MetaがMuse Glimmerを発表：ローカル、エージェント型、マルチモーダル、オープンソースのAIモデル

Metaは、オープンソースの30BパラメータのマルチモーダルモデルであるMuse Glimmerを発表しました。transformers、llama.cpp、vLLMなどのライブラリで初日からサポートされています。このアーキテクチャは、視覚用の2B ViTスタイルの知覚エンコーダと、28Bのテキストデコーダを組み合わせており、スライディングウィンドウとフルアテンション層を持つハイブリッドアテンション、KVキャッシュメモリを削減するためのゲート付きグループクエリアテンション、Q-K正規化を採用しています。また、生成を高速化するためのオプションの投機的デコーディングドラフターも含まれており、特にコーディングに適しています。ベンチマーク結果では、MCP Atlas、DeepSearch QA、SWE-Benchなどのタスクで強力なエージェント性能を示し、マルチモーダル機能も備えています。モデルはHugging Face Hubで利用可能であり、テキストのみの推論、マルチモーダルツール呼び出し、オブジェクト検出、transformersとllama.cppを使用したビデオ推論の統合例が提供されています。