論文の概要: Muse Glimmer 30B: An On-Device Agentic Model

• arxiv url: http://arxiv.org/abs/2610.24628v2
• Date: Tue, 20 Oct 2026 10:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.262677
• Title: Muse Glimmer 30B: An On-Device Agentic Model
• Title（参考訳）: Muse Glimmer 30B: オンデバイスエージェントモデル
• Abstract要約: Muse Glimmerは、知覚エンコーダを備えたオープンソースの30Bパラメータ因果言語モデルである。 Muse Glimmerは、マルチステップ推論、信頼性の高いツール使用、障害復旧を、クラウドインフラストラクチャを必要とせずに、コンシューマデバイス上でローカルに実行される単一のモデルに統合する。
• 参考スコア（独自算出の注目度）: 292.4638603457676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Muse Glimmer, an open-source 30B parameter causal language model with perception encoder, purpose-built for autonomous agentic tasks on consumer hardware. Muse Glimmer integrates multi-step reasoning, reliable tool use and failure recovery into a single model that runs locally on consumer devices without requiring cloud infrastructure. The model accepts text and image inputs and produces text outputs, was trained on data from over a hundred languages, and is quantized to approximately 4-bit precision for efficient single-GPU inference. Muse Glimmer achieves state-of-the-art performance for its size class on agentic benchmarks, setting a new standard compared to the models of its size: Gemma4-31B and Qwen3.6-27B on tool use, multi-step planning, and agentic task completion. We release the model under the Apache 2.0 license to foster open-source development of capable, safe, local AI agents.
• Abstract（参考訳）: 本研究では,消費者ハードウェア上での自律型エージェントタスクのための知覚エンコーダを備えた,オープンソースの30Bパラメータ因果言語モデルであるMuse Glimmerを紹介する。 Muse Glimmerは、マルチステップ推論、信頼性の高いツールの使用、障害復旧を、クラウドインフラストラクチャを必要とせずに、コンシューマデバイス上でローカルに実行される単一のモデルに統合する。 このモデルは、テキスト入力と画像入力を受け入れ、テキスト出力を生成し、100以上の言語からのデータに基づいて訓練され、効率的なシングルGPU推論のために約4ビットの精度で量子化される。 Muse Glimmer はエージェントベンチマークで最先端のパフォーマンスを達成し、Gemma4-31B と Qwen3.6-27B のツール使用、マルチステップ計画、エージェントタスク補完といったサイズモデルと比較して新しい標準を設定する。 私たちは、有能で安全でローカルなAIエージェントのオープンソース開発を促進するために、Apache 2.0ライセンスの下でモデルをリリースしています。

関連論文リスト

• Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
  SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。 SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。 また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
  論文  参考訳（メタデータ） (2026-08-25T13:59:34Z)
• Prime Agent: A Self-Improving RLM Harness [5.540645425386541]
  Prime Agentは、長期評価とコーディングエージェントのためのオープンソースのハーネスである。 ストラテジ構築をモデルに残しながら、実行、リカバリ、検証、リソース会計を標準化する。 Prime AgentはARC-AGI-3 RHAE Best@1を30%から95.5%に引き上げ、ネイティブやポピュラーなハーネスを超えている。
  論文  参考訳（メタデータ） (2026-08-24T17:54:19Z)
• Building a Process-Modeling Tool using Agentic AI: An Experience Report on PM4Py-UCM [1.3660182208844809]
  本稿では,イベントログからユースケースマップ(UCM)モデルをマイニングするオープンソースツールPM4Py-UCMの構築について報告する。 我々は18件のエージェントセッション(374件のヒューマンターンと10,328件のツールアクション65時間)、151件のコミット、20件のリリース、そして108件から691件のテスト機能からなるテストスイートを特徴付ける。 バージョン0.7.4まで、修正は2.3:1よりも数が多い。
  論文  参考訳（メタデータ） (2026-07-30T20:27:32Z)
• MM-ToolSandBox: A Unified Framework for Evaluating Visual Tool-Calling Agents [50.27505102982638]
  本稿では,ツールコールエージェントのベンチマークおよび評価フレームワークであるMM-ToolSandBoxを紹介する。 このフレームワークは16のアプリケーションドメインで500以上のツールにまたがるステートフルな実行環境を提供する。 マルチイメージのマルチターンタスクをサポートしており、エージェントは実行可能ツールコールに徐々に視覚的な入力を入力しなければならない。
  論文  参考訳（メタデータ） (2026-07-13T17:13:09Z)
• Micro Language Models Enable Instant Responses [49.192613030724424]
  スマートウォッチやスマートグラスのようなエッジデバイスは、電力と計算の制約により、最小の100M-1Bパラメータ言語モデルでさえ連続的に動作できない。 マイクロ言語モデル($LMs)を導入し、デバイス上でコンテキスト的にグラウンドされた応答の最初の4-8ワードを即座に生成する。 我々は,70M-256Mクラスの既存モデルに適合するモデルを用いて,有用な言語生成を極端に大規模に維持することを示す。
  論文  参考訳（メタデータ） (2026-04-21T16:31:12Z)
• MICE for CATs: Model-Internal Confidence Estimation for Calibrating Agents with Tools [54.63478102768333]
  十分に校正されたモデル信頼度は、潜在的な行動の報酬に対するリスクを測るために使用することができる。 本稿では,ツール呼び出し時の信頼度を評価するために,モデル内信頼度推定器(MICE)の新たなクラスを提案する。
  論文  参考訳（メタデータ） (2025-04-28T18:06:38Z)
• TinyAgent: Function Calling at the Edge [32.174966522801746]
  本稿では,エッジ上でエージェントシステムを駆動するための関数呼び出しが可能なタスク固有小言語モデルエージェントの訓練とデプロイのためのエンドツーエンドフレームワークを提案する。 駆動アプリケーションとして、テキストや音声入力によるユーザコマンドの実行が可能な、AppleのMacBook用のローカルSiriライクなシステムをデモする。
  論文  参考訳（メタデータ） (2024-09-01T04:23:48Z)
• Muse: Text-To-Image Generation via Masked Generative Transformers [81.23620322077385]
  Museはテキストから画像への変換モデルであり、最先端の画像生成性能を実現する。 Imagen や DALL-E 2 のようなピクセル空間拡散モデルと比較して、Muse は離散トークンを使用するため、はるかに効率的である。 Museはまた、モデルを微調整したり反転したりすることなく、多数の画像編集アプリケーションを直接可能にしている。
  論文  参考訳（メタデータ） (2023-01-02T14:43:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。