benchmark-Kategorien vorne liegt. Eine solche Diskrepanz zwischen von Anbietern veröffentlichten Tabellen und unabhängigen Gesamtindizes ist bei Markteinführungen üblich und tendiert dazu, sich mit zunehmender praktischer Erprobung zu verringern.
Muse Glimmer 30B vs. Qwen 3.6 27B
Diese beiden Modelle bilden den engsten direkten Vergleich auf dem aktuellen Markt: Beide sind dichte, unter Apache 2.0 lizenzierte Modelle, die in etwa 18–24 GB VRAM laufen.
Agentenbasiertes Reasoning und Planung: Muse Glimmer hat im Allgemeinen die Nase vorn, insbesondere bei Aufgaben, die Suche, strukturierte Tool-Aufrufe und lange, mehrstufige Pläne erfordern.
Coding und Terminal-Automatisierung: Qwen 3.6 27B gilt im Allgemeinen als die sicherere Wahl für alltägliches, repository-basiertes Coding und die Ausführung von Shell-Befehlen und führt bei TerminalBench und OSWorld.
Lizenzierung und Hardware: Beide sind kostenlos, unter Apache 2.0 lizenziert und passen in vergleichbare Consumer-Hardware-Budgets.
Muse Glimmer 30B vs. Gemma 4 31B
Metas veröffentlichte Ergebnisse zeigen Glimmer bei agentenbasierten Benchmarks wie MCP-Atlas, DeepSearch QA und SWE-Bench Pro vor Gemma 4 31B – mit einem größeren Abstand als gegenüber Qwen. Architektonisch teilen sich Glimmer und Gemma 4 mehrere Designentscheidungen, darunter eine ähnliche Platzierung der Normalisierung und ähnliche Attention-Muster, wodurch sie strukturell näher verwandt sind als Glimmer und Qwen – auch wenn sich ihre Benchmark-Profile unterscheiden.
Muse Glimmer 30B lokal ausführen
Einer der zentralen Vorzüge von Muse Glimmer ist, dass es sich tatsächlich praktikabel auf bereits vorhandener Hardware betreiben lässt. So sieht das in der Praxis aus.
Hardware-Anforderungen
Bei voller BF16-Präzision würde ein Modell mit 30 Milliarden Parametern mehr als 55 GB Speicher benötigen – deutlich mehr, als jede Consumer-GPU bietet. Um dies zu lösen, hat Meta Muse Glimmer auf etwa 4-Bit-Präzision komprimiert und dadurch das Sprachmodell selbst auf unter 20 GB verkleinert. Das lässt genügend Spielraum, damit der KV-Cache des Modells, der Vision-Encoder und der DFlash-Drafter für Speculative Decoding gemeinsam innerhalb eines 24-GB- oder 32-GB-Speicherrahmens laufen können – was die meisten modernen Consumer-GPUs (etwa eine RTX 4090 oder RTX 5090) sowie Apple-Silicon-Macs mit ausreichend Unified Memory (M4 Max, M5 Max und ähnliche Chips) abdeckt.
Meta berichtet, dass diese Kompression basierend auf internen Validierungen zu minimalen bis keinen messbaren Leistungseinbußen bei agentenbasierten Aufgaben führt.
Speculative Decoding für schnellere Antworten
Standard-Sprachmodelle generieren Text Token für Token, was sich bei langen Reasoning-Ketten oder mehrstufigen Tool-Aufrufen träge anfühlen kann – ein echtes Problem für einen „dauerhaft aktiven" Agenten, der reaktionsschnell wirken muss. Muse Glimmer begegnet dem mit DFlash, einem kleinen begleitenden „Drafter"-Modell, das ganze Blöcke von Tokens auf einmal vorschlägt, die das Hauptmodell dann parallel verifiziert, statt jedes Token einzeln zu prüfen.
Laut Metas eigenen Benchmarks liefert dieser Speculative-Decoding-Ansatz spürbare Geschwindigkeitsgewinne in der Praxis:
~3,1-mal schnelleres Decoding auf einer RTX 5090
~1,8-mal schnelleres Decoding auf einem Apple M5 Max
~1,5-mal schnelleres Decoding auf einem Apple M4 Max
Schritt für Schritt: Erste Schritte
Gewichte herunterladen. Besuchen Sie das offizielle Hugging-Face-Repository und wählen Sie das zu Ihrem System passende Format – BF16 für volle Präzision, GGUF für llama.cpp-basierte Tools oder ExecuTorch für On-Device-Deployment.
Eine Laufzeitumgebung wählen. Muse Glimmer wird von einer breiten Palette lokaler Inferenz-Tools unterstützt (oder erhält gerade Unterstützung), darunter Ollama, LM Studio, Unsloth, llama.cpp, MLX (für Apple Silicon) und ExecuTorch (für Edge- und Mobilgeräte).
Quantisierungsstufe wählen. Für eine 24-GB-Karte empfiehlt Meta den stärker komprimierten ~17-GB-k-Quant-Build. Für 32-GB-Systeme steht ein weniger komprimierter dynamischer Quant für etwas höhere Genauigkeit zur Verfügung.
Ersten Prompt ausführen. Mit Ollama sieht ein einfacher Aufruf beispielsweise so aus:
ollama run muse-glimmer:30b
- Mit einem Agenten-Framework verbinden. Für echte agentenbasierte Workflows – Dateizugriff, Tool-Aufrufe, Browsing – kombinieren Sie Glimmer gemäß Metas Entwicklerdokumentation mit einem kompatiblen Orchestrierungs-Framework wie OpenClaw.
Für Teams, die die lokale Einrichtung ganz überspringen möchten, weist Meta außerdem darauf hin, dass Muse Glimmer zunehmend über gehostete Inferenz-Partner wie Together AI, Fireworks AI und OpenRouter sowie über auf Skalierung ausgelegte Serving-Frameworks wie vLLM und SGLang verfügbar wird.
Anwendungsfälle aus der Praxis
Da Muse Glimmer ohne Netzwerkverbindung und ohne Kosten pro API-Token läuft, eröffnet es Anwendungsfälle, die mit reinen Cloud-Modellen umständlich oder teuer wären:
Datenschutzsensible lokale Agenten, die persönliche Dateien, Screenshots oder Dokumente lesen und darauf reagieren, ohne dass diese Daten das Gerät jemals verlassen
Lokale Coding-Assistenten für Entwickler, die AI-Pair-Programming nutzen möchten, ohne proprietären Quellcode an eine externe API zu senden
Offline- oder Umgebungen mit unzuverlässiger Verbindung, etwa im Außendienst oder in sicheren Einrichtungen, in denen Cloud-Zugang nicht verfügbar oder nicht erlaubt ist
LLM-als-Bewertungsinstanz-Pipelines, bei denen Glimmer lokal die Ausgaben anderer Systeme bewerten oder überprüfen kann
Kostensensitive Automatisierung mit hohem Volumen, bei der der Verzicht auf API-Preise pro Anfrage die Wirtschaftlichkeit des Betriebs eines KI-Agenten im großen Maßstab spürbar verändert
Fazit
Muse Glimmer 30B steht für einen bedeutenden Wandel in Metas Herangehensweise an offene KI-Modelle – weg von Allzweck-Chatbots, hin zu kompakten, wirklich lokalen Agenten, die planen, Tools nutzen, sehen und Fehler eigenständig beheben können, ohne auf die Cloud angewiesen zu sein. Der Benchmark-Vergleich mit Qwen 3.6 27B und Gemma 4 31B fällt gemischt statt eindeutig dominant aus – und das ist vermutlich die ehrlichere und nützlichere Erkenntnis: Kein einzelnes Modell in dieser Größenklasse gewinnt überall, und die richtige Wahl hängt stark davon ab, ob die Priorität auf agentenbasiertem Reasoning, reinem Coding-Durchsatz oder multimodalem Verständnis liegt.
Für Entwickler, die 2026 lokale KI-Optionen evaluieren, ist Muse Glimmer 30B eine ernstzunehmende, gut dokumentierte und wirklich kostenlose Option, die es wert ist, direkt an den eigenen Workloads getestet zu werden – statt sich auf die Benchmark-Tabelle eines einzelnen Anbieters zu verlassen.
FAQs
Was ist Muse Glimmer 30B?
Muse Glimmer 30B ist ein offenes KI-Modell mit 30 Milliarden Parametern von Meta Superintelligence Labs, veröffentlicht am 10. August 2026. Es wurde entwickelt, um lokal auf Consumer-Hardware für agentenbasierte Aufgaben wie Tool-Nutzung, Coding und mehrstufiges Reasoning zu laufen.
Wann wurde Muse Glimmer 30B veröffentlicht?
Meta veröffentlichte Muse Glimmer am 10. August 2026, zusammen mit offenen Gewichten auf Hugging Face und vollständiger Entwicklerdokumentation.
Ist Muse Glimmer 30B kostenlos und Open Source?
Ja. Es wird unter der Apache-2.0-Lizenz veröffentlicht, die eine kostenlose kommerzielle und wissenschaftliche Nutzung erlaubt – einschließlich Self-Hosting und Fine-Tuning, ohne Lizenzgebühren.
Wie viel VRAM benötige ich, um Muse Glimmer 30B auszuführen?
Metas quantisierte Builds sind so konzipiert, dass sie innerhalb eines 24-GB- oder 32-GB-Speicherrahmens laufen und damit die meisten modernen Consumer-GPUs sowie Apple-Silicon-Macs mit viel Arbeitsspeicher abdecken.
Ist Muse Glimmer 30B besser als Qwen 3.6 27B?
Das hängt von der Aufgabe ab. Glimmer liegt tendenziell vorne bei agentenbasierter Planung, Tool-Nutzung und Reasoning über lange Kontexte, während Qwen 3.6 27B tendenziell bei terminalbasierten Coding- und Shell-Automatisierungsaufgaben vorne liegt. Kein Modell dominiert bei allen Benchmark-Kategorien.
Kann Muse Glimmer 30B Bilder verstehen?
Ja. Ein dedizierter Wahrnehmungs-Encoder ermöglicht es dem Modell, verschachtelten Text und Bilder zu verarbeiten, sodass es Screenshots, Diagramme und Dokumente im Rahmen eines Gesprächs interpretieren kann. Audio wird nicht unterstützt, und Video wird als Abfolge einzelner Frames verarbeitet.
Wo kann ich Muse Glimmer 30B herunterladen?
Die offiziellen Gewichte sind auf Hugging Face verfügbar, mit begleitender Entwicklerdokumentation im Meta AI Developer Center.
Lokale KI-Agenten für Ihr Unternehmen – mit TechNow
Muse Glimmer 30B zeigt, wie leistungsfähig lokale KI-Agenten heute schon sind. Doch die richtige Technologie auszuwählen und sicher in Ihre Prozesse zu integrieren, ist eine andere Herausforderung. TechNow begleitet Sie als strategischer Partner – von der ersten Idee bis zum laufenden System.
What You'll Get
- KI-Strategie & Roadmap: Wir analysieren Ihre Ausgangslage und identifizieren, wo lokale KI-Agenten wie Muse Glimmer 30B den größten Mehrwert für Ihr Unternehmen schaffen.
- Custom AI Development: Unser Team entwickelt maßgeschneiderte Agenten-Lösungen auf Basis offener Modelle – datenschutzkonform, ohne API-Kosten, auf Ihrer eigenen Infrastruktur.
- Deployment & Integration: Ob Cloud, Hybrid oder On-Premise – wir kümmern uns um die technische Umsetzung und stellen sicher, dass Ihre Lösung stabil und skalierbar läuft.
- AI Training & Upskilling: Wir schulen Ihre Teams im Umgang mit modernen KI-Tools und -Modellen, damit Ihr Unternehmen langfristig von der KI-Entwicklung profitiert.
- 60+ abgeschlossene Projekte, 100 % Kundenzufriedenheit – TechNow liefert keine Versprechen, sondern Ergebnisse.
Entscheiden Sie sich nicht blind für das nächste KI-Modell – lassen Sie uns gemeinsam herausfinden, welche Lösung wirklich zu Ihrem Unternehmen passt.