オープンソースLLMとオープンウェイト：商用利用と運用をどう判断するか

オープンソースLLMを検討する企業にとって、オープンウェイトモデルは、ライセンスで認められた範囲でモデルを自ら管理し、実行・調整する選択肢になります。Metaが2026年10月15日に公開したMuse Spark Openも、米国発の新たな事例です。重みをダウンロードできれば、デプロイ先を選べます。ただし、それだけでコストが下がるわけでも、商用利用が無制限に認められるわけでもありません。

自社で運用する理由が、具体的な管理要件や実測したワークロードによって裏付けられるまでは、APIから始めるのが基本です。 APIは、ソフトウェアがサービスに処理を依頼するためのインターフェースです。その先でオープンウェイトモデルが動いている場合もあります。まずホスティングサービスでモデルを評価し、デプロイを自社で担うだけの価値があるかを判断できます。

オープンウェイトモデルとは何ですか？

オープンウェイトモデルでは、モデルが回答を生成するための、学習済みの数値パラメータを入手できます。 このパラメータが「重み」です。対応するソフトウェアと十分なハードウェアがあれば、重みを読み込んで推論を実行できます。推論とは、入力から応答を生成する処理です。一方、元の学習データや学習コードは公開されていないこともあります。Stanford HAIの定義も、この違いを明示しています。

苗木業者から、育った木を譲り受ける場面を考えてみてください。自分の温室に移して、手入れすることはできます。ただし、その木が育つまでの栽培記録や育成方法まで、すべて受け取ったとは限りません。ダウンロードできるモデルは、学習を終えた成果物です。元の学習過程を再現するには、別の取り組みが必要です。

運用担当者がまず得られるのは、特定のモデルをどこで動かすかを選べることです。ライセンスによっては、モデルの変更、業務の事例を使ったファインチューニング、派生モデルの配布も認められます。ファインチューニングは、追加の学習によってモデルの振る舞いを変える手法です。プロンプトに文書を添付することとは異なります。

仕入先の文書を扱う社内アシスタントを例にすると、重みの公開によって、推論サービスを自社インフラ内に置き、特定のモデルバージョンを使い続けられる可能性があります。しかし、文書のアクセス権限、検索システム、ユーザーインターフェース、エラー処理のワークフローまで付いてくるわけではありません。これらは別途、構築するか調達する必要があります。

オープンウェイトとクローズドウェイトは何が違いますか？

違いは、重みを入手して自分で運用できるかどうかです。 クローズドウェイトのサービスでは、提供元の規約に従ってインターフェースを利用します。そのチェックポイントを別のサーバーへ持ち出すことはできません。オープンウェイトとして公開されたモデルなら、ライセンスの範囲内で、対応する別の環境にデプロイできます。

ここでは、混同されがちな問いを分ける必要があります。重みを誰が持てるのか。そして、自分が使うエンドポイントを誰が運用するのか。 ホスト型APIはアクセス方法の一つです。APIを使っているというだけでは、その背後のモデルがオープンかクローズドかは分かりません。

アプリケーションを別のホストへ移す場合にも作業は必要です。プロンプトの形式、対応ツール、画像などの入力、出力の解析方法、配信設定は異なることがあります。重みを入手できれば元の提供元以外の選択肢を持てますが、すべてのエンドポイントをそのまま置き換えられるわけではありません。

オープンソースLLMとオープンウェイトは何が違うのですか？

ダウンロードリンクがあることは、重みにアクセスできる証拠にはなりますが、AIシステム全体がオープンソースである証拠にはなりません。 チェックポイントに広く知られたソフトウェアライセンスが適用されていれば、利用権限を判断する材料になります。ただし、学習過程の透明性は別の問題です。

Open Source InitiativeのOpen Source AI Definitionは、利用・研究・変更・共有の自由に加えて、変更に必要な材料を求めています。具体的には、パラメータ、システムの学習と実行に用いるコード、学習データに関する十分に詳しい情報です。

ここには注意点があります。この定義は、元の学習データをすべて公開してダウンロード可能にすることだけを求めているわけではありません。共有できないデータも含めたデータの情報や、入手可能なデータセットの所在を定めています。「オープンソースなら、すべてのデータセットが公開されている」という理解では、基準を単純化しすぎています。

調達時には、次の観点を分けて確認してください。

• 入手可能性： デプロイしたい保存済みモデル、つまり正確なチェックポイントを入手できますか？
• 利用権限： ライセンスは、社内利用、顧客向け製品への組み込み、再配布、モデルのホスティング事業を認めていますか？
• 透明性： 検証や再現に使えるコード、データに関する情報、学習の成果物は何ですか？
• 運用： 選んだインフラで、許容できる結果と応答時間を実現できますか？

請求書の分類モデルを導入する企業が主に必要とするのは、商用利用の許可と、管理下に置ける実行環境かもしれません。一方、学習の再現を目指す研究グループには、さらに多くの材料が必要です。どちらも「オープン」という言葉だけで、相手側の要件まで満たされると考えるべきではありません。

オープンウェイトモデルのライセンスは何を認めていますか？

利用権限は、個々のリリースに付随するものです。Meta、OpenAI、DeepSeek、Qwen、Mistral、NVIDIAという開発元全体に一律の条件があるわけではありません。 以下の事例では、企業が把握すべき違いを説明します。モデルのランキングではありません。

確認日：2026年10月16日。 本節でリンクしている開発元のモデルカード、リリースページ、ライセンス本文を確認しています。以下の表はそれらの文書の比較であり、モデルを実際に動かした評価ではありません。Mistral Small 4については、開発元のモデルカードでApache 2.0の適用を確認し、条件はApacheのライセンス原文を参照しています。

Meta Muse Spark Open：商用利用の条件は事業内容で変わります

Metaは2026年10月15日にMuse Spark Openを公開しました。ダウンロード可能な重みを持つ、米国で開発された新たなモデルです。 Metaはこれを、コーディングやエージェント型の作業に対応するマルチモーダルモデルと説明しています。エージェント型の作業とは、モデルが複数の段階にわたってツールを使うワークフローです。リリース発表では、重みのダウンロード先とAPIホストの両方が案内されています。

Muse Model Licenseは、その条件に従うことを前提に、利用、変更、ファインチューニング、蒸留、派生物の作成、配布、販売を認めています。対象となるコピーには著作権表示、ライセンス、Usage Policyを添付し、同ポリシーに従う必要があります。また、インターフェース、付属文書、ウェブサイト、設定画面のいずれかに、**“Built with Muse Spark Open”**と目立つ形で表示しなければなりません。

派生物の定義には、このソフトウェアの出力を使って改善したAIモデルも含まれます。生成した事例を使って別のモデルを学習させる計画なら、この点が関わってきます。

別途契約の条件が対象とするのは、Model as a Service事業です。ライセンシーとその関連会社の総売上高の合計が、連続する任意の12か月間で2,000万米ドルを超える場合、その事業を通じてモデルや派生物を提供する前に、Metaへの通知と別途書面による契約が必要です。第3条では、社内利用、研究、その他の商用活動、およびModel as a Serviceに該当しない製品の機能を対象から除外しています。

そのため、社内向けの非公開サポートアシスタントと、モデルへのアクセスを販売する事業では、分類を分けて考える必要があります。どちらの場合も、残りのライセンス条件は適用されます。ハードウェアとホスティングの詳細は、Muse Spark Openのデプロイガイドで解説しています。

OpenAI gpt-oss：自由度の高いライセンスでも実行環境の適合は必要です

OpenAIのgpt-oss-20bとgpt-oss-120bは、Apache 2.0で提供される、ダウンロード可能な推論モデルです。 OpenAIのモデルカードには、ファインチューニングと、回答前にモデルがどれだけ推論するかを調整できる推論にかける処理量の設定が記載されています。

ライセンスファイルでは、商用での再利用、変更、再配布が認められています。配布時には、ライセンスのコピーを含め、変更したファイルを明示し、該当する帰属表示やその他の通知を保持する必要があります。NOTICEが提供されている場合は、その内容も対象です。Apacheは、定められた範囲で貢献者からの特許許諾も提供しますが、あらゆる特許請求に対する包括的な保証ではありません。

運用上の制約は明確です。OpenAIは、これらのモデルにはHarmony応答形式を使う必要があるとしています。対応するランタイムやチャットテンプレートが、その構造を処理します。適当なチャット用ラッパーに重みを読み込ませただけでは、正しく動作するとは言えません。

開発者にとっては、対応可能な統合上の依存関係です。調達担当者にとっては、導入提案に「OpenAIを非公開環境で動かす」とだけ書かれていても不十分で、ランタイムとチェックポイントの明記が必要だということです。

DeepSeek：MITの利用許諾だけではマネージドサービスになりません

DeepSeek-V4-Proは、MITの条件で重みをダウンロードできる事例です。 モデルカードではV4シリーズをプレビューと位置付け、ProとFlashのチェックポイントへのリンクと、ローカルデプロイの手順を示しています。ここで確認しているのは特定の公開物であり、DeepSeekのすべてのリリースが同じ条件だという意味ではありません。

カードでは、リポジトリとモデルの重みにMIT Licenseを適用すると明記しています。ライセンス本文は、利用、複製、変更、配布、サブライセンス、販売を認める一方、コピーまたは実質的な部分に著作権表示と許諾表示を含めることを求めています。保証は提供されません。

社内の文書処理サービスであれば、これらの許諾によって、そのチェックポイントを運用・変更する際のライセンス上の障壁を取り除けます。ただし、応答時間の保証、障害対応チーム、別名のホスト型エンドポイントが同じバージョンを提供しているという保証まで得られるわけではありません。そうした要件は、サービス仕様やデプロイ仕様に盛り込んでください。

Qwen：同じモデル系列でもライセンスは分かれます

AlibabaのQwen3.8-27BとQwen3.8-2.4T-A95Bでは、ライセンスと入力機能が異なります。 Qwen3.8-27Bのカードはマルチモーダルのリリースと説明しており、ライセンスファイルはApache 2.0です。

大規模なチェックポイントに適用されるQwen3.8-Max Licenseは、条件付きでホスティング、デプロイ、ファインチューニング、派生物の作成、配布を認めています。著作権表示と許諾表示の保持が必要です。これを使う商用製品が、月間アクティブユーザー1億人、または月間売上高2,000万米ドルを超える場合、インターフェースにモデル名を目立つ形で表示しなければなりません。

別の条件として、ライセンシーまたは関連会社がModel as a ServiceまたはAI Work Assistant事業を行い、その売上高の合計が連続する任意の12か月間で5,000万米ドルを超える場合、商用利用の前に別途ライセンスを取得する必要があります。社内利用の例外が適用されるには、モデル、出力、その基盤となる機能を第三者に提供しないことが条件です。

ここでは定義が重要です。AI Work Assistantは、主にコーディングやオフィス業務の生産性向上を目的とする独立した製品を対象とし、単一用途のツール、他分野のアシスタント、別の主目的を持つ製品の機能などを除外しています。実際の製品がどこに当てはまるかは、全文に照らして判断してください。

機能の違いも見落とせません。大規模チェックポイントのカードでは、入力はテキストのみで、思考モードが必須とされています。一方、ホスト型のQwen3.8-Maxには、画像理解などの追加機能があります。ホスト型サービスで試せた機能が、そのままダウンロード版でも使えるとは限りません。

Mistral：判断の根拠は、現在入手できるチェックポイントです

Mistral Small 4は、開発元のモデルカードでApache 2.0が明記された、入手可能なマルチモーダルのチェックポイントです。 Mistral-Small-4-119B-2603のカードには、テキストと画像の入力、テキスト出力、指示応答モードと推論モード、ファインチューニングによるカスタマイズが記載されています。

Apache 2.0の本文は、ライセンスの添付、変更の通知、帰属表示などの要件のもとで、商用での変更と再配布を認めています。すべての変更を公開する義務はありません。また、開発元の商標を無制限に使う権利を与えるものでもありません。

同じブランドだからといって、その結論を別のモデルにも当てはめてはいけません。MistralのLarge 4の発表では、パブリックプレビューを説明し、重みは月末までに公開するとしています。本記事の確認日時点では、これは将来の約束です。入手可能なチェックポイントや、ダウンロード版のライセンスを示す証拠ではありません。

すぐに非公開環境へデプロイする予定なら、今入手できるリリースが必要です。プレビューについては、Mistral Large 4の記事で別途解説しています。

NVIDIA Nemotron：対象のモデルカードが指定する条件を読みます

確認したNVIDIA Nemotron 3 Ultraのチェックポイントには、OpenMDW 1.1が適用されています。 NVIDIAのモデルカードでは、商用・非商用の利用に対応する、推論、会話、エージェント型処理のモデルと説明されています。以前のNemotronのライセンスページではなく、そのカードが示す適用条件のリンクを確認する必要があります。

OpenMDW 1.1ライセンスは、提供されたモデル関連素材を幅広く取り扱うことを認めています。配布時には、契約文と、該当する著作権表示・出所の表示が必要です。生成した出力の利用、変更、共有には、制限や義務を課していません。

ライセンスには、指定された特許・著作権訴訟に関する終了条項もあります。保証は否認され、その他の適用される権利の処理は利用者に委ねられています。幅広い許諾があることと、補償が約束されていることは別です。

NVIDIAは学習データとレシピの公開を説明していますが、同じカードには非公開データセットの記載もあります。この例から分かるように、「オープンウェイト」はアクセス可能性についての最低限の説明です。どの開発元も同じ補足資料を公開しているという意味ではありません。再現性が重要なら、このラベルを透明性の点数代わりにせず、具体的に挙げられた公開物を確認してください。

どこで動かすかによって、企業が担う範囲は変わります

ハードウェアを買う前に、どこまでを自社の運用範囲にするかを決めてください。 同じダウンロード可能なモデルでも、運用の形は大きく変えられます。考えるべきなのは、どの責任を自社で引き受けたいかです。

ホスト型API：サービス運用を提供元に任せます

まず業務に必要な品質を確かめたいなら、ホスト型APIが最も早い出発点です。 モデルの読み込みと運用を担うサービスに、リクエストを送信します。MetaはMuse Spark Openの公開時に利用できるプラットフォームとして、Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AIを挙げています。ただし、これらの機能や契約条件が同一だという意味ではありません。

資金調達を済ませた創業者がサポートアシスタントを試作する場合、ホスティングを使えば、ワークフローの有効性を確かめる前に計算容量を確保せずに済みます。実際に使うエンドポイントについて、入力の種類、モデルのリビジョン、ツール対応、データ保持条件、リージョンを比較してください。

制約となるのは、データの管理です。モデルの重みが公開されていても、他社のエンドポイントを使えば、プロンプトはそこに送られます。送信先での扱いは、契約とサービス設定で決まります。オープンなモデル名が付いているからといって、ホスト型APIの呼び出しがローカル処理になるわけではありません。

自社で管理するGPU：デプロイと運用責任を引き受けます

セルフホスティングでは、推論サービスをどう運用するかを自社で決められます。 所有するマシンを使う方法も、クラウドアカウントでGPU容量を借りる方法もあります。GPUは、モデルの計算処理に使うプロセッサです。ランタイムは、チェックポイントを読み込み、リクエストに応答するソフトウェアです。ランタイムと形式は、モデル開発元のデプロイ手順に基づいて選ぶ必要があります。

仕入先の文書を管理下の環境にとどめる必要がある中堅企業のCTOにとっては、これが決め手になる場合があります。ただし、管理範囲には文書検索、リクエストログ、監視、バックアップ、モデルが呼び出すツールも含める必要があります。モデル自体を非公開環境に置いても、文書の内容を外部の検索サービスに送っていれば、その要件を満たしていません。

アクセス制御、パッチ適用、容量計画、リリース前の検証、障害対応、復旧も自社の責任になります。システムがそのサービスに依存するようになる前に、責任者を決めてください。GPUを予約しただけでは、本番運用の計画にはなりません。

オープンウェイトのLLMをローカル端末で動かすには

個人のマシンで処理をこなせて、複数人で大規模に共有することよりも、処理環境の分離を重視する場合は、ローカルデプロイが役立ちます。 LLMは大規模言語モデルを意味します。個人で開発するエンジニアなら、実行環境を自ら管理しながら、ローカルモデルでファイルを分類したり、リポジトリ内の作業を補助させたりできます。

OpenAIのgpt-ossのカードにはローカル実行の方法が記載され、Mistral Small 4のカードにはローカル用とサーバー用のランタイムが挙げられています。互換性は、正確なチェックポイントと形式ごとに確認しなければなりません。カタログに載っているだけでは、そのモデルが手元の端末に収まるとは言えません。

個人のワークステーションには、稼働を維持するうえで普通の制約もあります。スリープや再起動が発生したり、ほかの作業に使われたりします。個人でうまく動いた実験を共有サービスへ変える前に、この違いを明確にしてください。ハードウェアを踏まえたモデル選びは、おすすめのローカルLLMガイドで扱っています。

オープンウェイトの大規模言語モデルで確認すべき限界

ハードウェアで最初に確かめるのはメモリに収まるか、次に確かめるのは実用的な処理量を出せるかです。 OpenAIによると、gpt-oss-20bは、提供されているMXFP4量子化を使えば16GBのメモリ内で動作します。量子化は、重みをより低い精度で表現する方法です。これは開発元が示す構成であり、あらゆるコンピュータやリクエスト負荷での動作を約束するものではありません。

一方、MetaのMuse Spark Openのカードでは、GPUメモリはNVFP4で700GB、BF16で2TBとされています。これらは数値の精度が異なる重みの形式です。別途示されているデスクトップでの動作については、発表によると、Apple M5 Ultra Mac Studioを2台使い、MLXで実行する構成を指しています。「ローカルで動く」といっても、必要な機器の規模は大きく異なります。

実行時の負荷は、重みファイルだけではありません。入力の履歴、途中の計算、同時リクエストもリソースを消費します。実際に使うプロンプトの長さで、応答時間と、正常に処理できる量を測定してください。パラメータ数や最大コンテキスト長だけでは、許容できる品質で何人の顧客に対応できるかは分かりません。

開発・運用・調達、それぞれにとって何が変わりますか？

事業上の意義が最も明確になるのは、管理権限を持つことで具体的な問題を解決でき、かつサービスの運用を担える人がいる場合です。 処理量が多ければ導入理由を補強できますが、量だけで結論は出ません。

開発者にとっての利点は、中身を確認できるデプロイの選択肢を持てることです。 選んだ成果物を保持し、配信設定を変更したり、ライセンスが認める場合にはファインチューニングしたりできます。必要になるのは、その成果物をアプリケーションの中で正しく働かせる作業です。リクエストの整形、ツール呼び出しの解釈、失敗時の処理などが含まれます。まずは仕入先IDの抽出のように範囲を絞り、許容できる出力とできない出力の例を明確にしてください。

運用担当者にとっての利点は、データを処理する範囲と変更のスケジュールを管理できることです。 その裏側には、データの行き先を文書化し、システムを健全に保つ仕事があります。サポート運用の責任者は、添付ファイルが読めない場合、分類に確信が持てない場合、推論が利用できない場合に、明確な引き継ぎ手順を求めるべきです。モデルを自社で持っても、人へのエスカレーションは必要です。

調達担当者にとっての利点は、現実的な代替のデプロイ経路を確保できることです。 提案書には、モデルのリビジョン、ライセンス、インフラ、サポートの責任分担、移行手順を明記してもらってください。設定を入手できない、あるいは周辺の構成要素を作り直さなければアプリケーションを移せないのであれば、「オープンなモデルを採用」という説明だけでは不十分です。

処理量が多いほど有利になるのは、どのような場合ですか？

セルフホスティングが経済的に成立しやすくなるのは、有用な処理で計算容量を継続的に使える場合です。 予測しやすい文書処理キューと、不規則なアクセス集中にも即応する必要がある顧客向けアシスタントでは、容量の使い方が異なります。

比較するのはサービス全体です。計算資源、ストレージ、監視、開発工数、未使用の容量、再試行、代替処理、該当するライセンス契約を含めてください。そのうえで、ワークフローが求める待ち時間の範囲内で、受け入れ可能な結果をどれだけ得られるかを比べます。生成した応答の単価が下がっても、確認作業が増えたり、失敗した処理をやり直したりするなら、節約にはなりません。

需要がまだ読めない創業者は、ハードウェアへの投資を決める前に、ホスト型サービスで知見を得るべきです。継続的な負荷があり、既存のインフラ運用ノウハウを持つCTOには、非公開環境へのデプロイを実測する、より強い理由があります。どちらの場合も、他社の構成から作り出した、万人に通用するトークン処理量の損益分岐点は必要ありません。

運用上の違いはここにあります。API提供元は、容量確保とサービス管理の多くを引き受けます。セルフホスティングでは、その責任を引き受けることで、より広い範囲を自社で管理できます。

オープンウェイトで過大評価されがちな点は何ですか？

重みを入手すれば、自由、プライバシー、コスト削減が自動的にそろう、という期待は過大です。 それぞれに、満たすべき条件があります。

「オープンなら制限はない」。MuseとQwenの独自ライセンスは、そうではないことを示しています。多くの用途を認めるダウンロード版でも、ブランド表示、派生物、特定の事業に条件が付く場合があります。許諾範囲の広いライセンスにも、モデルの配布時に守るべき条件があります。

「オープンならプライバシーも守られる」。プライバシーは、デプロイしたシステムのデータの流れによって決まります。推論ホスト、検索サービス、ツール、ログ、管理者を確認してください。自社サーバーでモデルを動かすことは、その全体像の一部に対処するものです。

「オープンならAPI製品を丸ごとダウンロードできる」。Qwenのカードは、テキスト専用の大規模チェックポイントと、追加機能を持つホスト型のバージョンを明確に区別しています。アプリケーションには、モデルを取り囲む処理の制御、ツール、インターフェースもあります。重みを入手しただけでは、それらすべての振る舞いを再現できません。

「オープンなら継続的な運用作業はなくなる」。ハードウェアの容量管理は必要で、ソフトウェアは変わり続け、障害には担当者が要ります。自律性を高めても、総費用が増えることはあります。自律性は、事業上の制約を解消できるときに選んでください。コスト削減を主張するのは、測定した後です。

「重みの公開が発表されたなら、もう入手できる」。Mistral Large 4の公開スケジュールは、その違いを示す実例です。評価は、ダウンロードできる見込みではなく、実在する成果物と公表済みの条件に基づいて計画してください。

次の営業日から、何を変えるべきですか？

インフラを変える前に、一つのワークフローを評価してください。 データを置ける範囲、カスタマイズの要件、単一サービスへの依存がすでに問題になっているなら、今取り組む理由があります。一方、業務でのモデル品質やワークロードがまだ見えていないなら、ハードウェアの購入は待つべきです。既存のAPIとその条件に満足している運用担当者に、移行すべき理由が自動的に生まれるわけではありません。

1. 1

   要件を具体化します

   具体的な業務を一つ選び、現在の構成では不十分な理由を示します。文書を指定の環境内にとどめる必要がある、特定のモデルリビジョンを使い続けたい、安定した処理キューについて評価したい、といった理由です。許容できる出力と、エスカレーション時の対応を定義してください。

2. 2

   公開物と利用権限を特定します

   チェックポイントの識別子、リビジョン、モデルカード、ライセンスを保存します。社内で使うのか、製品機能として提供するのか、再配布するのか、モデルへのアクセスを販売するのかを明記してください。それを前提に開発を進める前に、適用される条件を明確にします。

3. 3

   要件と許諾に合った方法で評価します

   データの要件が許すならホストを使い、そうでなければ要件を満たす環境で評価します。代表的なタスクを現在のサービスと比較してください。エラー、応答時間、確認作業の負担、アプリケーションが依存するエンドポイントの機能を記録します。

4. 4

   本番移行の前に運用の担当を決めます

   容量、アクセス、監視、更新、障害の責任者を明確にします。元に戻す手段と、繰り返し実行できるデプロイ手順を用意してください。ハードウェアを購入するのは、モデル、ワークロード、運用計画からその妥当性を確認した後です。

要件が明確になったら、おすすめのオープンソースLLMガイドをモデル選びに使ってください。本記事で判断するのは、どの管理権限が必要で、どの責任まで引き受けられるかです。

よくある質問

オープンウェイトモデルとは何ですか？

重みを入手し、適切なソフトウェアとハードウェアで実行できる学習済みモデルです。学習データや学習コードは公開されていないこともあります。認められる利用、変更、配布の範囲は、ライセンスで決まります。

最も優れたオープンウェイトモデルはどれですか？

タスクを問わず最適なモデルはありません。まず、認められる用途、必要な入力、ハードウェアまたはホスト、許容できる出力を明確にしてください。リンク先のモデル選定ガイドで候補を絞り、実際のワークフローで評価します。本記事は性能の順位付けではなく、アクセス方法と責任範囲を比較しています。

オープンウェイトとクローズドウェイトの違いは何ですか？

オープンウェイトは、ライセンスに従って重みを入手し、対応する環境へデプロイできます。クローズドウェイトの重みは、提供元の手元にとどまります。どちらもAPI経由で利用できるため、APIを使っているだけでは、そのモデルをダウンロードできるかどうかは分かりません。

オープンウェイトモデルは無料ですか？

ライセンスがロイヤルティなしの利用を認めていても、モデルの運用にはハードウェアと人の作業時間が必要です。ホスト型の提供元は推論に料金を設定できますし、独自ライセンスでは特定の事業に別途契約を求める場合もあります。モデルの条件と、利用するサービスの両方を確認してください。

オープンウェイトモデルは禁止されますか？

リリースの発表から、将来の法的な利用可否までは判断できません。デプロイする時点で、対象モデル、利用目的、デプロイ先の法域を、その時点で適用されるルールに照らして評価してください。すべてのオープンウェイトモデルが禁止される、あるいは永久に無制限で使えるという予測を、移行の判断材料にしてはいけません。

オープンウェイトモデルはどうやって収益を得るのですか？

重みのダウンロードと並行して、有料のホスティング、サポート、カスタマイズ、商用ライセンスを提供できます。重みの配布と、その周辺のサービスは別の商品です。MuseとQwenには、特定の事業が条件を満たす場合に、別途ライセンスを必要とする例もあります。

オープンウェイトモデルの性能はどれくらい遅れていますか？

そのラベルだけでは、性能差は分かりません。配信設定とエンドポイントで使える機能も含め、具体的なリリース同士を実際のタスクで比較してください。総合ベンチマークから、自社でのエラー率、処理量、確認作業の負担までは判断できません。

オープンウェイトモデルは安全ですか？

重みを入手できることは、アプリケーションが安全に動作する証明にはなりません。想定するワークフローでの失敗を評価し、ツールの権限を制限し、機密性の高い入力を保護し、人へのエスカレーションを定義してください。Metaのモデルカード自体も、用途ごとの安全性テストと、重大な結果を伴う行動を取るエージェントへの追加の保護策を求めています。

AI導入を実務で判断するための情報は、ニュースレターでお届けしています。