Meta Muse Glimmer ist ein neues Open-Weight-KI-Modell mit 30 Milliarden Parametern für lokale agentische Aufgaben. Meta hat das Modell heute, am 10. August 2026, mit offenen Gewichten unter der Apache-2.0-Lizenz veröffentlicht. Muse Glimmer soll auf einem Mac oder PC mit nur einer Consumer-GPU laufen und Aufgaben ohne dauerhafte Verbindung zu einer Cloud ausführen. Der Schwerpunkt liegt auf KI-Agenten, Tool-Nutzung, Programmierung und mehrstufigen Arbeitsabläufen.
Meta Superintelligence Labs positioniert Muse Glimmer damit zwischen kleinen lokalen Modellen und großen Cloud-Systemen. Das Modell soll genug Leistung für anspruchsvolle Agenten bieten, zugleich bleibt der Hardwarebedarf überschaubarer als bei großen Frontier-Modellen. Für lokale KI-Modelle ist vor allem die offene Bereitstellung interessant. Entwickler können die Gewichte herunterladen, das Modell anpassen und Anwendungen vollständig auf eigener Hardware betreiben.
Muse Glimmer bringt 30 Milliarden Parameter auf lokale Hardware
Meta hat Muse Glimmer gezielt für sogenannte Always-on-Agenten entwickelt. Solche Systeme sollen nicht nur einzelne Fragen beantworten. Sie planen mehrere Schritte, rufen Werkzeuge auf, verarbeiten Ergebnisse und setzen einen Auftrag anschließend fort. Meta nennt lokale Coding-Assistenten, Function Calling und automatisierte Bewertungen durch ein Sprachmodell als mögliche Einsatzgebiete.
Das Modell verarbeitet Text und Bilder. Ein eigener Perception Encoder ermöglicht die Analyse von Screenshots, Dokumenten, Diagrammen und weiteren visuellen Informationen. Muse Glimmer unterstützt außerdem mehrstufiges Reasoning, lange Arbeitsabläufe und eine Fehlerbehandlung für fehlgeschlagene Tool-Aufrufe. Meta trainierte das Modell auf Daten aus mehr als 100 Sprachen.
| Merkmal | Muse Glimmer | Bedeutung |
|---|---|---|
| Parameter | 30 Milliarden | Deutlich kleiner als große Frontier-Modelle |
| Lizenz | Apache 2.0 | Gewichte können heruntergeladen und angepasst werden |
| Hardwareziel | Mac oder PC mit einer Consumer-GPU | Keine Multi-GPU-Server zwingend erforderlich |
| Quantisierte Größe | Unter 20 GB für das Sprachmodell | 4-Bit-Quantisierung reduziert Speicherbedarf |
| Eingaben | Text und Bilder | Multimodale Agenten möglich |
| Schwerpunkt | Lokale agentische Aufgaben | Tool-Aufrufe, Coding und mehrstufige Abläufe |
Ein 30-Milliarden-Parameter-Modell benötigt bei voller Präzision laut Meta mehr als 55 GB Speicher. Muse Glimmer verwendet deshalb Quantisierung. Meta reduziert die Gewichte auf ungefähr vier Bit und bringt das Sprachmodell dadurch auf weniger als 20 GB. Für Modell, KV-Cache, Bildverarbeitung und weitere Komponenten nennt Meta einen Speicherrahmen von 24 oder 32 GB.
Die Aussage, Muse Glimmer laufe auf einem normalen PC, benötigt deshalb etwas Kontext. Eine einzelne Grafikkarte reicht grundsätzlich aus. Der Speicherbedarf richtet sich jedoch eher an leistungsfähige Consumer-Hardware. Meta testete eine stark quantisierte Variante unter anderem auf einer GeForce RTX 5090 sowie auf MacBooks mit M4 Max und M5 Max.
Für eine schnellere Ausgabe nutzt Muse Glimmer zusätzlich ein kleines Drafter-Modell. Dieses System schlägt mehrere Tokens vor und lässt das Hauptmodell die Vorschläge parallel prüfen. Meta nennt für diese Technik eine bis zu 3,1-fach höhere Decode-Geschwindigkeit auf der RTX 5090. Auf dem M5 Max lag der gemessene Faktor bei 1,8, auf dem M4 Max bei 1,5.
- Agentische Aufgaben: Muse Glimmer kann längere Aufgaben planen und in mehreren Schritten bearbeiten.
- Tool-Nutzung: Das Modell kann Funktionen und externe Werkzeuge innerhalb eines Workflows aufrufen.
- Fehlerbehandlung: Fehlgeschlagene Tool-Aufrufe sollen erkannt und erneut ausgeführt werden.
- Multimodal: Text, Bilder, Screenshots und Dokumente können gemeinsam verarbeitet werden.
- Lokaler Betrieb: Viele Einsätze benötigen keine permanente Cloud-Verbindung.
Beim Training setzte Meta stark auf Distillation. Muse Glimmer lernte unter anderem aus Ausgaben des größeren Muse-Spark-Modells. Es folgten Trainingsphasen mit längeren Kontexten, stärkerem Agentenfokus, überwachtem Fine-Tuning und Reinforcement Learning. Der Ansatz soll Fähigkeiten eines größeren Systems in ein effizienteres lokales Modell übertragen.
Zuckerberg fordert weniger Hürden für amerikanische Open-Weight-KI
Die Veröffentlichung ist gleichzeitig eine strategische Kehrtwende für Meta. Das Unternehmen hatte Muse Spark zunächst nicht mit offenen Gewichten veröffentlicht. Muse Glimmer bringt die offene Modellstrategie nun zurück. Meta will außerdem die Gewichte von Muse Spark 1.2 veröffentlichen. Ein genauer Termin steht noch aus.
Die Entwicklung baut auf Metas zunehmendem Fokus auf agentische Systeme auf. Muse Spark 1.1 sorgte zuletzt bei einem Cybersecurity-Test für Aufmerksamkeit. Das Modell erreichte dabei im Rahmen einer Sicherheitsprüfung ein externes System. Die neue lokale Glimmer-Version zeigt deshalb auch die andere Seite agentischer KI: leistungsfähige Modelle sollen direkt auf Hardware von Entwicklern und Nutzern laufen.
Meta-Chef Mark Zuckerberg verbindet den Modellstart mit einer politischen Forderung. In seinem heute veröffentlichten Text „The Future is for Everyone“ spricht er sich für eine breite Verteilung leistungsfähiger KI aus. Eine starke Konzentration fortgeschrittener Modelle bei wenigen Unternehmen oder staatlichen Stellen betrachtet Zuckerberg als eigenes Sicherheitsrisiko.
Besonders deutlich wird Zuckerberg bei amerikanischer Regulierung. Er sieht US-Entwickler gegenüber ausländischen Laboren im Nachteil. Zusätzliche Regeln für Trainingsdaten könnten amerikanische Open-Weight-Modelle bremsen. Die US-Politik müsse diese Reibung reduzieren. Auch Regeln rund um Distillation und die Nutzung von Daten für das Training sollten nach seiner Auffassung neu bewertet werden.
Hinter dieser Forderung steht der zunehmende Wettbewerb mit offenen Modellen aus China. Kimi, Qwen und DeepSeek zeigen, dass leistungsfähige Modelle nicht zwingend ausschließlich über geschlossene APIs angeboten werden müssen. Der Open-Weight-Wettbewerb mit Modellen wie Kimi K3 erhöht damit auch den Druck auf amerikanische Anbieter.
Zuckerberg fordert jedoch keine vollständige Abkehr von Sicherheitsprüfungen. Meta will unabhängigen Mitgliedern des Verwaltungsrats mehr Kontrolle über die Freigabekriterien neuer Modelle geben. Zudem schlägt Zuckerberg eine engere Zusammenarbeit zwischen Frontier-Laboren und der US-Regierung vor. Behörden könnten dabei bereits während des Trainings Zugriff auf Zwischenstände und technische Unterstützung erhalten.
Muse Glimmer verbindet diese Strategie erstmals mit einem konkreten Modell für lokale Agenten. Die Gewichte stehen ab heute zum Download bereit. Unterstützung für llama.cpp, MLX und ExecuTorch soll in den kommenden Tagen folgen. Auch Ollama, LM Studio und Unsloth arbeiten an lokalen Integrationen. Damit dürfte sich schnell zeigen, wie gut sich ein 30-Milliarden-Parameter-Agent außerhalb großer Rechenzentren im Alltag einsetzen lässt.