あなたもAIソロプレナー？ オープンLLMについて生成AIで調査しました

「オープンLLM」とは、モデルの重み（パラメータ）が公開されており、誰でもダウンロードして自社サーバーやローカル環境で動かせるLLM（大規模言語モデル）のことです。

AIの自作に挑戦するため、オープンLLMについて生成AIのClaude　sonnet５で調査しました。自分のスキルをオープンLLMに組み込むと、独自のAIが作れるかもしれません。以下、生成AIの回答を紹介いたします。

AIプロンプト1：

オープンLLMについて調査し、おすすめ度をランキング形式で一覧表にしてください。オープンLLMの特徴も教えてください。

（生成AIの回答）

オープンLLM（オープンウェイトLLM）の特徴

「オープンLLM」とは、モデルの重み（パラメータ）が公開されており、誰でもダウンロードして自社サーバーやローカル環境で動かせるLLMのことです。主な特徴は以下の通りです。

• 自社環境で動かせる（オンプレ/ローカル可）：Metaが開発するLlamaは、モデルの中身が公開され商用にも使える「オープンウェイト」である点が最大の特徴で、データを外に送らず自社の環境で動かせるため機密情報を扱う業務やセキュリティ要件の厳しい現場に向いています。

• コストを抑えやすい：API課金ではなく自社インフラで推論するため、大量利用時のランニングコストを抑えられます。ただし自社環境で使う場合はGPUやサーバー運用の知識が必要になります。

• ライセンスがモデルごとに異なる：モデル選定は最高スコアのモデルを選ぶ作業ではなく、ライセンス・インフラ制約・言語要件・タスク特性・エコシステム成熟度の交点で決める判断であり、汎用ベンチマークで高スコアのモデルが特定の専門分野タスクで最適とは限りません。MIT・Apache 2.0など商用利用可のものが主流になっています。

• 軽量ツールで手軽に試せる：Ollamaならコマンド一つで起動でき、LM StudioはGUIベースでGGUF形式のモデルをドラッグ&ドロップで読み込め、vLLMは高スループットの本番運用向け、llama.cppはCPU性能を引き出したい場合に向いています。

• 性能が急速に商用モデルに接近：2026年に入りオープンソースLLMの性能が急速に向上しており、特にコーディング領域では一部ベンチマークで商用モデルに匹敵するスコアを出すモデルも登場しています。

2026年8月時点 おすすめランキング

用途別のバランスを考慮した総合評価です（★5が最高）。

順位 モデル 開発元 ライセンス おすすめ度 特徴・向いている用途

1 Qwen3 / Qwen3.5系 Alibaba Apache 2.0 ★★★★★ 性能・軽量性・価格バランスが非常に優秀で日本語性能も比較的高く、社内文書検索やFAQ用途との相性が良い。サイズ展開が豊富でRTX4090クラスでも運用可能。コスパ重視の第一候補。

2 DeepSeek-V3 / V4 DeepSeek MIT ★★★★★ 数学・コード・多段階推論に強く、US系APIのごく一部のコストで運用可能。MITライセンスでセルフホスト可能。大量推論・コスパ最強クラス。

3 Llama 4 (Scout / Maverick) Meta Llama Community License ★★★★☆ Scoutは最大1000万トークンという非常に大きなコンテキストを扱え、長い資料も一括処理可能。エコシステム・情報量が豊富で定番。

4 Kimi K2 / K2.5系 Moonshot AI Modified MIT ★★★★☆ 推論特化のThinkingモデルがあり、200K前後の長いコンテキストを持つ。独自のビジョンエンコーダを搭載しマルチモーダル文書理解に強い。エージェント用途向き。

5 gpt-oss OpenAI Apache 2.0 ★★★★☆ 高性能推論に向くモデルとして位置づけられる。OpenAI初のオープンウェイト系として注目度が高い。

6 Qwen3-Coder-Next Alibaba Apache 2.0 ★★★★☆ コード補完・バグ修正・仕様整理に強く、社内開発AIとして導入検討する企業が増えている。

7 Mistral Small 3.2 / Medium Mistral AI Apache 2.0（一部商用モデル併存） ★★★☆☆ 指示追従の正確さ・思考力・コード生成に強みがあり、オープンウェイト版は自社サーバーでAPI費用を抑えながら利用できる。軽量運用向き。

8 Gemma 3系 Google Gemma License ★★★☆☆ 軽量・省リソースでエッジ/ローカル運用に適し、日本語チューニング版（cyberagentなど）も充実。

補足として、国内ではcyberagent・NICT・Sakuraなどが Qwen / Llama をベースにした日本語強化版を公開しており、日本語特化用途の選択肢は急速に拡大しています。また機密データはローカルLLM、高度推論だけクラウドAI、日常業務は軽量OSSモデルというハイブリッド構成を採る企業も増えています。

選び方の目安

• とりあえず何か試したい／コスパ重視 → Qwen3系

• 大規模推論を安く回したい → DeepSeek-V3/V4

• 長文書・エコシステム重視 → Llama 4

• コーディング特化 → Qwen3-Coder-Next / Kimi K2

• 機密データを扱う・完全ローカル → Qwen3の軽量版 or Gemma 3（Ollama/LM Studioで手軽に）

※オープンLLM界隈は数ヶ月単位でトップモデルが入れ替わる分野です。導入前には最新のリーダーボード（LMSYS、Hugging Face Open LLM Leaderboardなど）でのスコアも合わせて確認することをおすすめします。

AIプロンプト2：

日本で開発されたオープンLLMはありませんか？

（生成AIの回答）

はい、日本発のオープンLLMも多数あります。アプローチによって「フルスクラッチ開発」と「海外モデルの日本語継続学習・チューニング」の2系統に分かれます。(cite index="17-1">2025年までの国産LLMはゼロから学習させるフルスクラッチ開発が中心でしたが、2026年は選択肢が広がっています。海外のオープンモデルに日本語データを追加学習させる「継続事前学習」（Swallowシリーズなど）や、公開済みの海外モデルに日本語・中立性の調整を後から施す「事後学習」（Sakana AIのNamazuなど）が、開発コストを抑えつつ日本語性能を高める方法として広がっています。</cite>

モデル 開発元 開発方式 ライセンス 特徴

Swallow (Qwen3-Swallow / GPT-OSS-Swallow) 東工大・NII等 Swallowプロジェクト 海外OSSに日本語継続学習 Apache 2.0 (cite index="17-1">2026年2月公開。Qwen3-Swallowは8B・30B-A3B・32B、GPT-OSS-Swallowは20B・120Bの構成。商用・研究・個人利用いずれも無料で、8Bと32Bは同規模以下のオープンLLMの中で日本語タスク最高性能とされる。</cite>

ELYZA LLM for JP（Llama-3.1-ELYZA-JP-70B） ELYZA Llamaベースに日本語追加学習 Llamaライセンス準拠 (cite index="16-1">Meta「Llama 3.1」をベースに日本語の追加事前学習・指示学習を実施。安全なAPIサービスや国内の政府プロジェクトなどで活用が広がっている。</cite>

ELYZA 拡散言語モデル (dLLM) ELYZA フルスクラッチ（拡散モデル応用） 公開 (cite index="17-1">2026年1月公開の7B。画像生成で使われる拡散モデルの考え方を言語生成に応用した新しいアプローチ。</cite>

Sakana AI Namazu Sakana AI 海外OSSへの事後学習 公開 公開済み海外モデルに日本語・中立性の調整を後から施すアプローチの代表例。

CyberAgentLM3（CALM3） サイバーエージェント フルスクラッチ（日本語特化） 商用利用可 (cite index="18-1">225億パラメータの商用利用可能な日本語特化モデル。独自の日本語コーパスを活かして開発されている。</cite>

Stockmark LLM Stockmark フルスクラッチ 公開 (cite index="18-1">130億パラメータの日本語LLMで、ビジネスドメインや最新情報への対応、幻覚（ハルシネーション）抑制を意識して開発された。</cite>

NTT tsuzumi NTT フルスクラッチ 一部公開 軽量・省電力設計が特徴で、企業のオンプレ/エッジ導入を意識したモデル。

カスタマークラウド CC LLM カスタマークラウド 独自開発 商用 (cite index="16-1">2026年3月に企業向け自社開発「CC LLM」の導入サービス開始を発表した新興プレイヤー。</cite>

補足：政府の動きも後押し

(cite index="16-1">デジタル庁は「源内」（政府横断型の生成AI活用環境）向けに国内LLMの公募を2025年5月〜2026年1月末に実施し、15件の応募から7件を選定しました。ハルシネーション対策や差別的表現への対応が明確であることが選定基準の一つとされています。</cite>これにより国産LLMの開発・評価が今後さらに活発化すると見られます。

選ぶときのポイント

• 手軽に日本語性能を試したいなら → Swallowシリーズ（Apache 2.0で商用利用も自由）

• 政府・公共案件での実績重視なら → ELYZA（Llamaベース）

• フルスクラッチにこだわるなら → CyberAgentLM3、Stockmark LLM

• 「国産」の定義が「ゼロから開発」だけでなく「海外OSSへの日本語チューニング」も含まれるようになってきているため、(cite index="17-1">選定時にはその開発方式の違いも押さえておくとよいでしょう。</cite>

AIプロンプト3：

日本で開発されたオープンLLMの解説本はありませんか？

（生成AIの回答）

見つかりました。特に「日本製オープンLLMそのものだけ」を専門に扱った本は少ないですが、Swallowの開発者本人が執筆に関わった技術書があります。

おすすめの本

タイトル 著者 出版社 特徴

大規模言語モデル入門 山田育矢 監修／鈴木正敏、山田康輔、李凌寒 著 技術評論社 (cite index="33-1">Hugging Faceのtransformersライブラリを使い、大規模言語モデルの理論と実装の両方を解説した入門書。ChatGPT以降の生成AIブームを踏まえ、日本語データセットを使った実践的なモデル構築まで扱う。</cite>

大規模言語モデル入門Ⅱ 山田育矢 監修ほか 技術評論社 (cite index="31-1">「大規模言語モデル入門」の続編。実装部分で扱いきれなかった話題として、大規模言語モデルの評価と生成LLMに関する解説を充実させている。</cite>

誰でもわかる大規模言語モデル入門 岡野原大輔 日経BP 数式なしでLLMの仕組みをやさしく解説する一般向け入門書。

Swallow開発者本人の資料（書籍ではないが一次情報として有用）

書籍そのものではありませんが、Swallowプロジェクトを率いる(cite index="30-1">東京科学大学の岡崎直観教授は、深層学習に基づく自然言語処理の基礎を体系的に学ぶための教科書も執筆しており、TransformerやBERTを系統立てて説明した上で、系列ラベリングや構文解析、意味解析、応用タスクを解説しています。</cite>また(cite index="28-1">岡崎氏は「言語処理100本ノック」や「機械学習帳」といった学習教材も公開しており、Swallow開発の技術的背景を独自に学ぶための資料として参考になります。</cite>

現状の補足

正直なところ、「日本製オープンLLM」だけをテーマにした単著の解説本（Swallow・ELYZA・CyberAgentLMなどを横断的に扱う書籍）はまだ見当たりませんでした。理由として、この分野の動きが非常に速く、書籍化すると内容がすぐ陳腐化してしまうことが挙げられます。そのため実務では以下のような一次情報源を使うのが主流です。

• Swallowプロジェクト公式サイト・note（東京科学大学・産総研）

• ELYZA公式ブログ（Zenn / note）：事前学習の手法など技術詳細を記事形式で解説

• LLM-jp（NII主導）の公開資料・チュートリアル：学会発表資料や評価基準（llm-jp-eval）がまとまっている

もし「LLMの仕組み自体を体系的に学びたい」なら上記の技術評論社の2冊が定番です。逆に「Swallow/ELYZAの開発の裏側を知りたい」なら、書籍よりも各プロジェクトの公式ブログ・技術ブログを追う方が最新情報に触れられます。どちらを重視したいか教えていただければ、もう少し絞ってご紹介できます。

AIプロンプト4：

東工大・NII等 Swallowプロジェクトについて解説をお願いします。

（生成AIの回答）

Swallowプロジェクトとは

(cite index="35-1">Swallow LLMは、東京科学大学の岡崎研究室・横田研究室、産業技術総合研究所（産総研）のメンバーを中心に開発されている、日本語に強いオープンなLLMのプロジェクトです。高性能なモデルを構築するためのレシピ・訓練データ・実験結果を共有し、日本のAI研究・応用を促進することを目的としています。</cite>

開発の背景

(cite index="41-1">生成AIの普及が拡大する中、日本でもLLM開発が進められていましたが、日本語に強くオープンかつ高性能なLLMは少ないのが現状でした。そこで東工大と産総研がLLMの共同研究をスタートさせました。</cite>(cite index="37-1">ChatGPTやGPT-4、PaLM 2、Geminiなど海外勢のLLMが急速に進化する一方、日本語に特化した高性能なモデルは限られており、このギャップを埋めるために東工大と産総研が共同研究を行ってきました。</cite>

体制と役割分担

• (cite index="41-1">東工大は主にデータの語彙拡張によるモデルの学習・推論効率の改善を担当</cite>

• (cite index="41-1">産総研は大規模計算資源であるAI橋渡しクラウド「ABCI」の提供と、継続学習によるモデルの日本語能力の改善を担当</cite>

• (cite index="38-1">近年の論文にはNII LLMC（国立情報学研究所 LLM研究開発センター）も共著者として名を連ねており、東京科学大学・産総研・NIIの三者体制で研究が進んでいます。</cite>

• (cite index="40-1">産総研のABCI「大規模言語モデル構築支援プログラム」や、NEDOの次世代AI・ロボット関連プロジェクトの支援も受けています。</cite>

技術的な特徴：「継続事前学習」というアプローチ

(cite index="36-1">Swallowは、英語の言語理解や対話で高い能力を持つMeta社のLlamaの日本語能力を、日本語の文字や単語などの語彙を継続事前学習することで強化するアプローチを採用しています。</cite>これは(cite index="18-1">日本語データだけでゼロからモデルを訓練する「フルスクラッチ開発」とは異なり、海外の高性能な基盤モデルに日本語能力を「後付け」で強化する手法</cite>で、開発コストを抑えながら高い性能を実現できるのが利点です。

独自の大規模日本語コーパス

Swallowの核となっているのが、独自に構築した日本語ウェブコーパスです。

• (cite index="41-1">Common Crawlから配布されるアーカイブ（2020〜2023年に収集された21スナップショット、約634億ページ）から日本語テキストを独自に抽出・精錬し、約3,121億文字（約1.73億ページ）からなる日本語ウェブコーパスを構築</cite>

• (cite index="41-1">これは既存の日本語LLM学習コーパスであるCC-100（約258億文字）、mC4（約2,397億文字）、OSCAR23.10（約740億文字）を上回り、商用利用が可能なコーパスとしては最大級と報告されています。</cite>

• 後継として「Swallowコーパスv2」も構築されており、(cite index="38-1">より教育的な内容を重視した日本語ウェブコーパスの構築に発展しています。</cite>

社会的インパクト

(cite index="37-1">学術面では、Swallowは日本語の研究開発における新たな標準として機能し、自然言語処理や人工知能分野で画期的な研究成果を生み出す役割を担っています。産業面では、企業が外部APIや他社技術に依存せずに自社でLLMを運用できるようになり、特定タスクへのチューニングも可能になるため、より効率的で精度の高い処理が実現できます。</cite>

モデルの進化

• 第1世代（2023年12月公開）：(cite index="37-1">Llama 2ベースの継続事前学習モデルとして公開。</cite>7B・13B・70Bの各サイズを展開。

• その後：Llama 3、Gemma 2など新しい基盤モデルにも対応し、順次バージョンアップ

• 最新（2026年2月公開）：(cite index="17-1">Qwen3-SwallowとGPT-OSS-Swallowという2系統に発展。Qwen3-Swallowは8B・30B-A3B・32B、GPT-OSS-Swallowは20B・120Bの構成で、Apache License 2.0のもと商用・研究・個人利用いずれも無料。8Bと32Bは同規模以下のオープンLLMの中で日本語タスク最高性能とされています。</cite>

ライセンスと入手方法

商用利用可能なApache 2.0系のライセンスで公開されており、Hugging Faceから誰でもダウンロードできます。GGUF形式の量子化モデルも配布されているため、Ollamaなどのツールを使えばローカルPCでも比較的手軽に試せます。

________________________________________

要するにSwallowは、**「日本語版の技術を一から作るのではなく、海外の優秀な基盤モデルに日本語の魂を吹き込む」**という、アカデミア発の戦略的なアプローチで進化を続けているプロジェクトです。基盤モデルが変わるたびに新しい「Swallow」が生まれ続けている点が特徴的と言えます。

AIプロンプト5：

商用利用可能なApache 2.0系のライセンスは有料ですか？

（生成AIの回答）

いいえ、Apache 2.0ライセンスは完全に無料です。「無料」と「商用利用可能」は別の話に聞こえるかもしれませんが、Apache 2.0は両方を満たすライセンスです。

Apache 2.0のポイント

• 利用料は一切かからない：ダウンロード、実行、改変、再配布、商用製品への組み込み、すべて無料でできます。

• 著作権表示とライセンス文の保持が必要：モデルを配布・改変して再配布する際は、元のライセンス表記やコピーライト表示を残す必要があります（利用者が個人で使うだけなら特に意識しなくてOKです）。

• 特許に関する明示的な許諾がある：Apache 2.0はMITなどに比べて、貢献者が持つ特許権についても使用許諾を明記しているのが特徴で、企業が安心して採用しやすいライセンスです。

• 改変・派生モデルの公開義務なし：GPLのような「コピーレフト」ライセンスとは違い、自社で改良したモデルを非公開のまま使い続けることもできます。

「商用利用可能」＝「開発元にお金を払う必要がない」

Swallow（Qwen3-Swallow / GPT-OSS-Swallow）の場合、実質的にかかりうるコストは以下のようなものだけです。

コスト項目 内容

モデル自体の利用料 かからない（Apache 2.0）

自社サーバー・GPU代 自分で用意する必要あり

クラウドGPUを借りる場合 AWS/GCP等のクラウド利用料はかかる

SaaS型のAPIサービス経由で使う場合 サービス提供事業者の従量課金がかかることがある

つまり「Swallowというモデル自体」は無料ですが、それを動かすための計算資源（GPU）や、誰かが用意した使いやすいAPIサービスを利用する場合はその分のコストが別途発生する、というイメージです。ローカルPCやOllamaで個人的に試す分には、電気代以外の追加コストはかかりません。

AIプロンプト6：ありがとうございました。

どういたしまして。またLLM関連で気になることがあれば、いつでもお声がけください。

（感想）

オープンLLMを利用すると、独自の生成AIを作れるかもしれません。

自分に専門スキルがあれば、専門スキルをオープンLLMに組み込めば独自の生成AIを実現できる可能性があります。

生成AIの知識のない方は、基礎知識の習得から進めましょう！

インターネットには、詐欺まがいのページもありますので、生成AIの基礎知識は重要です。

オープンLLMを利用して、自分の分身を作りたいと思います。

AIソロプレナーを目指す方の参考になれば、幸いです。