Meta's Muse Glimmer: AI-agents die lokaal draaien op jouw GPU

Sophie Jansen · 2026-08-10

Meta heeft zojuist een interessante stap gezet in de wereld van kunstmatige intelligentie. Het bedrijf brengt Muse Glimmer uit onder een Apache 2.0-licentie, waardoor lokale AI-agents nu kunnen draaien op een consumenten-GPU. Dat betekent dat je niet langer afhankelijk bent van dure cloud-infrastructuur voor bepaalde AI-taken. De Superintelligence Labs van Meta heeft de gewichten van dit 30-miljard-parameter model gepubliceerd op Hugging Face. Ontwikkelaars kunnen het model inzetten voor lokale coding, function calling, lokale agents en LLM-as-a-judge evaluaties. Het is een flinke stap richting meer privacy en controle over je eigen AI-systemen. ### Waarom lokale AI-agents belangrijk zijn Het grootste probleem met cloud-gehoste modellen is dat ze constant netwerktoegang nodig hebben en afhankelijk zijn van centrale infrastructuur. Meta speelt hier handig op in met Muse Glimmer. Het model is namelijk ontworpen voor workloads die op het apparaat zelf draaien. Denk aan persoonlijke agents die toegang hebben tot je agenda, berichten, bestanden en andere privécontext. Dit is niet zomaar een marketingterm. Voor bedrijven die werken met gevoelige data is dit een gamechanger. Je houdt alles binnen je eigen omgeving en hoeft geen data naar externe servers te sturen. Dat scheelt niet alleen in kosten, maar ook in zorgen over compliance en privacy. ### Prestaties op agent benchmarks Uit de benchmarktests van Meta blijkt dat Muse Glimmer het beter doet dan concurrenten als Gemma4-31B en Qwen3.6-27B op vijf van de acht algemene agent benchmarks. Zo scoorde het model 75,5 op MCP Atlas, terwijl Gemma4-31B bleef steken op 54,2 en Qwen3.6-27B op 62,5. Ook op DeepSearch QA doet Muse Glimmer het goed met 74,6 punten. Gemma4-31B haalt 61,7 en Qwen3.6-27B komt tot 71,1. Deze benchmarks testen hoe goed een agent binnen een scaffold kan werken en meerstapsverzoeken kan afhandelen. Op τ²-Banking scoort het model 23,5, tegenover 15,1 voor Gemma4-31B en 16,7 voor Qwen3.6-27B. En dan hebben we nog WildClawBench met 47,6 punten en GAIA2 met 43,3. Beide scores liggen duidelijk boven die van de concurrentie. Maar eerlijk is eerlijk: niet alles gaat naar Muse Glimmer. Op GDPval-AA scoort Qwen3.6-27B namelijk 1.141 punten, tegenover 953 voor Muse Glimmer. Ook op OSWorld-Verified is het verschil groot: 75,6 voor Qwen, tegenover 65,9 voor Muse Glimmer. > Belangrijk om te onthouden: deze tests meten gecontroleerde taken. Ze laten niet zien hoe een lokale agent zich gedraagt zodra je hem verbindt met je eigen bestanden, agenda's, berichtensystemen of interne tools. De praktijk kan dus anders uitpakken. ### Coding resultaten: een gemengd beeld Op het gebied van coding laat Muse Glimmer een interessant beeld zien. Het model leidt SWE-Bench Pro met een score van 51,2, tegenover 36,9 voor Gemma4-31B en 50,2 voor Qwen3.6-27B. Op SciCode is het verschil minimaal: 43,6 voor Muse Glimmer, 43,4 voor Gemma4-31B en 39,8 voor Qwen. Maar Qwen3.6-27B neemt wraak op twee andere coding-evaluaties. Het scoort 77,2 op SWE-Bench Verified, terwijl Muse Glimmer blijft steken op 76,0. TerminalBench 2.1 geeft Qwen 60,7 punten, Muse Glimmer komt tot 51,7 en Gemma4-31B tot 43,4. Een lokale coding agent doet meer dan alleen code produceren. Je hebt een scaffold nodig die bepaalt welke repositories, terminals, testomgevingen en commando's het model mag gebruiken. Meta zegt dat Muse Glimmer OpenClaw en andere agent-orchestratiepatronen ondersteunt. In de ontwikkelaarsdocumentatie vind je meer informatie over custom scaffolds. ### Multimodale scores: Qwen wint de meeste tests Muse Glimmer accepteert interleaved tekst en afbeeldingen via een speciale perceptie-encoder. Hierdoor kunnen agents screenshots, grafieken en documenten interpreteren als onderdeel van een gesprek. Op Charxiv Reasoning staat Muse Glimmer bovenaan met 78,8 punten, vlak gevolgd door Gemma4-31B met 77,7 en Qwen3.6-27B met 78,4. Toch wint Qwen op de meeste multimodale tests. ScreenSpot Pro geeft Qwen 76,1 punten, Muse Glimmer 75,4 en Gemma4-31B 75,9. Op OmniDocBench v1.5 scoort Qwen 77,8, tegenover 75,8 voor Muse Glimmer en 72,5 voor Gemma. MMMU Pro laat kleinere verschillen zien, maar ook daar lijkt Qwen licht in het voordeel. ### Wat betekent dit voor jouw organisatie? Als je overweegt om Muse Glimmer in te zetten, is het verstandig om eerst goed na te denken over je use case. Lokale AI-agents bieden duidelijke voordelen op het gebied van privacy en snelheid, maar je moet wel de juiste infrastructuur hebben. Zorg dat je de commando's en repositories definieert die de agent mag gebruiken, voordat je gaat meten of het model succesvol is. Meta heeft ook retry training ingebouwd voor mislukte tool calls. Dat betekent dat het model opnieuw probeert als een actie niet lukt. Je moet hier duidelijke limieten aan stellen, vooral als een tool broncode kan wijzigen of een extern systeem kan aanroepen. Met de juiste aanpak kan Muse Glimmer een waardevolle toevoeging zijn aan je AI-toolbox.