Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com11. August 2026 · Q011224

Meta’s Muse Glimmer: The 30B Open-Weight AI Model Built for Always-On Local AI Agents

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Muse Glimmer als quantisiertes, offenes 30B-Modell für lokale multimodale Agenten vor und schreibt DFlash deutliche Geschwindigkeitsgewinne auf ausgewählter RTX- und Mac-Hardware zu. Die Messungen sind laut Text wegen unterschiedlicher Laufzeitumgebungen nicht allgemein übertragbar; zudem belegt der Beitrag die beschriebenen Agentenfähigkeiten nicht umfassend und betont den zusätzlichen Speicherbedarf langer Kontexte.

Mittel

Der Beitrag beschreibt Muse Glimmer als offenes multimodales Modell mit rund 30 Milliarden Parametern, das lokale, dauerhaft verfügbare KI-Agenten ermöglichen soll. Quantisierung reduziere den Gewichtsbedarf laut Text auf ungefähr 17 GB; zusätzlicher Speicher für KV-Cache und Laufzeit komme hinzu. DFlash beschleunige die Ausgabe, indem ein kleines Modell mehrere Tokens vorschlägt und das große Modell sie prüft.

Die angeführten Messwerte zeigen laut Bericht auf einer RTX 5090 einen Anstieg von 74,9 auf 233,4 Tokens pro Sekunde (etwa 3,1-fach). Auf MacBook M4 Max und M5 Max seien es 1,5- beziehungsweise 1,8-fache Raten. Gemessen wurde mit Batchgröße 1 und Greedy Decoding; die Plattformen nutzten unterschiedliche Laufzeitumgebungen, weshalb die Werte nicht allgemein übertragbar seien.

Das Modell verarbeite auch Bilder und habe standardmäßig ein Kontextfenster von 128.000 Tokens. Der Autor sieht darin Potenzial für mehrstufige lokale Aufgaben, weist aber darauf hin, dass lange Kontexte Speicher und Leistung beanspruchen. Die behaupteten Agentenfähigkeiten werden nicht durch umfassende Alltagstests belegt. Laut Beitrag stehen die Gewichte unter Apache 2.0.

Ausführlich lesen

Der Bericht stellt Muse Glimmer als ein offenes multimodales Modell mit rund 30 Milliarden Parametern vor, das für dauerhaft laufende lokale KI-Agenten gedacht sei. Seine zentrale These: Durch Quantisierung und spekulatives Decoding könne ein großes Modell auch auf leistungsfähiger Consumer-Hardware praktisch nutzbar werden. Als mögliche Vorteile lokaler Ausführung nennt der Autor weniger Abhängigkeit vom Netzwerk, potenziell geringere Latenz und mehr Kontrolle über Daten. Das sind Erwartungen des Beitrags, keine dort nachgewiesenen allgemeinen Eigenschaften lokaler Systeme.

Für den Speicherbedarf nennt der Text grobe Richtwerte: etwa 60 GB für FP16-, 30 GB für INT8- und 15 GB für INT4-Gewichte. Der beschriebene Modellstand passe quantisiert in ungefähr 17 GB. Diese Werte umfassen laut Bericht weder den zusätzlichen Speicher für KV-Cache und Laufzeit noch die Folgen langer Eingabekontexte.

Zur Beschleunigung verwende Muse Glimmer DFlash, ein kleineres Entwurfsmodell für spekulatives Decoding: Es schlägt mehrere kommende Tokens vor, die das größere Modell prüft und gegebenenfalls gemeinsam übernimmt. Angeführte Messwerte für K-Quant-17GB lauten: Auf einer RTX 5090 steigt die Rate laut Veröffentlichung von 74,9 auf 233,4 Tokens pro Sekunde, also etwa auf das 3,1-Fache. Für ein MacBook M4 Max werden 23,7 gegenüber 37,8 Tokens pro Sekunde (1,5-fach), für ein M5 Max 26,6 gegenüber 50,2 (1,8-fach) genannt. Gemessen worden sei mit Batchgröße 1 und Greedy Decoding. Die Mac-Werte stammen aus ExecuTorch, die RTX-Werte aus llama.cpp; der Bericht warnt deshalb, diese Ergebnisse nicht als allgemeingültige Benchmarks zu behandeln.

Als Agentenmodell solle Glimmer mehrstufige Aufgaben aus einer natürlichsprachlichen Eingabe bearbeiten können, etwa ein Projekt untersuchen, Fehler suchen, Code ändern und die Lösung prüfen. Das sind im Artikel beschriebene Einsatzmöglichkeiten, kein dokumentierter Nachweis, dass diese Schritte zuverlässig gelingen. Für Bilder nennt der Text einen etwa 1,8 Milliarden Parameter großen Wahrnehmungsencoder auf ViT-G/14-Basis. Die Architektur des Sprachmodells wird mit rund 29,6 Milliarden Parametern, 52 Schichten, 6.656 verborgenen Dimensionen und wechselnden lokalen und globalen Aufmerksamkeitslagen skizziert. Das Kontextfenster betrage standardmäßig 128.000 Tokens und unterstütze mehr als 131.072 Tokens; ein großes Kontextfenster bedeute jedoch weder kostenlosen Speicher noch folgenlose Verarbeitung langer Kontexte.

Laut Beitrag werden die Gewichte unter Apache 2.0 veröffentlicht. Insgesamt bewertet der Autor die Kombination aus Quantisierung, DFlash, Bildverarbeitung, großem Kontext und lokaler Ausführung als vielversprechend für persönliche Agenten. Der Bericht liefert dafür einzelne Leistungsmessungen und Architekturangaben, aber keine umfassende, vergleichende Prüfung auf unterschiedlichen Geräten oder einen Beleg für zuverlässige Agentenarbeit im Alltag.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassungen (kurz und mittel) sind inhaltlich korrekt, Zahlen und Lizenz stimmen, es gibt keine erfundenen Angaben; fehlend sind vor allem die Datenschutz-Kernaussage, die Architekturdetails und die Einordnung als Blogbeitrag. Die Einordnung umfasst alle sechs angegebenen Fragen, also drei Sammelfragen und drei Teilfragen, in der Reihenfolge der Vorlage, und bewertet nur den Bericht, nicht Lunas Stufen.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kernbehauptung, dass lokale Ausführung ohne Cloud-API und ohne Weitergabe von Prompts und Dateien an Dritte erfolgt
  • Das Wahrnehmungsmodul mit rund 1,8 Mrd. Parametern (ViT-G/14) als Teil der Multimodalität
  • Die beschriebene Architektur (52 Schichten, abwechselnd lokale und globale Aufmerksamkeit)
  • Der Hinweis, dass der Beitrag ein Medium-Blogpost ist und die Messwerte nur als „berichtet“ gelten

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 35 %gleiches Oberthema, hilft nicht
    • Luna 44 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 74 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 46 %Hintergrund, keine Belege
    • JEV 35 %einzelne zitierbare Belege
    • amos 27 %nur am Rande erwähnt
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 35 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 33 %nur am Rande erwähnt
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht

  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 38 %gleiches Oberthema, hilft nicht
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 23 %nur am Rande erwähnt
    • Luna 71 %einzelne zitierbare Belege
    • JEV 63 %einzelne zitierbare Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 32 %nur am Rande erwähnt
    • d3-ultra 38 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-H2-T01 Was unterscheidet das Veröffentlichen von Modellgewichten (den gelernten Parametern) oder von Agentenwerkzeugen mit offenem Quellcode vom Freisetzen einer Waffe: die Absicht des Akteurs, die Selbstständigkeit des Modells, seine Verwendung oder der Schaden, den es von sich aus anrichten kann? Und können Staaten diese Grenze gemeinsam festschreiben, bevor ein offenes Modell im Mittelpunkt eines schweren Vorfalls steht? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 54 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 47 %einzelne zitierbare Belege
    • JEV 32 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →