Kan ik Muse Glimmer 30B lokaal draaien?

Ja. De gewichten zijn open onder Apache 2.0 en het model is beschikbaar op Hugging Face via meta-models/Muse-Glimmer-30B. Meta heeft het expliciet geoptimaliseerd voor consumentenhardware, hoewel een dense 30B model serieuze VRAM vraagt.

Wat kost het via API en hoe lang is de context?

De prijs is $0,30 per miljoen inputtokens en $1,20 per miljoen outputtokens, met een contextvenster van 131.072 tokens.

Hoe verschilt Glimmer van Muse Spark?

Muse Glimmer 30B is gedistilleerd uit Muse Spark en ruilt wat van Sparks ruwe schaal in voor een formaat dat op consumentenhardware draait, waarbij het distillatieproces zich specifiek richt op agentcapaciteiten in plaats van algemene prestaties.

Muse Glimmer 30B

5242°

#llm #meta #visie #redeneren #agenten #coderen

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Meta | 131.072 token context | $0,30/M input, $1,20/M output. Muse Glimmer 30B is een dicht, open-weight multimodaal model van Meta Superintelligence Labs, gedistilleerd uit Muse Spark en geoptimaliseerd voor autonome agents op consumentenhardware. Het is geschikt voor langetermijn agentachtige en codeerworkflows, met multi-step redeneren, betrouwbaar toolgebruik, foutherstel, beeldbegrip en meertalige ondersteuning in meer dan 100 talen.

Gidsen voor dit model

Ollama vs LM Studio (2026): welke lokale AI-app gebruik je, en welke topmodellen draaien ze

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Muse Glimmer 30B is een open-gewichten multimodaal model van Meta Superintelligence Labs, gedistilleerd uit Muse Spark en speciaal gebouwd voor autonome agenten die op consumentenhardware draaien. Met ongeveer 30 miljard parameters accepteert het afgewisseld tekst en afbeeldingen, ondersteunt meer dan 100 talen en heeft het een Apache 2.0-licentie. Wil je een capabele lokale agent die toolgebruik, code- en beeldbegrip aankan zonder cloudafhankelijkheid, dan is dit de grootteklasse om te overwegen.

Bekend om

Speciaal gebouwd voor agentachtige workflows: toolgebruik, foutafhandeling en meerstapsplanning.
Draait lokaal op consumentenhardware onder Apache 2.0, geen cloud nodig.
Dedicated ViT-G perceptie-encoder verwerkt screenshots, grafieken en documenten.
Beheersbare redeneerkracht laat je per verzoek kwaliteit tegen snelheid afwegen.
Compatibel met OpenClaw, Hermes Agent en andere agent-frameworks out of the box.

Let op

Alleen output in tekst: het model leest afbeeldingen maar kan ze niet genereren.
Kennis stopt op 4 januari 2026; alles daarna kent het niet.
Een 30B dense model vraagt om serieuze VRAM; controleer je hardware voor downloaden.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Meer-staps debuggende agent

Je hebt een Python-script dat een webpagina scrapt, een JSON-response parseert en resultaten naar een CSV schrijft. Het script faalt stilletjes en maakt een leeg bestand. Doorloop elke stap methodisch, identificeer waar de fout waarschijnlijk optreedt, schrijf een verbeterde versie van het script en leg uit wat je hebt veranderd en waarom.

Screenshot naar actieplan

Ik voeg een screenshot toe van het dashboard van een webapplicatie. Identificeer elk zichtbaar interactief element, beschrijf wat elk doet op basis van label of icoon, en schrijf een stapsgewijs plan dat een agent kan volgen om de data uit de hoofdtabel naar een lokaal CSV-bestand te exporteren.

Foutafhandeling bij tool-aanroep

Je hebt een weer-API aangeroepen met de juiste parameters en kreeg een 429 rate-limit fout. Je hebt de huidige temperatuur in drie steden nodig voor een rapport dat over twee minuten af moet zijn. Redeneer over je opties, bepaal een fallback-strategie en schrijf de aangepaste tool-aanroeplogica inclusief retry-afhandeling en een nette degradatie als alle retries falen.

Vergelijk met

Muse Spark 1.3 Contributor
Alleen API-model
1,048,576 token context · $0.10/M invoer, $0.20/M uitvoer
Muse Spark 1.3
Alleen API-model
1,048,576 token context · $1.25/M invoer, $4.25/M uitvoer
Muse Wonder
Alleen API-model
1,048,576 token context · $4.00/M invoer, $20.00/M uitvoer
Muse Spark 1.2
Alleen API-model
1,048,576 token context · $1.25/M invoer, $4.25/M uitvoer

Meer tekstmodellen van meta

Veelgestelde vragen

Kan ik Muse Glimmer 30B lokaal draaien?: Ja. De gewichten zijn open onder Apache 2.0 en het model is beschikbaar op Hugging Face via meta-models/Muse-Glimmer-30B. Meta heeft het expliciet geoptimaliseerd voor consumentenhardware, hoewel een dense 30B model serieuze VRAM vraagt.
Wat kost het via API en hoe lang is de context?: De prijs is $0,30 per miljoen inputtokens en $1,20 per miljoen outputtokens, met een contextvenster van 131.072 tokens.
Hoe verschilt Glimmer van Muse Spark?: Muse Glimmer 30B is gedistilleerd uit Muse Spark en ruilt wat van Sparks ruwe schaal in voor een formaat dat op consumentenhardware draait, waarbij het distillatieproces zich specifiek richt op agentcapaciteiten in plaats van algemene prestaties.

Oordeel van de kapitein
Een zeldzaamheid: een open, lokaal uitvoerbaar agentmodel dat toolgebruik en foutafhandeling als kernfuncties behandelt in plaats van als bijzaak.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

Mistral 7B Instruct v0.2

TEXT / LLM

AI-modellen voor het genereren van afbeeldingen, video en tekst

Muse Glimmer 30B is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm meta visie redeneren agenten coderen lokaal

Bladeren op modelfamilie