--- title: "Muse Glimmer 30B: Hardware und Benchmarks" canonical: https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/ language: de description: "Muse Glimmer 30B erklärt: Hardwarebedarf, Agenten-Benchmarks, Apache 2.0 und ein Pilotplan für lokale KI-Agenten." image: "https://wavect.io/img/blog/headers/header_muse-glimmer-30b-local-agent-guide.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min Lesezeit · 10. August 2026 Zuletzt geprüft 10. August 2026 [**Weiter**](/de/blog/meta-muse-code-pricing-contributor-tier/) # Muse Glimmer 30B: Ist Metas lokales Agentenmodell produktionsreif? TL;DR Muse Glimmer ist das offene 29,6-Milliarden-Parameter-Modell von Meta Superintelligence Labs für lokale Agenten-Workflows. Es verarbeitet Text und Bilder, bietet laut Meta mindestens 131.072 Kontext-Tokens, wurde mit Daten aus mehr als 100 Sprachen trainiert und steht für kommerzielle sowie wissenschaftliche Nutzung unter Apache 2.0. Meta zielt mit einer 17-GB-Quantisierung auf 24 GB Hardware und mit der weniger komprimierten Dynamic-Quantisierung auf 32 GB. Dabei bleibt Platz für Bild-Encoder, KV-Cache und DFlash-Drafter. In Metas Ergebnissen führt Glimmer gegen Gemma 4 31B und Qwen 3.6 27B bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro, liegt aber bei Terminal-Bench 2.1, OSWorld-Verified und mehreren multimodalen Tests hinter Qwen. Das rechtfertigt einen Pilot für private Einzelplatz-Agenten, Coding, Dokumente und Modellbewertung, aber keine pauschale Produktionsfreigabe. Miss in 20 bis 30 festen Aufgaben Erfolgsquote, Reviewzeit, Spitzenspeicher, Latenz, Tool-Fehler und Prompt-Injection-Resistenz auf deiner eigenen Hardware und in deinem eigenen Scaffold. **Muse Glimmer ist ein Open-Weight-Modell mit 29,6 Milliarden Parametern für lokale KI-Agenten.** Es verbindet Text- und Bildverständnis, Tool-Nutzung, langen Kontext und Fehlerbehebung in einem Modell, das Meta auf Consumer-Hardware mit 24 oder 32 GB ausrichtet. Für Unternehmen ist die Kombination aus permissiver Lizenz, Agenten-Benchmarks und Einzelplatzbetrieb interessant. Dieser Leitfaden beantwortet die Kaufentscheidung: **Sollte dein Produktteam Muse Glimmer für einen privaten lokalen Agenten testen?** Preise der Muse-Spark-API und Trainingsrechte an Kundenprompts gehören nicht hierher. Dafür gibt es unseren getrennten [Leitfaden zu Meta Muse Code und Contributor](/de/blog/meta-muse-code-pricing-contributor-tier/). Die klare Trennung verhindert, dass Hardware- und Datenrechts-Intent miteinander konkurrieren. ## Muse Glimmer 30B im Überblick Meta veröffentlichte Muse Glimmer am 10. August 2026. Die [offizielle Muse-Glimmer-Ankündigung](https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model) beschreibt das aus Muse Spark destillierte Modell für daueraktive Agenten, lokales Coding, Function Calling und LLM-as-a-Judge. Die Gewichte sind verfügbar. Optimierte Integrationen für mehrere Runtimes sollten laut Ankündigung in den folgenden Tagen erscheinen. | Entscheidungsfaktor | Veröffentlichte Angabe | Einordnung für Käufer | | --- | --- | --- | | Modell | 29,6B Dense Transformer mit 1,8B Perception Encoder | Alle Sprachparameter laufen pro Token, deshalb zählt Speicherbandbreite | | Ein- und Ausgabe | Text und Bilder hinein, Text hinaus | Geeignet für Screenshots und Dokumente, nicht für native Audio- oder Videoausgabe | | Kontext | 131.072+ Tokens | Großer Arbeitsbereich, dessen KV-Cache trotzdem Speicher braucht | | Sprachen | Trainingsdaten aus mehr als 100 Sprachen | Abdeckung beweist keine gleichbleibende Qualität in jeder Geschäftssprache | | Wissensstichtag | 4. Januar 2026 | Aktuelle Fakten benötigen Retrieval oder freigegebene Tools | | Lizenz | Apache 2.0 | Kommerzielle Nutzung ist vorgesehen, Pflichten bei Weitergabe bleiben | Metas [Muse-Glimmer-Modellkarte](https://huggingface.co/meta-models/Muse-Glimmer-30B) ist die Primärquelle für Architektur, Hardwareziele, Sampling, Grenzen und die Benchmark-Tabelle. Nutze diese Werte als Startpunkt für einen Pilot, nicht als Ersatz für Tests in deinem Scaffold. ## Welche Hardware braucht Muse Glimmer 30B? Die hilfreiche Antwort lautet nicht „unter 20 GB“. Diese Zahl beschreibt komprimierte Gewichte des Sprachmodells. Ein funktionierender multimodaler Agent benötigt zusätzlich Bild-Encoder, KV-Cache, Runtime-Overhead und optional den DFlash-Drafter. Kontextlänge, parallele Nutzer und Bilder verändern den tatsächlichen Spitzenwert. | Release-Variante | Meta-Ziel | Gemeldete Qualitätsänderung | Praktische Eignung | | --- | --- | --- | --- | | Full Precision | 64 GB VRAM | Referenz | Evaluierungsserver, Fine-Tuning oder maximale Genauigkeit | | K-Quant-Dynamic | 32 GB VRAM oder Unified Memory | 0,2% mittlere Verschlechterung über 15 Benchmarks | Bestes lokales Pilotziel mit ausreichend Reserve | | K-Quant-17GB | 24 GB VRAM oder Unified Memory | 1,0% mittlere Verschlechterung | Einzelplatzpilot mit begrenztem Kontext und kontrollierter Parallelität | Meta meldet auf einer RTX 5090 74,9 Tokens pro Sekunde ohne Spekulation und 233,4 mit DFlash. Beim M4 Max steigt der Wert von 23,7 auf 37,8, beim M5 Max von 26,6 auf 50,2. Diese Messungen mit Batchgröße eins und Greedy Decoding zeigen den Nutzen des Drafter-Modells. Sie sagen wenig über lange Prompts, Tool-Latenz, Bilder oder mehrere Nutzer. **Unsere Kaufregel:** Betrachte 24 GB als validierte Untergrenze, nicht als Garantie für maximalen Kontext auf jedem Gerät. Miss für einen Teamdienst den Spitzenspeicher beim längsten freigegebenen Kontext und mit der geplanten Parallelität. Vergleiche die Betriebskosten vor dem Hardwarekauf mit unserem [Break-even-Leitfaden für lokale Modelle und APIs](/de/blog/local-models-vs-apis-break-even-eu-2026/). ## Wie gut sind die Agenten-Benchmarks von Muse Glimmer? Die Ergebnisse sind stark, aber nicht dominant. Die [offizielle Evaluierungsmethodik](https://research.meta.ai/static/muse-glimmer-methodology) vergleicht Glimmer mit hoher Reasoning-Stärke gegen die Thinking-Modi von Gemma 4 31B und Qwen 3.6 27B. Meta verwendet je nach Benchmark den günstigsten selbst gemeldeten Wert, eine eigene Reproduktion oder Artificial Analysis. Gleichzeitig warnt Meta, dass Tools und Systemprompts nicht speziell für Modelle Dritter optimiert sein müssen. | Benchmark | Muse Glimmer 30B | Gemma 4 31B | Qwen 3.6 27B | Geprüfte Fähigkeit | | --- | --- | --- | --- | --- | | MCP-Atlas | **75,5** | 54,2 | 62,5 | Mehrstufige Nutzung von mehr als 20 MCP-Servern | | DeepSearch QA | **74,6** | 61,7 | 71,1 | Autonome Webrecherche | | SWE-Bench Pro | **51,2** | 36,9 | 50,2 | Schwere Softwareaufgaben in echten Repositories | | Terminal-Bench 2.1 | 51,7 | 43,4 | **60,7** | Terminal- und Systemarbeit | | OSWorld-Verified | 65,9 | 58,5 | **75,6** | Bedienung grafischer Desktop-Oberflächen | | OmniDocBench 1.5 | 75,8 | 72,5 | **77,8** | Verarbeitung komplexer Dokumente | Das Muster ist wichtiger als die Schlagzeile. Glimmer wirkt besonders stark bei Recherche, strukturierten Tool-Aufrufen und Repository-Arbeit. Qwens Vorsprung in Terminal-Bench und OSWorld zeigt, dass Glimmer nicht automatisch der bessere Shell- oder Computer-Agent ist. Auch in SkillsBench liegt Glimmer mit 44,3 knapp hinter Qwen mit 46,6. Prüfe deshalb genau die Skills und Anweisungen deines Produkts. ## Darf Muse Glimmer kommerziell genutzt werden? Meta nennt kommerzielle und wissenschaftliche Anwendungen ausdrücklich als vorgesehene Nutzung. Die Artefakte stehen unter Apache 2.0. Die [Bestimmungen der Apache License 2.0](https://www.apache.org/licenses/LICENSE-2.0) erlauben Nutzung, Änderung und Weitergabe. Bei Weitergabe musst du unter anderem Lizenz, Änderungshinweise und zutreffende Urheber- sowie Zuordnungshinweise erhalten. Markenrechte werden nicht eingeräumt. Das ist eine operative Einordnung und keine Rechtsberatung. Lass Artefakte und Vertriebsmodell bei Bedarf juristisch prüfen. Offene Gewichte machen ein Produktionssystem nicht automatisch privat oder rechtskonform. Ein lokaler Prozess kann Web-, E-Mail-, Kalender-, Shell- oder MCP-Tools aufrufen und Daten versenden. Die Modellkarte nennt außerdem öffentliche Quellen, Daten Dritter und Informationen aus Metas Produkten und Diensten als Trainingsquellen. Du brauchst weiterhin Datenklassifizierung, Tool-Allowlists, Protokollierungsregeln, menschliche Bestätigung für irreversible Schritte und eigene Sicherheitstests. ## Für welche Geschäftsszenarien passt Muse Glimmer? | Szenario | Eignung | Begründung | | --- | --- | --- | | Privater Rechercheagent für eine Person | Starker Pilot | Lokale Ausführung, langer Kontext und Tools passen zum Releaseziel | | Lokaler Coding-Assistent | Starker Pilot | SWE-Bench Pro ist konkurrenzfähig, aber deine Abnahmetests entscheiden | | Screenshot- und Dokumentagent | Vielversprechender Pilot | Native Bildeingabe hilft, Qwen führt aber in einigen veröffentlichten Tests | | Team-Endpunkt mit hoher Parallelität | Kapazitätsprüfung nötig | Batch-eins-Werte beweisen keinen Mehrnutzer-Durchsatz | | Irreversible autonome Aktionen | Nur stark begrenzt | Metas Sicherheitstabelle zeigt erfolgreiche Prompt-Injection-Angriffe | | Assistent für aktuelle Fakten ohne Retrieval | Schlechte Eignung | Der Wissensstichtag liegt im Januar 2026 | Für eine Auswahl über mehrere Modellfamilien nutze unseren [Kaufvergleich offener LLMs](/de/blog/open-weight-llm-comparison-2026/). Bevor das Modell Code ändert oder Tools mit echten Zugangsdaten bedient, arbeite die [Evaluierungs- und Sandbox-Checkliste für KI-Agenten](/de/blog/ai-agent-eval-sandbox-security-checklist/) ab. ## Ein Produktionspilot, der eine Kaufentscheidung ermöglicht 1. **Wähle 20 bis 30 repräsentative Aufgaben.** Decke Alltag, langen Kontext, Bilder, Tool-Fehler, unklare Aufträge und Ablehnungen ab. 2. **Fixiere die Umgebung.** Halte Artefakt, Quantisierung, Runtime-Commit, Kontextlimit, Reasoning-Stärke, Prompt, Tools und Hardware fest. 3. **Miss akzeptierte Ergebnisse.** Erfasse Erfolg im ersten Versuch, Gesamterfolg, Reviewminuten, Regressionen und korrigierte Tool-Aufrufe. 4. **Miss das reale Speicher- und Zeitbudget.** Erfasse Ladezeit, Spitzenverbrauch, Prefill-Latenz, Ausgabegeschwindigkeit und Einbruch bei Parallelität. 5. **Greife das Scaffold an.** Teste indirekte Prompt Injection, manipulierte Dokumente, zu breite Rechte und irreversible Aktionen. 6. **Vergleiche mit gleicher Aufgabe.** Nutze dieselben Tools und Abnahmetests mit einem Hosted Model und einem ähnlichen Open-Weight-Modell. 7. **Berechne Kosten pro akzeptierter Aufgabe.** Zähle Hardware, Strom, Entwicklung, Monitoring, Review und Fehlversuche. Ein bestandener Pilot bedeutet mehr als „das Modell läuft“. Die Quantisierung passt mit Sicherheitsreserve, die Erfolgsquote erfüllt dein Produktziel, der Review bleibt wirtschaftlich und Fehler bleiben kontrollierbar. Wenn eine Bedingung scheitert, bleibt Glimmer in der Forschung oder bekommt einen anderen Workload. ## Häufig gestellte Fragen ### Was ist Muse Glimmer 30B? Muse Glimmer ist Metas Dense-Modell mit 29,6 Milliarden Parametern für lokale Agentenaufgaben. Es verarbeitet Text und Bilder, erzeugt Text, nutzt Tools und langen Kontext und wurde aus Muse Spark destilliert. ### Wie viel Speicher braucht Muse Glimmer? Meta zielt mit K-Quant-17GB auf 24 GB Hardware, mit K-Quant-Dynamic auf 32 GB und mit voller Präzision auf 64 GB VRAM. Der Spitzenwert hängt von Kontext, KV-Cache, Bild-Encoder, Drafter, Runtime und Parallelität ab. ### Läuft Muse Glimmer auf einem Mac? Ja. Meta veröffentlicht Messwerte für M4 Max und M5 Max und zielt mit Quantisierungen auf 24 oder 32 GB Speicher. Teste deine genaue Speicherausstattung und Runtime vor dem Kauf. ### Ist Muse Glimmer Open Source? Meta nennt das Release Open Source und veröffentlicht die Gewichte unter Apache 2.0. Open Weight ist für das konkrete Artefakt präziser, weil nicht der vollständige Trainingscode und Datensatz veröffentlicht wurden. ### Darf ein Unternehmen Muse Glimmer kommerziell nutzen? Meta nennt kommerzielle Nutzung als vorgesehen und veröffentlicht die Artefakte unter Apache 2.0. Bei Weitergabe bleiben Lizenz-, Änderungs- und Zuordnungspflichten sowie Metas Nutzungsregeln und geltendes Recht relevant. ### Ist Muse Glimmer besser als Qwen 3.6 27B? Nicht überall. Meta meldet Glimmer vorn bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro. Qwen führt bei Terminal-Bench 2.1, OSWorld-Verified, SkillsBench und mehreren multimodalen Tests. Entscheide mit identischen Produktionsaufgaben. ## Fazit Muse Glimmer macht ein wichtiges Versprechen konkret: Ein leistungsfähiger multimodaler Agent passt auf eine ernsthafte Workstation, kann Inferenz lokal halten und kommt mit permissiver Lizenz. Die Release-Daten rechtfertigen einen Pilot, aber keine blinde Produktionsfreigabe. Nutze 24 oder 32 GB als validiertes Ziel, fixiere Runtime und Scaffold und miss dann akzeptierte Aufgaben, Reviewzeit, Spitzenverbrauch und sicheres Fehlerverhalten. Gewinnt Glimmer diesen Test, hast du eine belastbare Investitionsgrundlage. Verliert es, weißt du es vor dem Kauf einer Geräteflotte. ## Das könnte dich auch interessieren.. [**Lokale LLMs vs. APIs: das EU-Break-even-Modell** Berechne Hardware, Betrieb und akzeptierte Ergebnisse, bevor du Hosted Models ersetzt.](/de/blog/local-models-vs-apis-break-even-eu-2026/) [**AI Enablement vs. allgemeine KI-Beratung** Vergleiche eine umgesetzte, steuerbare Lösung mit Beratung ohne Lieferung.](/de/compare/ai-enablement-vs-generic-ai-consultancy/) Modelle und Infrastruktur ## In diesem Cluster weiterlesen [Mit dem Grundlagenartikel starten**LLMs in der EU selbst hosten: Wann sich Open Weights wirklich rechnen**](/de/blog/self-hosting-llms-eu-cost/) - [Firecrawl AnyDoc im Test: 14 Formate zu Markdown](/de/blog/firecrawl-anydoc-review/) - [OmniRoute KI-Routing: Setup und Produktions-Checkliste](/de/blog/omniroute-ai-routing-setup/) - [Gemini Robotics 2: Ganzkörpersteuerung und die Pilotentscheidung](/de/blog/gemini-robotics-2-whole-body-control/) - [pdf-inspector im Test: PDFs vor OCR lokal routen](/de/blog/pdf-inspector-ocr-routing/) - [Lokaler multimodaler KI-Coding-Assistent: Sprache, OCR und Datenschutz](/de/blog/local-multimodal-ai-coding-assistant/) Postfach, ohne Lärm ## Folge der Arbeit, die für dich zählt Du bekommst eine kurze E-Mail, wenn wir etwas Neues veröffentlichen. Folge dem ganzen Blog oder nur den Themen, die dich interessieren. [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min Lesezeit · 10. August 2026 Zuletzt geprüft 10. August 2026 [**Weiter**](/de/blog/meta-muse-code-pricing-contributor-tier/) Neue Beiträge per E-Mail × × Neue Beiträge per E-Mail Eine kurze E-Mail, wenn wir etwas veröffentlichen. Kostenlos, ohne Tracking. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/#webpage", "@type": "WebPage", "dateModified": "2026-08-10", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-10", "url": "https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Muse Glimmer ist das offene 29,6-Milliarden-Parameter-Modell von Meta Superintelligence Labs für lokale Agenten-Workflows. Es verarbeitet Text und Bilder, bietet laut Meta mindestens 131.072 Kontext-Tokens, wurde mit Daten aus mehr als 100 Sprachen trainiert und steht für kommerzielle sowie wissenschaftliche Nutzung unter Apache 2.0. Meta zielt mit einer 17-GB-Quantisierung auf 24 GB Hardware und mit der weniger komprimierten Dynamic-Quantisierung auf 32 GB. Dabei bleibt Platz für Bild-Encoder, KV-Cache und DFlash-Drafter. In Metas Ergebnissen führt Glimmer gegen Gemma 4 31B und Qwen 3.6 27B bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro, liegt aber bei Terminal-Bench 2.1, OSWorld-Verified und mehreren multimodalen Tests hinter Qwen. Das rechtfertigt einen Pilot für private Einzelplatz-Agenten, Coding, Dokumente und Modellbewertung, aber keine pauschale Produktionsfreigabe. Miss in 20 bis 30 festen Aufgaben Erfolgsquote, Reviewzeit, Spitzenspeicher, Latenz, Tool-Fehler und Prompt-Injection-Resistenz auf deiner eigenen Hardware und in deinem eigenen Scaffold.", "articleBody": " Blog-Übersicht/AI und Agents/Modelle und Infrastruktur Muse Glimmer 30B: Ist Metas lokales Agentenmodell produktionsreif? TL;DR Muse Glimmer ist das offene 29,6-Milliarden-Parameter-Modell von Meta Superintelligence Labs für lokale Agenten-Workflows. Es verarbeitet Text und Bilder, bietet laut Meta mindestens 131.072 Kontext-Tokens, wurde mit Daten aus mehr als 100 Sprachen trainiert und steht für kommerzielle sowie wissenschaftliche Nutzung unter Apache 2.0. Meta zielt mit einer 17-GB-Quantisierung auf 24 GB Hardware und mit der weniger komprimierten Dynamic-Quantisierung auf 32 GB. Dabei bleibt Platz für Bild-Encoder, KV-Cache und DFlash-Drafter. In Metas Ergebnissen führt Glimmer gegen Gemma 4 31B und Qwen 3.6 27B bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro, liegt aber bei Terminal-Bench 2.1, OSWorld-Verified und mehreren multimodalen Tests hinter Qwen. Das rechtfertigt einen Pilot für private Einzelplatz-Agenten, Coding, Dokumente und Modellbewertung, aber keine pauschale Produktionsfreigabe. Miss in 20 bis 30 festen Aufgaben Erfolgsquote, Reviewzeit, Spitzenspeicher, Latenz, Tool-Fehler und Prompt-Injection-Resistenz auf deiner eigenen Hardware und in deinem eigenen Scaffold. Muse Glimmer ist ein Open-Weight-Modell mit 29,6 Milliarden Parametern für lokale KI-Agenten. Es verbindet Text- und Bildverständnis, Tool-Nutzung, langen Kontext und Fehlerbehebung in einem Modell, das Meta auf Consumer-Hardware mit 24 oder 32 GB ausrichtet. Für Unternehmen ist die Kombination aus permissiver Lizenz, Agenten-Benchmarks und Einzelplatzbetrieb interessant. Dieser Leitfaden beantwortet die Kaufentscheidung: Sollte dein Produktteam Muse Glimmer für einen privaten lokalen Agenten testen? Preise der Muse-Spark-API und Trainingsrechte an Kundenprompts gehören nicht hierher. Dafür gibt es unseren getrennten Leitfaden zu Meta Muse Code und Contributor. Die klare Trennung verhindert, dass Hardware- und Datenrechts-Intent miteinander konkurrieren. Muse Glimmer 30B im Überblick Meta veröffentlichte Muse Glimmer am 10. August 2026. Die offizielle Muse-Glimmer-Ankündigung beschreibt das aus Muse Spark destillierte Modell für daueraktive Agenten, lokales Coding, Function Calling und LLM-as-a-Judge. Die Gewichte sind verfügbar. Optimierte Integrationen für mehrere Runtimes sollten laut Ankündigung in den folgenden Tagen erscheinen. EntscheidungsfaktorVeröffentlichte AngabeEinordnung für Käufer Modell29,6B Dense Transformer mit 1,8B Perception EncoderAlle Sprachparameter laufen pro Token, deshalb zählt Speicherbandbreite Ein- und AusgabeText und Bilder hinein, Text hinausGeeignet für Screenshots und Dokumente, nicht für native Audio- oder Videoausgabe Kontext131.072+ TokensGroßer Arbeitsbereich, dessen KV-Cache trotzdem Speicher braucht SprachenTrainingsdaten aus mehr als 100 SprachenAbdeckung beweist keine gleichbleibende Qualität in jeder Geschäftssprache Wissensstichtag4. Januar 2026Aktuelle Fakten benötigen Retrieval oder freigegebene Tools LizenzApache 2.0Kommerzielle Nutzung ist vorgesehen, Pflichten bei Weitergabe bleiben Metas Muse-Glimmer-Modellkarte ist die Primärquelle für Architektur, Hardwareziele, Sampling, Grenzen und die Benchmark-Tabelle. Nutze diese Werte als Startpunkt für einen Pilot, nicht als Ersatz für Tests in deinem Scaffold. Welche Hardware braucht Muse Glimmer 30B? Die hilfreiche Antwort lautet nicht „unter 20 GB“. Diese Zahl beschreibt komprimierte Gewichte des Sprachmodells. Ein funktionierender multimodaler Agent benötigt zusätzlich Bild-Encoder, KV-Cache, Runtime-Overhead und optional den DFlash-Drafter. Kontextlänge, parallele Nutzer und Bilder verändern den tatsächlichen Spitzenwert. Release-VarianteMeta-ZielGemeldete QualitätsänderungPraktische Eignung Full Precision64 GB VRAMReferenzEvaluierungsserver, Fine-Tuning oder maximale Genauigkeit K-Quant-Dynamic32 GB VRAM oder Unified Memory0,2% mittlere Verschlechterung über 15 BenchmarksBestes lokales Pilotziel mit ausreichend Reserve K-Quant-17GB24 GB VRAM oder Unified Memory1,0% mittlere VerschlechterungEinzelplatzpilot mit begrenztem Kontext und kontrollierter Parallelität Meta meldet auf einer RTX 5090 74,9 Tokens pro Sekunde ohne Spekulation und 233,4 mit DFlash. Beim M4 Max steigt der Wert von 23,7 auf 37,8, beim M5 Max von 26,6 auf 50,2. Diese Messungen mit Batchgröße eins und Greedy Decoding zeigen den Nutzen des Drafter-Modells. Sie sagen wenig über lange Prompts, Tool-Latenz, Bilder oder mehrere Nutzer. Unsere Kaufregel: Betrachte 24 GB als validierte Untergrenze, nicht als Garantie für maximalen Kontext auf jedem Gerät. Miss für einen Teamdienst den Spitzenspeicher beim längsten freigegebenen Kontext und mit der geplanten Parallelität. Vergleiche die Betriebskosten vor dem Hardwarekauf mit unserem Break-even-Leitfaden für lokale Modelle und APIs. Wie gut sind die Agenten-Benchmarks von Muse Glimmer? Die Ergebnisse sind stark, aber nicht dominant. Die offizielle Evaluierungsmethodik vergleicht Glimmer mit hoher Reasoning-Stärke gegen", "articleSection": "Entwicklung", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "offizielle Muse-Glimmer-Ankündigung", "url": "https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model" }, { "@type": "WebPage", "name": "Muse-Glimmer-Modellkarte", "url": "https://huggingface.co/meta-models/Muse-Glimmer-30B" }, { "@type": "WebPage", "name": "offizielle Evaluierungsmethodik", "url": "https://research.meta.ai/static/muse-glimmer-methodology" }, { "@type": "WebPage", "name": "Bestimmungen der Apache License 2.0", "url": "https://www.apache.org/licenses/LICENSE-2.0" } ], "dateModified": "2026-08-10", "datePublished": "2026-08-10", "description": "Muse Glimmer ist das offene 29,6-Milliarden-Parameter-Modell von Meta Superintelligence Labs für lokale Agenten-Workflows. Es verarbeitet Text und Bilder, bietet laut Meta mindestens 131.072 Kontext-Tokens, wurde mit Daten aus mehr als 100 Sprachen trainiert und steht für kommerzielle sowie wissenschaftliche Nutzung unter Apache 2.0. Meta zielt mit einer 17-GB-Quantisierung auf 24 GB Hardware und mit der weniger komprimierten Dynamic-Quantisierung auf 32 GB. Dabei bleibt Platz für Bild-Encoder, KV-Cache und DFlash-Drafter. In Metas Ergebnissen führt Glimmer gegen Gemma 4 31B und Qwen 3.6 27B bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro, liegt aber bei Terminal-Bench 2.1, OSWorld-Verified und mehreren multimodalen Tests hinter Qwen. Das rechtfertigt einen Pilot für private Einzelplatz-Agenten, Coding, Dokumente und Modellbewertung, aber keine pauschale Produktionsfreigabe. Miss in 20 bis 30 festen Aufgaben Erfolgsquote, Reviewzeit, Spitzenspeicher, Latenz, Tool-Fehler und Prompt-Injection-Resistenz auf deiner eigenen Hardware und in deinem eigenen Scaffold.", "headline": "Muse Glimmer 30B: Ist Metas lokales Agentenmodell produktionsreif?", "image": "https://wavect.io/img/blog/headers/header_muse-glimmer-30b-local-agent-guide.svg", "inLanguage": "de", "keywords": "KI-Agenten, Lokale KI", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/", "wordCount": 1669 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/models-infrastructure/", "name": "Modelle und Infrastruktur", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/muse-glimmer-30b-local-agent-guide/", "name": "Muse Glimmer 30B: Hardware und Benchmarks | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Muse Glimmer ist Metas Dense-Modell mit 29,6 Milliarden Parametern für lokale Agentenaufgaben. Es verarbeitet Text und Bilder, erzeugt Text, nutzt Tools und langen Kontext und wurde aus Muse Spark destilliert." }, "name": "Was ist Muse Glimmer 30B?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta zielt mit K-Quant-17GB auf 24 GB Hardware, mit K-Quant-Dynamic auf 32 GB und mit voller Präzision auf 64 GB VRAM. Der Spitzenwert hängt von Kontext, KV-Cache, Bild-Encoder, Drafter, Runtime und Parallelität ab." }, "name": "Wie viel Speicher braucht Muse Glimmer?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ja. Meta veröffentlicht Messwerte für M4 Max und M5 Max und zielt mit Quantisierungen auf 24 oder 32 GB Speicher. Teste deine genaue Speicherausstattung und Runtime vor dem Kauf." }, "name": "Läuft Muse Glimmer auf einem Mac?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta nennt das Release Open Source und veröffentlicht die Gewichte unter Apache 2.0. Open Weight ist für das konkrete Artefakt präziser, weil nicht der vollständige Trainingscode und Datensatz veröffentlicht wurden." }, "name": "Ist Muse Glimmer Open Source?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Meta nennt kommerzielle Nutzung als vorgesehen und veröffentlicht die Artefakte unter Apache 2.0. Bei Weitergabe bleiben Lizenz-, Änderungs- und Zuordnungspflichten sowie Metas Nutzungsregeln und geltendes Recht relevant." }, "name": "Darf ein Unternehmen Muse Glimmer kommerziell nutzen?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nicht überall. Meta meldet Glimmer vorn bei MCP-Atlas, DeepSearch QA und SWE-Bench Pro. Qwen führt bei Terminal-Bench 2.1, OSWorld-Verified, SkillsBench und mehreren multimodalen Tests. Entscheide mit identischen Produktionsaufgaben." }, "name": "Ist Muse Glimmer besser als Qwen 3.6 27B?" } ] } ```