Kan jag köra Muse Glimmer 30B lokalt?

Ja. Vikterna är öppna under Apache 2.0 och modellen finns på Hugging Face under meta-models/Muse-Glimmer-30B. Meta har uttryckligen optimerat den för konsumenthårdvara, men en tät 30B-modell kräver ändå betydande VRAM.

Vad kostar det att använda via API och hur lång är kontexten?

Priset är 0,30 USD per miljon inmatningstokens och 1,20 USD per miljon utmatningstokens, med ett kontextfönster på 131 072 tokens.

Hur skiljer sig Glimmer från Muse Spark?

Muse Glimmer 30B är destillerad från Muse Spark och byter bort en del av Sparks råa skala för en storlek som kan köras på konsumenthårdvara, där destilleringsprocessen specifikt riktar in sig på agentfunktioner snarare än allmän prestanda.

Muse Glimmer 30B

5242°

#llm #meta #vision #resonemang #agenter #kodning

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Meta | 131,072 token context | $0.30/M input, $1.20/M output. Muse Glimmer 30B är en tät, öppen vikt multimodal modell från Meta Superintelligence Labs, destillerad från Muse Spark och optimerad för autonoma agenter på konsumenthårdvara. Den är lämpad för långsiktiga agentiska och kodningsarbetsflöden, med flerstegsresonemang, pålitlig verktygsanvändning, felåterhämtning, bildförståelse och flerspråkigt stöd för över 100 språk.

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Muse Glimmer 30B är en öppen vikt multimodal modell från Meta Superintelligence Labs, destillerad från Muse Spark och byggd specifikt för autonoma agenter som körs på konsumenthårdvara. Med ungefär 30 miljarder parametrar accepterar den växelvis text och bilder, täcker över 100 språk och har en Apache 2.0-licens. Om du vill ha en kapabel lokal agent som hanterar verktygsanvändning, kod och bildförståelse utan molnberoende är detta storleksklassen att titta på.

Känd för

Specifikt byggd för agentbaserade arbetsflöden: verktygsanvändning, felåterställning och flerstegsplanering.
Körs lokalt på konsumenthårdvara under Apache 2.0, inget moln krävs.
Dedikerad ViT-G perceptionskodare hanterar skärmdumpar, diagram och dokument.
Kontrollerbar resonemangsinsats låter dig byta kvalitet mot hastighet per förfrågan.
Kompatibel med OpenClaw, Hermes Agent och andra agentramverk direkt ur lådan.

Se upp för

Endast textutgång: modellen läser bilder men kan inte generera dem.
Kunskapsavskärning 4 januari 2026; allt efter det känner den inte till.
En 30B-dens modell kräver betydande VRAM; kontrollera din hårdvara innan nedladdning.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Flerstegs felsökningsagent

Du har ett Python-skript som skrapar en webbsida, tolkar ett JSON-svar och skriver resultat till en CSV-fil. Skriptet misslyckas tyst och producerar en tom fil. Gå metodiskt igenom varje steg, identifiera var felet sannolikt uppstår, skriv en korrigerad version av skriptet och förklara vad du ändrade och varför.

Skärmdump till handlingsplan

Jag bifogar en skärmdump av en webbapplikations instrumentpanel. Identifiera varje synligt interaktivt element, beskriv vad varje gör baserat på etikett eller ikon, och skriv sedan en steg-för-steg-plan som en agent kan följa för att exportera data från huvudtabellen till en lokal CSV-fil.

Återhämtning vid verktygsanropsfel

Du anropade ett väder-API med korrekta parametrar och fick ett 429-fel för hastighetsbegränsning. Du behöver aktuell temperatur i tre städer för en rapport som ska lämnas in om två minuter. Resonera kring dina alternativ, bestäm en fallback-strategi och skriv om verktygsanropslogiken inklusive hantering av omförsök och en nedtrappningsplan om alla försök misslyckas.

Jämför med

Muse Spark 1.3 Contributor
Endast API-modell
1,048,576 tokens kontext · $0.10/M indata, $0.20/M utdata
Muse Spark 1.3
Endast API-modell
1,048,576 tokens kontext · $1.25/M indata, $4.25/M utdata
Muse Wonder
Endast API-modell
1,048,576 tokens kontext · $4.00/M indata, $20.00/M utdata
Muse Spark 1.2
Endast API-modell
1,048,576 tokens kontext · $1.25/M indata, $4.25/M utdata

Fler textmodeller från meta

Vanliga frågor

Kan jag köra Muse Glimmer 30B lokalt?: Ja. Vikterna är öppna under Apache 2.0 och modellen finns på Hugging Face under meta-models/Muse-Glimmer-30B. Meta har uttryckligen optimerat den för konsumenthårdvara, men en tät 30B-modell kräver ändå betydande VRAM.
Vad kostar det att använda via API och hur lång är kontexten?: Priset är 0,30 USD per miljon inmatningstokens och 1,20 USD per miljon utmatningstokens, med ett kontextfönster på 131 072 tokens.
Hur skiljer sig Glimmer från Muse Spark?: Muse Glimmer 30B är destillerad från Muse Spark och byter bort en del av Sparks råa skala för en storlek som kan köras på konsumenthårdvara, där destilleringsprocessen specifikt riktar in sig på agentfunktioner snarare än allmän prestanda.

Kaptens omdöme
En sällsynt modell: en öppen, lokalt körbar agentmodell som behandlar verktygsanvändning och felåterställning som förstklassiga funktioner snarare än eftertankar.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Muse Glimmer 30B är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm meta vision resonemang agenter kodning lokal

Bläddra efter modellfamilj