Kann ich Muse Glimmer 30B lokal ausführen?

Ja. Die Gewichte sind offen unter Apache 2.0 und das Modell auf Hugging Face unter meta-models/Muse-Glimmer-30B verfügbar. Meta hat es explizit für Consumer-Hardware optimiert, aber ein dichtes 30B-Modell benötigt dennoch bedeutenden VRAM.

Was kostet die API-Nutzung und wie lang ist der Kontext?

Die Preise betragen 0,30 $ pro Million Eingabe-Tokens und 1,20 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 131.072 Tokens.

Worin unterscheidet sich Glimmer von Muse Spark?

Muse Glimmer 30B ist eine Destillation von Muse Spark und tauscht etwas von Sparks roher Größe gegen eine Größe ein, die auf Consumer-Hardware läuft. Der Destillationsprozess zielt speziell auf agentische Fähigkeiten statt allgemeine Leistung ab.

Muse Glimmer 30B

5242°

#llm #meta #vision #logik #agenten #programmieren

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Meta | 131.072 Token Kontext | $0,30/M Eingabe, $1,20/M Ausgabe. Muse Glimmer 30B ist ein dichtes, Open-Weight multimodales Modell von Meta Superintelligence Labs, destilliert aus Muse Spark und optimiert für autonome Agenten auf Consumer-Hardware. Es eignet sich für langfristige agentische und Coding-Workflows mit mehrstufigem Reasoning, zuverlässiger Tool-Nutzung, Fehlerbehebung, Bildverständnis und mehrsprachiger Unterstützung für über 100 Sprachen.

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Muse Glimmer 30B ist ein offenes multimodales Modell von Meta Superintelligence Labs, destilliert aus Muse Spark und speziell für autonome Agenten auf Consumer-Hardware gebaut. Mit etwa 30 Milliarden Parametern akzeptiert es verflochtenen Text und Bilder, unterstützt über 100 Sprachen und steht unter Apache 2.0 Lizenz. Wenn du einen fähigen lokalen Agenten willst, der Werkzeugnutzung, Code- und Bildverständnis ohne Cloud-Abhängigkeit beherrscht, ist dies die Größenklasse, die du dir ansehen solltest.

Bekannt für

Speziell für agentische Workflows: Werkzeugnutzung, Fehlerbehebung und mehrstufige Planung.
Läuft lokal auf Consumer-Hardware unter Apache 2.0, keine Cloud nötig.
Dedizierter ViT-G Wahrnehmungs-Encoder für Screenshots, Diagramme und Dokumente.
Kontrollierbarer Reasoning-Aufwand erlaubt Qualitäts-Geschwindigkeits-Abwägung pro Anfrage.
Out-of-the-box kompatibel mit OpenClaw, Hermes Agent und anderen agentischen Frameworks.

Achte auf

Nur Textausgabe: Das Modell liest Bilder, kann sie aber nicht generieren.
Wissen endet am 4. Januar 2026; alles danach ist unbekannt.
Ein 30B-Dichtemodell benötigt bedeutenden VRAM; prüfe deine Hardware vor dem Download.

Am besten für

Agenten und Werkzeugnutzung

Prompts zum Ausprobieren

Mehrstufiges Debugging-Agent

Du hast ein Python-Skript, das eine Webseite scrapt, eine JSON-Antwort parst und Ergebnisse in eine CSV schreibt. Das Skript schlägt fehl, ohne Fehler zu melden, und erzeugt eine leere Datei. Gehe jede Stufe methodisch durch, identifiziere die wahrscheinlichste Fehlerquelle, schreibe eine korrigierte Version des Skripts und erkläre, was du geändert hast und warum.

Screenshot zu Aktionsplan

Ich hänge einen Screenshot eines Dashboards einer Webanwendung an. Identifiziere alle sichtbaren interaktiven Elemente, beschreibe, was jedes basierend auf Label oder Icon macht, und schreibe dann einen Schritt-für-Schritt-Plan, den ein Agent befolgen könnte, um die im Haupttisch angezeigten Daten in eine lokale CSV zu exportieren.

Fehlerbehebung bei Tool-Aufruf

Du hast eine Wetter-API mit korrekten Parametern aufgerufen und einen 429 Rate-Limit-Fehler erhalten. Du brauchst die aktuelle Temperatur in drei Städten für einen Bericht, der in zwei Minuten fällig ist. Überlege deine Optionen, entscheide dich für eine Fallback-Strategie und schreibe die überarbeitete Tool-Aufruf-Logik inklusive Wiederholungsbehandlung und einem sanften Abbaupfad, falls alle Versuche scheitern.

Vergleichen mit

Muse Spark 1.3 Contributor
Nur API-Modell
1,048,576 Token Kontext · $0.10/M Eingabe, $0.20/M Ausgabe
Muse Spark 1.3
Nur API-Modell
1,048,576 Token Kontext · $1.25/M Eingabe, $4.25/M Ausgabe
Muse Wonder
Nur API-Modell
1,048,576 Token Kontext · $4.00/M Eingabe, $20.00/M Ausgabe
Muse Spark 1.2
Nur API-Modell
1,048,576 Token Kontext · $1.25/M Eingabe, $4.25/M Ausgabe

Mehr Textmodelle von meta

Häufig gestellte Fragen

Kann ich Muse Glimmer 30B lokal ausführen?: Ja. Die Gewichte sind offen unter Apache 2.0 und das Modell auf Hugging Face unter meta-models/Muse-Glimmer-30B verfügbar. Meta hat es explizit für Consumer-Hardware optimiert, aber ein dichtes 30B-Modell benötigt dennoch bedeutenden VRAM.
Was kostet die API-Nutzung und wie lang ist der Kontext?: Die Preise betragen 0,30 $ pro Million Eingabe-Tokens und 1,20 $ pro Million Ausgabe-Tokens, mit einem Kontextfenster von 131.072 Tokens.
Worin unterscheidet sich Glimmer von Muse Spark?: Muse Glimmer 30B ist eine Destillation von Muse Spark und tauscht etwas von Sparks roher Größe gegen eine Größe ein, die auf Consumer-Hardware läuft. Der Destillationsprozess zielt speziell auf agentische Fähigkeiten statt allgemeine Leistung ab.

Captain's Urteil
Eine seltene Sache: ein offenes, lokal ausführbares Agentenmodell, das Werkzeugnutzung und Fehlerbehebung als erstklassige Features behandelt statt als Nachgedanken.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Mistral Small 3.1 24B

TEXT / LLM

ReMM SLERP 13B

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Muse Glimmer 30B ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm meta vision logik agenten programmieren lokal

Nach Modellfamilie stöbern