Puis-je exécuter Muse Glimmer 30B localement ?

Oui. Les poids sont ouverts sous licence Apache 2.0 et le modèle est disponible sur Hugging Face à meta-models/Muse-Glimmer-30B. Meta l’a explicitement optimisé pour le matériel grand public, bien qu’un modèle dense 30B demande une VRAM conséquente.

Quel est le coût via API et quelle est la taille du contexte ?

Le tarif est de 0,30 $ par million de tokens en entrée et 1,20 $ par million en sortie, avec une fenêtre de contexte de 131 072 tokens.

En quoi Glimmer diffère-t-il de Muse Spark ?

Muse Glimmer 30B est distillé de Muse Spark et échange une partie de l’échelle brute de Spark contre une taille adaptée au matériel grand public, le processus de distillation ciblant spécifiquement les capacités agentiques plutôt que la performance générale.

Muse Glimmer 30B

5242°

#llm #meta #vision #raisonnement #agents #programmation

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Meta | contexte de 131 072 tokens | 0,30 $/M en entrée, 1,20 $/M en sortie. Muse Glimmer 30B est un modèle multimodal dense à poids ouvert de Meta Superintelligence Labs, distillé de Muse Spark et optimisé pour les agents autonomes sur matériel grand public. Il est adapté aux flux de travail agentiques et de codage à long terme, avec un raisonnement multi-étapes, une utilisation fiable d'outils, la récupération d'échecs, la compréhension d'images, et un support multilingue couvrant plus de 100 langues.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Muse Glimmer 30B est un modèle multimodal open weights de Meta Superintelligence Labs, distillé de Muse Spark et conçu spécifiquement pour les agents autonomes fonctionnant sur du matériel grand public. Avec environ 30 milliards de paramètres, il accepte du texte et des images entrelacés, couvre plus de 100 langues, et est sous licence Apache 2.0. Si vous voulez un agent local capable de gérer l’usage d’outils, le code et la compréhension d’images sans dépendance cloud, c’est la catégorie à considérer.

Connu pour

Conçu pour les workflows agentiques : usage d’outils, récupération d’erreurs et planification multi-étapes.
Fonctionne localement sur matériel grand public sous licence Apache 2.0, sans cloud.
Encodeur de perception ViT-G dédié pour captures d’écran, graphiques et documents.
Effort de raisonnement contrôlable pour ajuster qualité et vitesse à la demande.
Compatible avec OpenClaw, Hermes Agent et autres frameworks agentiques dès la sortie de boîte.

Attention à

Texte en sortie uniquement : le modèle lit les images mais ne peut pas en générer.
Connaissances arrêtées au 4 janvier 2026 ; il ignore tout ce qui suit.
Un modèle dense 30B demande une VRAM conséquente ; vérifiez votre matériel avant de télécharger.

Idéal pour

Agents et utilisation d'outils

Programmation

Raisonnement

Vision

Fonctionne localement

Prompts à essayer

Agent de débogage multi-étapes

Vous avez un script Python qui scrape une page web, analyse une réponse JSON et écrit les résultats dans un CSV. Le script échoue silencieusement et produit un fichier vide. Passez en revue chaque étape méthodiquement, identifiez où l’échec est le plus probable, écrivez une version corrigée du script et expliquez ce que vous avez changé et pourquoi.

Capture d’écran vers plan d’action

Je joins une capture d’écran du tableau de bord d’une application web. Identifiez chaque élément interactif visible, décrivez ce que fait chacun selon son étiquette ou icône, puis rédigez un plan étape par étape qu’un agent pourrait suivre pour exporter les données du tableau principal vers un fichier CSV local.

Récupération après échec d’appel d’outil

Vous avez appelé une API météo avec les bons paramètres et reçu une erreur 429 de limite de taux. Vous avez besoin de la température actuelle dans trois villes pour un rapport dans deux minutes. Raisonner sur vos options, décidez d’une stratégie de secours, et écrivez la logique révisée d’appel d’outil incluant la gestion des retries et une dégradation élégante si tous les retries échouent.

Comparer avec

Muse Spark 1.3 Contributor
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.10/M, sortie $0.20/M
Muse Spark 1.3
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $1.25/M, sortie $4.25/M
Muse Wonder
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $4.00/M, sortie $20.00/M
Muse Spark 1.2
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $1.25/M, sortie $4.25/M

Plus de modèles de texte de meta

Questions fréquentes

Puis-je exécuter Muse Glimmer 30B localement ?: Oui. Les poids sont ouverts sous licence Apache 2.0 et le modèle est disponible sur Hugging Face à meta-models/Muse-Glimmer-30B. Meta l’a explicitement optimisé pour le matériel grand public, bien qu’un modèle dense 30B demande une VRAM conséquente.
Quel est le coût via API et quelle est la taille du contexte ?: Le tarif est de 0,30 $ par million de tokens en entrée et 1,20 $ par million en sortie, avec une fenêtre de contexte de 131 072 tokens.
En quoi Glimmer diffère-t-il de Muse Spark ?: Muse Glimmer 30B est distillé de Muse Spark et échange une partie de l’échelle brute de Spark contre une taille adaptée au matériel grand public, le processus de distillation ciblant spécifiquement les capacités agentiques plutôt que la performance générale.

Verdict du capitaine
Une rareté : un modèle agent ouvert, exécutable localement, qui considère l’usage d’outils et la récupération d’erreurs comme des fonctionnalités de premier plan plutôt que des après-coups.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Muse Glimmer 30B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm meta vision raisonnement agents programmation local

Parcourir par famille de modèles