Meta veröffentlich ein KI-Agenten-Modell für den Heim-PC
Meta hat das KI-Modell Muse Glimmer mit 30 Milliarden Parametern als frei zugängliche Open-Weight-Version veröffentlicht. Das System ist für autonome Agenten konzipiert und arbeitet lokal ohne aktive Cloud-Anbindung. Durch Datenkomprimierung läuft das Sprachmodell ressourcenschonend auf handelsüblichen Rechnern und Grafikkarten ab 24 Gigabyte Speicher.
Muse Glimmer kann Text sowie Bilder verarbeiten und Fehler bei Aufgaben eigenständig erkennen und beheben. Meta Research HuggingFace Meta AI Developer Center AI at Meta auf X Alexandr Wang auf X Meta hat mit Muse Glimmer ein neues KI-Modell für lokale Rechner veröffentlicht. Es ist speziell für im Hintergrund laufende Agenten konzipiert und benötigt keine Cloud-Anbindung.
Die Gewichte stehen unter einer offenen Apache-2.0-Lizenz bereit. Fokus auf autonome Aufgaben Das Modell stammt aus den Meta Superintelligence Labs und umfasst 30 Milliarden Parameter. Entwickler sollen damit Agenten bauen, die Aufgaben selbstständig planen, Code schreiben und überprüfen.
Muse Glimmer kann dabei über einen sogenannten Perception Encoder neben Text auch Bilder, Dokumente und Diagramme verarbeiten. Wenn der Aufruf einer externen Funktion fehlschlägt, bricht das Modell nicht ab. Es diagnostiziert den Fehler stattdessen selbst und unternimmt einen neuen Versuch.
Die Fähigkeit zur eigenständigen Fehlerbehebung stand beim Training laut Meta im Mittelpunkt. Meta positioniert Muse Glimmer als direkte Konkurrenz zu Modellen wie Gemma4-31B und Qwen3.6-27B. + Quelle: Meta Für das Training, das auf den Ausgaben des größeren Modells Muse Spark aufbaute, nutzte Meta Verfahren wie Logit-Destillation und bestärkendes Lernen. Muse Glimmer versteht mehr als 100 Sprachen.
Nutzer können zudem einstellen, wie viel Rechenzeit das Modell für Lösungswege aufwenden darf. Anzeige Hardware-Tricks für den Hausgebrauch Ein Modell dieser Größe würde unkomprimiert mehr als 55 Gigabyte Arbeitsspeicher benötigen. Meta nutzt Quantisierung, um den Speicherbedarf auf unter 20 Gigabyte zu drücken.
Dadurch passt Muse Glimmer samt Kontextspeicher auf Grafikkarten mit 24 oder 32 Gigabyte Speicher, wie sie in guten Rechnern stecken. Meta betont, dass diese Komprimierung die Leistung bei Agenten-Aufgaben kaum verschlechtert. + Quelle: Meta Damit die Antworten schnell genug auf dem Bildschirm erscheinen, setzt Meta auf ein Verfahren namens Spekulative Dekodierung. Ein kleines Hilfsmodell auf DFlash-Basis generiert dabei Textblöcke vorab, die das Hauptmodell parallel prüft – das erhöht die Ausgabegeschwindigkeit deutlich.
Auf einer RTX-5090-Grafikkarte liefert Muse Glimmer die Ergebnisse so gut dreimal schneller. Auf einem Mac mit M5-Max-Chip steigt das Tempo um den Faktor 1,8. + Quelle: Meta Breite Unterstützung für Entwickler Interessierte können die Open Weights über die Plattform HuggingFace herunterladen. In den kommenden Tagen folgen Optimierungen für gängige Laufzeitumgebungen wie llama.cpp oder MLX.
Zudem sollen Programme wie Ollama oder LM Studio das Modell zeitnah unterstützen. Wer das Modell an eigene Bedürfnisse anpassen will, kann dafür PyTorchs TorchTitan-Funktion nutzen. Meta kooperiert zudem mit Hardwareherstellern wie AMD, Arm, Intel und Nvidia, um das Modell auf Geräteebene weiter anzupassen und die lokale Ausführung künftig auf noch mehr Computern zu beschleunigen.