Möglicherweise können Sie das neueste Meta AI-Modell lokal auf Ihrem Computer ausführen.

Am Montag kündigte Meta seinen neuesten KI-Prototyp an : Muse Glimmer. Das Unternehmen bewirbt ihn jedoch nicht unbedingt als seinen bisher größten und besten. Obwohl Meta viel über das Leistungspotenzial von Muse Glimmer spricht, gibt es aus Unternehmenssicht zwei zentrale Marketingargumente: seine Open-Wave-Architektur und sein Design, das für die native Ausführung auf handelsüblichen Macs und PCs ausgelegt ist – wobei die Kompatibilität mit Ihrem Gerät möglicherweise nicht gegeben ist.

Was ist Muse Glimmer?

Laut Meta ist Muse Glimmer ein KI-Modell mit 30 Milliarden Parametern, optimiert für den permanenten Betrieb lokaler Agenten-Workflows. Glimmer ist also so konzipiert, dass es autonom und direkt auf Ihrem Gerät läuft, anstatt auf Cloud-Verarbeitung angewiesen zu sein. Lokale KI ist deutlich sicherer als Cloud-KI, da Ihre Daten innerhalb Ihres Systems verbleiben. Bei der Nutzung von Cloud-Servern sind Sie dem Unternehmen, dem das Netzwerk gehört, ausgeliefert, wodurch Ihre Daten gefährdet sein könnten.

Obwohl es viele Anwendungsfälle für Modelle wie Muse Glimmer gibt, konzentriert sich Meta auf den Einsatz agentenbasierter KI. KI-Agenten können Aufgaben in Ihrem Namen ausführen, und ihre Beliebtheit wächst, da Benutzer und Entwickler ihren Agenten beliebig viele Funktionen zuweisen können. Auch das lokale Ausführen von Agenten ist sehr beliebt, wie das berüchtigte Jahr von OpenClaw beweist, doch die anspruchsvollsten Modelle benötigen leistungsstarke Hardware. Wenn Sie mit einem Laptop arbeiten, verfügen Sie möglicherweise nicht über die nötige Leistung, um KI-Agenten auszuführen.

Dies ist ein Auszug aus der Präsentation von Meta. Das Unternehmen erklärt, Muse Glimmer sei so trainiert worden, dass es trotz begrenzter Hardwarekapazitäten ein optimales Verhältnis zwischen Leistung und Performance bietet. Meta führt aus, dass Muse Glimmer drei Trainingsphasen durchlaufen habe: Vortraining mit Daten aus Muse Spark, mittleres Training mit agentenorientierteren Daten und Nachtraining zur Feinabstimmung verschiedener Parameter. Laut Meta kann Muse Glimmer unter anderem die vollständige Agentenausführung, mehrstufige Inferenz, die Wiederherstellung nach fehlgeschlagenen Tool-Aufrufen sowie die Verarbeitung mehrerer Modelle für Eingaben und Inferenz bewältigen. Es wurde außerdem mit Daten aus über 100 Sprachen trainiert. Das Unternehmen ergänzt, dass das Modell im Vergleich zu vielen Standard-Benchmarks für große Sprachmodelle (LLM) eine starke Performance in seiner Größenklasse erzielt.

Quelle: Meta

Obwohl Muse Glimmer nicht so anspruchsvoll ist wie andere Modelle, läuft es auf einem typischen Laptop wahrscheinlich nicht flüssig. Laut Meta benötigt ein Modell mit 30 Milliarden Parametern normalerweise mehr als 55 GB Arbeitsspeicher, dank Quantisierungstechniken kommt Muse Glimmer jedoch mit weniger als 20 GB aus. Unter Berücksichtigung des Arbeitsspeichers dürfte Muse Glimmer 24 GB oder 32 GB benötigen. Für ein MacBook Pro oder einen professionellen PC mag das völlig ausreichen. Wenn Sie aber wie ich einen Laptop mit 16 GB RAM oder weniger besitzen – nicht ganz das, was Muse Glimmer benötigt –, ist es dennoch ein Schritt nach vorn für die Nutzung nativer KI. (Zur Verdeutlichung: Meta testete Muse Glimmer auf MacBook M4 Max- und M5 Max-Modellen mit einer RTX-5090-GPU.)

Meta gibt an, dass Muse Glimmer „offen“ ist, was bedeutet, dass Meta die Trainingsgewichte des Modells veröffentlicht hat. Daher kann jeder das Modell nicht nur nutzen, sondern auch modifizieren. Wenn Sie spezielle Anforderungen an Ihr KI-Modell haben, können Sie Muse Glimmer entsprechend anpassen.

Wie schneidet Muse Glimmer im Vergleich zu anderen KI-Modellen ab?

Viele KI-Modelle sind derzeit auf dem Markt erhältlich , Meta vergleicht sie jedoch nur direkt mit zweien: Googles Gemma4-31b und Alibabas Qwen3.6-27B . Laut Metas Benchmarks übertrifft Muse Glimmer beide Modelle in den folgenden zwölf Tests: MCP Atlas, DeepSearch QA, v³-Banking, WildClawBench, GAIA2, SWE-Bench Pro, Sci Code, Charxiv Reasoning, IFBench, AIME 2026, AA-LCR und Beam 128K. Gemma4-31b führt weiterhin in vier dieser Benchmarks, während Qwen3.6-27B in acht Benchmarks herausragende Ergebnisse erzielt.

Meta hat keine vergleichbaren Modelle von Branchenführern wie OpenAI, DeepSeek, Z.ai oder Moonshot AI herangezogen. Artificial Analysis bietet jedoch ein Ranking aller aktuell auf dem Markt erhältlichen Open-Weight-Modelle an . Zum Zeitpunkt der Veröffentlichung dieses Artikels belegt der Muse Glimmer (Hochleistungsversion) Platz 18. Moonshot AIs Kimi K3 (Maximum-Version) führt die Liste an, gefolgt von Z.ais GLM-5.2 (Maximum-Version) auf Platz zwei, DeepSeeks V4 Flash (Maximum-Version) auf Platz drei und dem Kimi K3 (Low-Version) auf Platz vier. Zum Vergleich: Der Gemma4-31b belegt Platz 32, während der Qwen3.6-27B auf Platz 17 rangiert. Es spielen viele Faktoren eine Rolle, aber dieses Ranking bietet einen schnellen Überblick darüber, wie Metas neueste Modelle im Vergleich zur Konkurrenz abschneiden.

So probieren Sie Muse Glimmer aus

Sie können Muse Glimmer jetzt ausprobieren, indem Sie die Gewichte von Hugging Face herunterladen . Meta gibt an, dass das Modell in den kommenden Tagen über Apps wie Ollama, LM Studio und Unsloth verfügbar sein wird.