최신 Meta AI 모델을 컴퓨터에서 로컬로 실행할 수 있을 것입니다.

월요일, Meta는 최신 AI 프로토타입 인 Muse Glimmer를 발표했습니다. 하지만 Meta는 이를 자사 제품 중 가장 크고 최고의 제품이라고 적극적으로 홍보하지는 않습니다. Meta는 Muse Glimmer의 성능 잠재력에 대해 많이 언급하지만, 회사의 관점에서 핵심 마케팅 포인트는 두 가지입니다. 바로 오픈 소스 설계와 일반 소비자용 Mac 및 PC에서 네이티브로 실행되도록 설계되었다는 점입니다. 단, 사용자의 특정 기기에서는 작동하지 않을 수도 있습니다.

뮤즈 글리머란 무엇인가요?

Meta에 따르면 Muse Glimmer는 30억 개의 매개변수를 가진 AI 모델로, 상시 작동하는 로컬 에이전트 워크플로에 최적화되어 있습니다. 즉, Glimmer는 클라우드 처리에 의존하지 않고 사용자의 기기에서 자율적으로 직접 실행되도록 설계되었습니다. 로컬 AI는 데이터가 시스템 내에 유지되므로 클라우드 AI보다 훨씬 안전합니다. 클라우드 서버를 사용하는 경우, 해당 네트워크를 소유한 회사의 정책에 따라 데이터가 유출될 위험이 있습니다.

Muse Glimmer와 같은 모델은 다양한 활용 사례가 있지만, Meta는 에이전트형 AI 활용에 초점을 맞추고 있습니다. AI 에이전트는 사용자를 대신하여 작업을 수행할 수 있으며, 사용자와 개발자가 에이전트에게 다양한 기능을 요청할 수 있기 때문에 그 인기가 점점 높아지고 있습니다. OpenClaw 사태에서 볼 수 있듯이 로컬 환경에서 에이전트를 실행하는 것도 매우 일반적이지만, 가장 까다로운 모델을 실행하려면 강력한 하드웨어가 필요합니다. 노트북을 사용하는 경우 AI 에이전트를 실행할 성능이 부족할 수 있습니다.

이는 Meta의 프레젠테이션 일부입니다. Meta는 Muse Glimmer가 제한된 하드웨어 성능과 균형을 이루도록 훈련되었다고 밝혔습니다. 이를 위해 Muse Glimmer는 세 단계의 훈련 과정을 거쳤습니다. 첫 번째는 Muse Spark 출력 데이터를 사용한 사전 훈련, 두 번째는 에이전트 중심 데이터를 사용한 중간 훈련, 세 번째는 여러 매개변수를 미세 조정하는 사후 훈련입니다. Meta에 따르면 Muse Glimmer는 엔드투엔드 에이전트 완료, 다단계 추론, 도구 호출 실패 시 복구, 다중 모델 입력 및 추론 등 다양한 기능을 처리할 수 있습니다. 또한 100개 이상의 언어 데이터로 훈련되었습니다. Meta는 Muse Glimmer가 많은 표준 대규모 언어 모델(LLM) 벤치마크와 비교했을 때 동급 모델 중 우수한 성능을 제공한다고 덧붙였습니다.

출처: 메타

Muse Glimmer는 다른 모델만큼 높은 사양을 요구하지는 않지만, 일반적인 노트북에서는 효율적으로 실행되지 않을 가능성이 높습니다. Meta에 따르면 30억 개의 파라미터를 가진 모델은 일반적으로 55GB 이상의 메모리를 필요로 하지만, 양자화 기술 덕분에 Muse Glimmer는 20GB 미만의 메모리만 사용할 수 있습니다. 작업 메모리를 고려하면 Muse Glimmer는 24GB 또는 32GB의 메모리를 사용할 것으로 예상됩니다. MacBook Pro나 전문가용 PC를 사용한다면 충분할 수 있지만, 저처럼 노트북에 16GB 이하의 RAM만 탑재한 경우라면 Muse Glimmer에 필요한 용량에는 미치지 못할 것입니다. 그럼에도 불구하고 네이티브 AI를 활용하는 데 있어 중요한 진전입니다. (참고로 Meta는 RTX-5090 GPU가 탑재된 MacBook M4 Max 및 M5 Max 모델에서 Muse Glimmer를 테스트했다고 밝혔습니다.)

Meta는 Muse Glimmer가 "오픈 소스"라고 밝혔습니다. 즉, Meta가 모델의 학습 가중치를 공개했다는 뜻입니다. 따라서 누구나 모델을 사용할 수 있을 뿐만 아니라 수정할 수도 있습니다. AI 모델에 대한 특정 요구 사항이 있는 경우 Muse Glimmer를 수정하여 필요에 맞게 조정할 수 있습니다.

Muse Glimmer는 다른 AI 모델과 비교했을 때 어떤 차이가 있나요?

현재 시중에는 다양한 AI 모델이 있지만, Meta는 Google의 Gemma4-31b와 Alibaba 의 Qwen3.6-27B, 이렇게 두 모델만 직접 비교합니다. Meta의 벤치마크 결과에 따르면 Muse Glimmer는 MCP Atlas, DeepSearch QA, v³-banking, WildClawBench, GAIA2, SWE-Bench Pro, Sci Code, Charxiv Reasoning, IFBench, AIME 2026, AA-LCR, Beam 128K 등 12개 테스트에서 두 모델 모두를 능가하는 성능을 보였습니다. Gemma4-31b는 여전히 4개 벤치마크에서 우위를 점하고 있으며, Qwen3.6-27B는 8개 벤치마크에서 뛰어난 성능을 나타냈습니다.

Meta는 OpenAI, DeepSeek, Z.ai, Moonshot AI와 같은 업계 선두 기업의 모델과 유사한 비교 자료를 제공하지 않았습니다. 하지만 Artificial Analysis는 현재 시중에 나와 있는 모든 오픈웨이트 모델의 순위를 제공합니다 . 이 글을 쓰는 시점에서 Muse Glimmer(고성능 버전)는 18위를 기록했습니다. Moonshot AI의 Kimi K3(최대 버전)가 1위, Z.ai의 GLM-5.2(최대 버전)가 2위, DeepSeek의 V4 Flash(최대 버전)가 3위, Kimi K3(저성능 버전)가 4위를 차지했습니다. 비교하자면 Gemma4-31b는 32위, Qwen3.6-27B는 17위입니다. 여러 변수가 작용하지만, 이 순위를 통해 Meta의 최신 모델들이 경쟁 제품들 사이에서 어느 정도 수준인지 빠르게 파악할 수 있습니다.

Muse Glimmer를 사용해 보는 방법

Hugging Face에서 웨이트를 다운로드하여 지금 바로 Muse Glimmer를 사용해 볼 수 있습니다 . Meta에 따르면 이 모델은 조만간 Ollama, LM Studio, Unsloth와 같은 앱을 통해서도 이용 가능할 예정입니다.