Meta's Muse Glimmer: Lokale AI-agenten draaien nu op jouw GPU

Sophie Jansen · 2026-08-10

Meta heeft zojuist een interessante stap gezet voor iedereen die met AI-agenten werkt. Het bedrijf brengt Muse Glimmer uit onder een Apache 2.0-licentie. Dat betekent dat je dit 30-miljard-parameter model lokaal kunt draaien op een consumenten-GPU. Geen cloud, geen centrale infrastructuur, maar gewoon op je eigen machine. De gewichten van het model staan inmiddels op Hugging Face. Volgens Meta kun je Muse Glimmer gebruiken voor lokale coding, function calling, lokale agenten en LLM-as-a-judge evaluaties. Voor teams die met privacygevoelige data werken, is dit een flinke verandering. ### Waarom dit belangrijk is voor AI-teams Cloud-gebaseerde modellen hebben altijd netwerktoegang nodig. Dat klinkt logisch, maar het brengt ook beperkingen met zich mee. Denk aan latency, afhankelijkheid van externe servers en het delen van vertrouwelijke informatie met een derde partij. Meta speelt hier handig op in. Muse Glimmer is bedoeld voor workloads die op het apparaat zelf draaien. Denk aan persoonlijke agenten die toegang hebben tot je agenda, berichten, bestanden en andere privécontext. Die data hoeft je apparaat dan nooit te verlaten. ### De prestaties op agent-benchmarks De benchmarkresultaten zijn interessant, maar niet eenduidig. Muse Glimmer verslaat Gemma4-31B en Qwen3.6-27B op vijf van de acht algemene agent-benchmarks. Zo scoort het model 75,5 op MCP Atlas, tegenover 54,2 voor Gemma en 62,5 voor Qwen. Op DeepSearch QA doet Muse Glimmer het ook goed met 74,6 punten. Gemma blijft steken op 61,7 en Qwen haalt 71,1. Beide benchmarks testen hoe goed een agent binnen een scaffold kan werken en meerstapsverzoeken kan afhandelen. Toch is niet alles rozengeur en maneschijn. Op OSWorld-Verified is het gat groot. Qwen3.6-27B scoort daar 75,6, terwijl Muse Glimmer op 65,9 blijft steken. Gemma doet het met 58,5 nog minder. Belangrijk om te onthouden: dit zijn gecontroleerde tests. Ze laten niet zien hoe een lokale agent zich gedraagt zodra je hem verbindt met je eigen bestanden, agenda's, chatsystemen of interne tools. Daar komt pas echt ervaring bij kijken. ### Coding: waar ligt de kracht? Voor softwareontwikkeling zijn de resultaten verdeeld. Muse Glimmer wint op SWE-Bench Pro met een score van 51,2. Gemma haalt 36,9 en Qwen komt dichtbij met 50,2. Op SciCode is het verschil minimaal: 43,6 tegen 43,4 voor Gemma. Maar Qwen neemt revanche op SWE-Bench Verified met 77,2 punten. Muse Glimmer blijft daar steken op 76,0. TerminalBench 2.1 is nog duidelijker: Qwen scoort 60,7, Muse Glimmer 51,7 en Gemma 43,4. Een lokale coding agent doet meer dan alleen code produceren. Hij heeft een scaffold nodig die bepaalt welke repositories, terminals, testomgevingen en commando's het model mag aanraken. Meta zegt dat Muse Glimmer OpenClaw en andere agent-orchestratiepatronen ondersteunt. Voor aangepaste scaffolds verwijst het bedrijf naar de ontwikkelaarsdocumentatie. ### Multimodaal: tekst en beeld combineren Muse Glimmer kan interleaved tekst en afbeeldingen verwerken via een speciale perceptie-encoder. Daarmee kunnen agenten screenshots, grafieken en documenten interpreteren als onderdeel van een gesprek. Op Charxiv Reasoning doet Muse Glimmer het uitstekend met 78,8 punten. Gemma scoort 77,7 en Qwen 78,4. Maar op ScreenSpot Pro is Qwen de winnaar met 76,1. Muse Glimmer haalt 75,4 en Gemma 75,9. Ook op OmniDocBench v1.5 gaat Qwen aan kop met 77,8, tegen 75,8 voor Muse Glimmer. ### Wat betekent dit voor jouw organisatie? Voordat je Muse Glimmer in je stack opneemt, zijn er een paar dingen om over na te denken: - Welke commando's en repositories mag je agent gebruiken? Bepaal dit vóórdat je prestaties gaat meten. - Het model heeft retry-training voor mislukte toolcalls. Dat betekent dat je limieten moet instellen voor herhaalpogingen, vooral als een tool broncode kan wijzigen of externe systemen kan aanroepen. - Test met je eigen data. Benchmarks zijn een startpunt, geen eindpunt. Meta heeft met Muse Glimmer een interessante optie neergezet voor lokale AI-agenten. Het is geen alleswinnaar, maar op specifieke taken doet het zeker mee. Vooral als privacy en onafhankelijkheid van de cloud belangrijk zijn, is dit een model om in de gaten te houden.