Aria（アリア）

Ariaとは

AriaはRhymes AI（米国スタートアップ）が2024年10月に公開したオープンソースのマルチモーダルMixture-of-Expertsモデル。テキスト・画像・動画の入力に対応し、Apache 2.0ライセンスで完全商用利用可能な点が特徴。

アーキテクチャ

Sparse MoE設計

総パラメータ25.3Bのうち、各トークン処理で活性化するのは3.9Bのみ。内部に64個の専門家（Expert）ネットワークを持ち、入力に応じて最適な2つのExpertをルーターが選択する。高品質を維持しながら推論コストを大幅に削減する。

マルチモーダルエンコーダ

• 画像: 最大4枚まで同時入力、各画像最大1,820×1,820px
• 動画: 最大256フレーム（約1分30秒の標準動画に相当）
• テキスト: 最大64Kトークンのコンテキストウィンドウ

性能比較

• MMMU: 54.3点（GPT-4o mini 60.0点）
• DocVQA: 90.6点（GPT-4o mini 79.4点を上回る）
• Video-MME: 68.8点（GPT-4o mini 68.4点とほぼ同等）
• MATH: 56.5点

ライセンスと入手

Apache 2.0（モデルウェイト・コード両方）— 商用利用・改変・再配布すべて自由。Hugging Face: rhymes-ai/Ariaで公開中。vLLMでのサービング対応、transformersライブラリで推論可能。

競合モデルとの位置づけ

• vs Qwen2-VL-7B: 動画理解は互角だがMoE構造で推論効率が高い
• vs Phi-3.5-MoE: マルチモーダル対応でAriaが優位
• vs Pixtral 12B: アクティブパラメータ効率でAriaが優れる

主な活用場面

• オンプレミスでのマルチモーダルRAGシステム構築
• EC商品画像の属性自動抽出・カタログ生成
• 動画コンテンツのメタデータ自動付与
• 多言語文書画像のOCR+翻訳パイプライン
• Apache 2.0のため社内機密データを扱うシステムへの組み込みが安全