オープンソースモデル（オープンソースモデル）
ソースコード・重み・学習データを公開した AI モデル。Llama/Mistral/Qwen/DeepSeek 等が代表、2026年は商用クローズドモデルとの性能差が縮小。
概要
オープンソースモデル (Open Source Model) は重みパラメータ・推論コード・(場合により) 学習データセット・学習スクリプトを公開した AI モデル。Meta Llama (2023年2月初リリース) 、Mistral AI (2023年9月)、Alibaba Qwen (2023年8月)、DeepSeek (2024年5月)、xAI Grok (2024年3月) 等が代表的シリーズで、Hugging Face プラットフォームで無料配布される。
2025-2026年の最大トピックは クローズドモデルとの性能差が大幅縮小。Llama 4 70B (2025年4月リリース) が MMLU 88.2 / HumanEval 92.4 で GPT-4o の MMLU 89.8 / HumanEval 93.6 に肉薄、DeepSeek R1 (2025年1月) は推論性能で o1-preview を上回り業界に衝撃。商用 Top-tier (GPT-5 / Claude 4.7 / Gemini 2.5 Ultra) との差は MMLU で 5-10ポイント、コーディングで 8-12ポイント程度。
ライセンス区分は厳密には4種類: ① 真の OSS (Apache 2.0/MIT, 商用OK 完全フリー) ② 弱コピーレフト (LGPL 等) ③ オープンウェイト (商用利用条件付, Llama 系等) ④ ソース部分公開 (重みのみ, 学習データ非公開) で、Meta Llama は厳密には「オープンウェイト」、真の OSS は Mistral Apache 2.0 系・Falcon・Pythia 等限定。
主な特徴・仕組み
- 配布形式: Hugging Face Hub 経由で重みファイル (safetensors / GGUF / GPTQ / AWQ 量子化) ダウンロード
- モデルサイズ別: Small (1-7B) / Medium (7-34B) / Large (70-180B) / XL (400B-1.4T MoE)
- 量子化: FP16 → Q5_K_M (約 5/16 サイズ) → Q4_K_M (約 4/16) → Q2_K (約 2/16)、品質損失 1-15%
- 推論ツール: Ollama 0.5+ / LM Studio 0.4+ / vLLM 0.7+ / TabbyAPI / llama.cpp / Text Generation WebUI
- 必要 VRAM: 7B Q4=4GB / 34B Q4=20GB / 70B Q4=40GB / 405B Q4=230GB
- ファインチューニング: LoRA / QLoRA / Full FT (PEFT 0.13+ / Unsloth / Axolotl)
- MoE (Mixture of Experts): Mixtral/DeepSeek-V3/Llama 4 で採用、推論時アクティブパラメータ 1/4-1/8 で高速化
- ライセンス: Apache 2.0 (Mistral/Qwen/Falcon)、Llama Community License (Meta、月7億 MAU 超は要許諾)、DeepSeek MIT
主要オープンソースモデル比較表（2026年4月）
| モデル | パラメータ | MMLU | HumanEval | ライセンス | 必要 VRAM (Q4) |
|---|---|---|---|---|---|
| Llama 4 70B | 70B | 88.2 | 92.4 | Llama Community | 40GB |
| Llama 4 405B | 405B (Active 17B) | 89.5 | 93.8 | Llama Community | 230GB |
| Qwen 3 72B | 72B | 87.6 | 91.2 | Apache 2.0 | 41GB |
| DeepSeek R1 | 671B (Active 37B) | 90.8 | 96.3 | MIT | 380GB (FP8) |
| DeepSeek R1 Distill 70B | 70B | 86.4 | 90.1 | MIT | 40GB |
| Mistral Large 2 | 123B | 84.8 | 88.5 | Mistral Research | 70GB |
| Phi-4 14B | 14B | 84.5 | 82.6 | MIT | 8GB |
| GPT-5 (商用比較) | 非公開 | 92.5 | 96.1 | クローズド | (API 専用) |
| Claude 4.7 (商用比較) | 非公開 | 93.1 | 95.4 | クローズド | (API 専用) |
自作PC でのオープンソースモデル運用構成
ローカル LLM 推論+ファインチューニング向け自作PC：
- エントリー (7-13B 推論): Ryzen 7 7700X + RTX 4060 Ti 16GB + 32GB DDR5 = ¥220,000 — Llama 3.2 8B / Qwen 3 14B Q4 がスムーズ
- ミドル (34-70B 推論): Ryzen 9 9900X + RTX 4090 24GB + 64GB DDR5 = ¥420,000 — Llama 4 70B Q4 が 18-25 tokens/s
- ハイエンド (70-180B 推論+LoRA): Threadripper 7965WX + RTX 6000 Ada 48GB×2 + 256GB DDR5 ECC = ¥3,200,000 — Llama 4 405B Q4 を CPU+GPU オフロードで運用可
- クラスタ構成: Mac Studio M2 Ultra 192GB ×2 (¥1,996,000) — DeepSeek R1 Distill 70B / Llama 4 70B 推論
オープンソースモデルとクローズドモデルの違い
- アクセス: OSS=ローカル運用可、クローズドは API 経由のみ (OpenAI/Anthropic/Google)
- コスト: OSS=ハードウェア初期投資のみ、クローズド= API 従量課金 ($1.50-15/M tokens)
- データプライバシー: OSS=完全ローカル可、クローズド=プロバイダ送信 (Enterprise プランで一部制御)
- 性能: 2026年4月時点で Top-tier の MMLU 差 5-10pt、コーディング 8-12pt
- アップデート速度: クローズドは新モデル毎月、OSS は四半期-半年単位
よくある質問（FAQ）
Q1: オープンソースモデルでビジネス利用は可能？ A: モデル次第。Apache 2.0 / MIT (Mistral/Qwen/DeepSeek) は完全自由、Llama Community License は月 7億 MAU 超のみ要許諾。Falcon は古いライセンス問題あり再確認推奨。商用利用前に必ず LICENSE ファイル確認。
Q2: 2026年に GPT-5 と OSS どちらを使うべき？ A: 用途次第。最高品質が必要な開発・研究は GPT-5/Claude 4.7、コスト・データプライバシ重視・カスタマイズ前提なら OSS。多くの企業は「9割 OSS + 1割 商用 (難問のみ)」のハイブリッド運用が増加中。
Q3: 自作PC でファインチューニングはどこまで実用的？ A: LoRA なら RTX 4090 24GB 1基で 7-13B モデルを 6-12時間で実用品質、QLoRA なら 70B モデルも RTX 6000 Ada 48GB 1基で可能 (24-48時間)。Full Fine-tuning は H100 80GB ×4-8基必要、自作不可でクラウド ($30-200/h) 推奨。
まとめ
- オープンソースモデル = 重み公開 AI、Llama/Mistral/Qwen/DeepSeek が代表
- 2025-2026年はクローズドモデルとの差が縮小、Llama 4 70B / DeepSeek R1 が GPT-4o 級
- ライセンス4区分: 真OSS / 弱コピーレフト / オープンウェイト / 部分公開、商用前確認必須
- 自作PC は RTX 4090 + 64GB で 70B Q4 推論が実用速度、LoRA も 1基で可能