オープンウェイトモデルとは？主要8モデルの比較や選び方、ライセンスを解説

オープンウェイトモデルとは、AIモデルの学習済みパラメータ（重み）が公開され、自社環境にダウンロードして推論・改変・ファインチューニングまで実行できる形態のAIモデルを指します。
OpenAIのgpt-oss（2025年8月・Apache 2.0）を境に、これまでプロプライエタリAPI中心だった主要プレイヤーもオープンウェイト市場に本格参入し、2026年時点ではMeta Llama 4・Google Gemma 4・Alibaba Qwen 3.6・DeepSeek V4・Moonshot Kimi K3・Z.ai GLM-5.2・Mistral Medium 3.5などが横並びで選択肢に上がる状況です。

本記事では、オープンソースAIとの明確な線引きから、クラウドAPIとの選び分け、2026年注目の主要8モデルの位置づけ、スペック・料金の比較、用途別の選定軸、ライセンス種別の読み解き、そして日本語対応・GPU確保・地政学リスクといった実務前提までを、企業のIT・DX担当が判断に使える粒度で整理します。

オープンウェイトモデルとは？重みを公開して自社環境で動かせるAI

オープンウェイトモデル（Open Weight Model）とは、AIモデルの学習済みパラメータ（重み）が公開され、ユーザーが自社環境にダウンロードして推論・改変・ファインチューニングまで実行できる形態のAIモデルを指します。

対義的な位置にあるのが、GPT-5.5・Claude Opus 4.7・Gemini 3.1 Proのように、モデル本体はベンダー側に置かれAPI経由でのみ利用できるプロプライエタリモデルです。

OpenAIのgpt-ossがApache 2.0で公開された2025年8月以降、これまでAPI中心だったフロンティア勢がオープンウェイト市場に一気に参入し、2026年時点ではフロンティア級の性能を、自社サーバー上で自社の重みとして動かすことが現実的な選択肢になりました。

Anthropic以外の主要ベンダーは何らかの形でオープンウェイトモデルを公開しており、選択肢は「使うか使わないか」ではなく「どれを選ぶか」の段階に入っています。

オープンソースAIとの違い

「オープンウェイト」と「オープンソースAI」は日常会話で同じ意味で使われがちですが、公開範囲がまったく異なります。

• プロプライエタリ
  重み・コード・データすべて非公開（APIのみ）。GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro等
  
  
• オープンウェイト
  学習済み重み（多くの場合、推論コードも）を公開。学習コード・データ情報は非公開または部分公開。Llama・Gemma・Qwen・DeepSeek・Kimi・GLM等の大半がここ
  
  
• フルオープンソースAI（OSI準拠）
  重み＋学習/実行コード＋十分なデータ情報を利用・研究・改変・共有可能な条件で提供（OSI定義）。OLMo・Pythia等の一部モデルに限定

ここでのポイントは、業界で「オープンソースLLM」と呼ばれてきた大半（Llama・Gemma・Mistral等）は、厳密にはオープンウェイトに分類される、という点です。

技術選定の場で「オープンソースLLM」と一括りに扱うと、フルオープンソースを期待する部門と、実質オープンウェイトを想定している部門で認識がずれます。
「重みは公開・学習コードとデータは非公開」というオープンウェイトの前提をあらかじめ共有しておくと、後工程の議論が噛み合いやすくなります。

---

オープンウェイトモデルとクラウドAPIの選び分け

オープンウェイトモデルの技術的な特性を並べる前に、多くの企業がまず知りたいのは「そもそもGPT-5.5やClaude Opus 4.7のクラウドAPIで足りているのに、なぜオープンウェイトを検討する必要があるのか」という論点です。

このセクションでは、選定の起点となる3つの分岐点を整理します。
逆にこの3つに該当しないなら、クラウドAPIをそのまま使い続けるほうが総合的に有利なケースが多いです。

機密データの境界を自社の内側に置きたい

クラウドAPIを使う場合、プロンプトに含めたデータはベンダー側のサーバーに送信されます。

多くのベンダーがゼロデータリテンション（ZDR：Zero Data Retention、APIに送信したデータをモデル学習にも内部保管にも使わない契約オプション）を提供していますが、そもそも外部にデータが物理的に送出される時点で「外部委託先の管理」として扱う必要が出てきます。

• 金融・医療・防衛など規制業界
  社内規程や監督官庁のガイドラインで「機密情報の外部送信禁止」が明文化されているケース。ZDR契約では要件を満たせない場合が多い
  
  

• 顧客との契約上の制約
  「AI学習に一切利用しない」だけでなく「外部サーバーに送信しない」ことまで顧客に約束している業務
  
  

• 設計図・製法・ソースコードなどの中核資産
  競合他社と同じベンダーAPIを使うこと自体が漏洩リスクとみなされる領域

これらに該当する業務では、オープンウェイトモデルを自社サーバーもしくは自社テナント内のGPUで動かすことで、データが自社の境界を出ないまま推論を回せます。

コスト構造を従量課金から固定費に切り替えたい

クラウドAPIのトークン単価は下がってきていますが、利用量が増えるほどコストが直線的に伸びる性質は変わりません。

エージェント運用のように1つのタスクで数万〜数十万トークンを消費する使い方が主流になると、月額のAPI費用が予測しづらくなります。

オープンウェイトモデルを自社ホストで動かす場合、コストは「初期GPU投資＋電気代＋運用人件費」という固定費寄りに変わります。以下の目安が実務での分岐点です。

• 継続的な業務ドメインでAPI費用が予測しづらい規模まで伸びてきたら、構成・稼働率・量子化・GPU調達形態（購入かクラウドか）を試算したうえでGPUを自社で持つ選択肢を検討する
  
  
• 1タスクあたりのトークン消費が大きい（コードレビュー・長文RAG・マルチエージェント）ほど、オープンウェイト化の効果が大きい
  
  
• 利用が一時的・スポット的なら、クラウドAPIのままにする方が総所有コストは安い

コスト最適化目的の判断は、ローカルLLM記事で扱っているGPU選定・ランタイム設計と地続きの論点です。

「オープンウェイトモデルを選ぶ」判断と「自社インフラを設計する」判断は、そもそも分離して考えるほうが議論が整理されます。

ファインチューニング・改変の自由度を確保したい

クラウドAPIでもファインチューニングは提供されていますが、モデル本体の内部構造・トークナイザ・出力層に手を入れることはできません。

オープンウェイトモデルであれば、以下のような踏み込んだ改変が可能です。

• 自社の専門用語・言い回しを覚え込ませたLoRA（Low-Rank Adaptation：既存モデルに小さな追加パラメータをかぶせる軽量ファインチューニング手法）を作る
• 業界特有のフォーマット（電子カルテ・保険約款・回路図）を優先的に扱えるようトークナイザを調整する
• モデルの内部表現を取り出して、独自の検索インデックスに組み込む

ここまで踏み込む必要がない場合、クラウドAPIのファインチューニングで十分なことも多く、「オープンウェイトを選ぶ理由が改変の自由度だけ」なら、まずクラウドAPIで達成不可能かを1回試してから判断するほうが安全です。

いきなり自社ホストに走ると、モデル運用・GPU調達・障害対応まですべて自社で抱えることになるためです。

---

2026年注目のオープンウェイトモデル8選

ここからは、2026年7月時点で企業導入の候補になる主要8モデルを、リリース順ではなく提供主体（米国系→中国系→欧州系）で整理します。

以下の表で、8モデルの位置づけを俯瞰しました。詳細は各H3で個別に解説します。

モデル	提供元	出所	主な性格
gpt-oss	OpenAI	米国	OpenAI初の本格オープンウェイト。20B/120Bの2サイズ
Llama 4	Meta	米国	Scout/Maverick/Behemothの3階層。Scoutの10Mコンテキストが特徴
Gemma 4	Google DeepMind	米国	E2B・E4B・12B・26B A4B・31Bの5サイズ。マルチモーダル・音声入力対応
Qwen 3.6シリーズ	Alibaba	中国	27B Dense・35B MoEなど。多言語・コスト効率で人気
DeepSeek V4	DeepSeek	中国	Pro（1.6T）とFlash（284B）。100万トークンコンテキスト
Kimi K3	Moonshot AI	中国	2.8兆パラメータ。API提供中で重みは2026年7月27日公開予定
GLM-5.2	Z.ai（旧Zhipu AI）	中国	コーディング特化。753B・100万トークンコンテキスト
Mistral Medium 3.5	Mistral AI	欧州（フランス）	推論・コーディング統合のフラグシップ

この表からわかるのは、2026年時点のオープンウェイト市場が米国系3・中国系4・欧州系1という構図で、特に中国系が数と勢いで存在感を伸ばしていることです。

以下、モデルごとに提供元の狙いとスペックの読みどころを解説します。

gpt-oss（OpenAI）

gpt-ossは、OpenAIが2025年8月5日に公開した2種類のオープンウェイトモデル（gpt-oss-120bとgpt-oss-20b）です。OpenAIとしてはGPT-2以来のオープンウェイト公開で、業界に大きな衝撃を与えました。

• gpt-oss-120b
  総117BパラメータのMoE、アクティブ5.1B。80GB GPU 1枚で推論可能で、o4-miniに近い性能を実現。企業の中核業務向け
  
  

• gpt-oss-20b
  総21BパラメータのMoE、アクティブ3.6B。16GBメモリのマシン（RTX 4090・M系Mac）で動くため、開発端末やエッジ用途に適する

ライセンスはApache 2.0で、所定の表示・再配布条件と別途定めのgpt-oss usage policyを守れば、商用利用・改変・再配布が可能です。OpenAIの公式モデルカードがスペック・ベンチマーク・使い方を網羅しています。

Chain-of-Thought（推論過程）を完全に取り出せる設計で、安全性検証・監査・独自のRLHF追加も可能な点が、他のオープンウェイトと比べても踏み込んでいます。

Llama 4 Scout / Maverick（Meta）

Metaが2025年4月5日に公開したLlama 4は、ScoutとMaverickの2モデル構成です。

Llama 4三モデルのラインナップとパラメータ構成（出典：Meta AI）

公式が並べているのはScout（17B active/16 experts/109B total・10Mコンテキスト）、Maverick（17B active/128 experts/400B total）、そして内部教師モデルBehemoth（288B active/16 experts/2T total）の3層構造です。ScoutとMaverickはactive parametersを17Bに揃え、experts数と総パラメータで役割を切り分けている点が読みどころです。

• Llama 4 Scout
  総109BパラメータのMoE、アクティブ17B。10Mトークンのコンテキストを持ち、オープンウェイトとしては最大級。長文RAG・コード全体解析に強い
  
  

• Llama 4 Maverick
  総400BパラメータのMoE、アクティブ17B。GPT-4oを主要ベンチマークで上回るとされ、Llama 4系のフラグシップ

加えてBehemothと呼ばれる約2兆パラメータの教師モデルが内部で運用されており、Scout/Maverickへの知識蒸留に使われています。Behemothは一般公開されていません。

Llama 4はLlama Community Licenseという独自ライセンスで公開されており、Apache 2.0・MITとは扱いが異なります。月間アクティブユーザー7億超の企業は、Metaと個別の商用ライセンス契約が必要になる制約があり、後述のライセンスセクションで詳しく整理します。

Gemma 4（Google DeepMind）

Gemma 4は、Google DeepMindが2026年4月2日に公開したオープンウェイトファミリーで、E2B（2.3B相当）・E4B（4.5B相当）・12B・26B MoE（アクティブ4B）・31B Denseの5サイズが用意されています。

Gemma 4がGoogle AI EdgeでオンデバイスAgent Skillsを実行する様子（出典：Google Developers Blog）

• 軽量帯（E2B・E4B）
  モバイル・組み込み・エッジ向け。音声入力にも対応し、GeminiのモバイルUIをオープンウェイトで再現しやすい
  
  

• 中大型帯（26B MoE・31B Dense）
  Gemma 4 31Bは数学ベンチマークAIME 2026で89.2%を記録。26B MoEはアクティブ3.8Bだけで88.3%と、パラメータ効率が高い

Apache 2.0ライセンスで公開され、月間MAU制限もありません。Vision入力は全サイズで対応、音声入力はE2B/E4B/12B統合マルチモーダル版に搭載と、マルチモーダル対応が特に厚い設計です。

エッジ・軽量用途では、gpt-oss-20bと並ぶ第一候補として比較検討する価値があります。

Qwen 3.6シリーズ（Alibaba）

Qwenは、Alibabaが継続的にリリースを重ねているモデルファミリーで、2026年4月にQwen 3.6が2波に分けて公開されました。

Qwen3.6-27Bのオープンソースリリースキービジュアル（出典：Qwen Blog）

• Qwen 3.6-35B-A3B（2026年4月15日）
  総35BのMoE、アクティブ3B。軽量ながらエージェント処理に対応
  
  

• Qwen 3.6-27B（2026年4月22日）
  27B Dense。API互換性を重視し、既存のQwen 3系ワークフローに差し替えやすい

両方ともApache 2.0ライセンスで、Hugging Faceで自由にダウンロードできます。日本語性能はオープンウェイトの中でも比較的高く、社内文書検索・FAQ・要約用途で採用事例が増えています。

2026年5月に発表されたQwen 3.7 Max（フラグシップ）はAPI限定で重み非公開になった点は要注意です。Alibabaはオープンウェイトを中位帯（3.5・3.6）に集中させ、最上位帯（3.7 Max）はプロプライエタリという二重戦略に切り替えています。

DeepSeek V4-Pro / V4-Flash

DeepSeekは、中国のAI研究所DeepSeekが2026年4月24日に公開したV4シリーズです。ライセンスはMITで、商用利用も改変も自由です。

DeepSeek V4-ProとV4-Flashのスペック比較（出典：DeepSeek API Docs）

公式スペック表が示すとおり、V4-Proは総1.6T/アクティブ49B、V4-Flashは総284B/アクティブ13Bで、事前学習トークンはPro 33T・Flash 32T。

両モデルとも1Mコンテキスト・オープンソース・API提供に対応し、モード列がPro=Expert／Flash=Instantと役割分担が明確に切られています。

• DeepSeek V4-Pro
  総1.6TパラメータのMoE、アクティブ49B。SWE-bench Verifiedで80.6%を記録し、コーディング性能で頭一つ抜けている。API単価は公式APIキャッシュミスで入力$0.435・出力$0.87、Fireworks経由で$1.74/$3.48
  
  

• DeepSeek V4-Flash
  総284BパラメータのMoE、アクティブ13B。V3.2比で約10倍の推論効率を実現しているとされる

両モデルとも100万トークンのデフォルトコンテキストを持ち、Thinking / Non-Thinkingモードを切り替えられます。DeepSeek公式APIのキャッシュミス単価はV4-Pro $0.435/$0.87・V4-Flash $0.14/$0.28（100万トークン）と、フロンティア級の性能を持ちながら破格の低単価です。

コード生成・エージェント運用でオープンウェイトを検討するなら、GLM-5.2と並んで最初に検討候補になるモデルです。

Kimi K3（Moonshot AI）

Kimi K3は、中国のMoonshot AIが2026年7月16日にAPI/Webサービスで提供開始したフラグシップです。2.8兆パラメータのスパースMoEで、重みが2026年7月27日に予定通り公開されれば同時点で最大クラスのオープンウェイトとなります。

本記事執筆時点（2026年7月24日）はAPI/Web先行提供で、フルウェイトは3日後の公開待ちという状態です。

Kimi K3のInternal Knowledge Work Benchベンチマーク比較（出典：Kimi Blog）

Moonshot AIの公称評価では、社内ナレッジ活用系の3ベンチマークで、Kimi K3はOnline Exp Bench 75.5・DECK-Bench 73.5・Finance-Bench 62.6を記録し、GPT 5.5（70.6/68.2/58.4）・Claude Opus 4.8（65.9/66.9/60.7）を全項目で上回っています。

中国系オープンウェイトが「社内知識検索・分析」領域で欧米フロンティアと同格に立ちうる立ち位置です。

• 性能位置
  Artificial Analysis AA-Briefcase（2026年7月21日時点）でElo 1543、Claude Fable 5に次ぐ2位でGPT-5.6 Solを上回る。フロンティアプロプライエタリと同格
  
  

• 料金
  入力$3・出力$15（100万トークン）。Claude Sonnetクラスに匹敵する単価で、中国系モデルとしては高価格帯
  
  

• 重み公開スケジュール
  Moonshot AIは重みを2026年7月27日に公開予定とアナウンス。ライセンス条件は2026年7月24日時点で未公表。1M（100万）トークンのコンテキスト、常時オンの「思考モード」、ネイティブマルチモーダル入力に対応

2.8Tパラメータ級を自社で回すには複数H100・H200を束ねるインフラが必要で、実務的にはMoonshot Kimi APIを使う形が主流になると見込まれます。とはいえ「重みが公開される予定」であること自体が、公開後の自社閉域展開の選択肢を残す意味で戦略的に重要です。

GLM-5.2（Z.ai）

GLM-5.2は、旧Zhipu AI（現Z.ai）が2026年6月16日に公開したオープンウェイトモデルです。

総753B・アクティブ40BのMoEで、コーディング特化として設計されています。

GLM-5.2のLong-Horizon Task Evaluationベンチマーク（出典：Z.ai Blog）

長時間タスク評価では、GLM-5.2はFrontierSWE（Max 20 Hrs）74.4%でOpus 4.8（75.1%）に肉薄しGPT-5.5（72.6%）を上回り、SWE-Marathon（Max 10 Hrs）13.0%でも同レンジのGPT-5.5（12.0%）を抜いています。コーディングエージェントとして「数時間〜十数時間走らせる」用途でフロンティアモデルと互換運用できる位置です。

• コンテキスト
  100万トークン。GLM 5.1（約20万）から5倍に拡張
  
  

• ライセンス
  MIT。地域制限なし、商用利用・改変・自社ホスト可能
  
  

• 性能位置
  GPT-5.2（2025年12月）と同格の総合能力を公称。コーディングタスクではClaude Sonnet 4系と実務で並ぶ評価
  
  

• 周辺プロダクト
  専用のIDEプラグインZCodeがGLM-5.2向けに公開されており、Claude Codeに近い開発体験を提供

コード生成でDeepSeek V4と競合する位置にあり、価格帯・ライセンス条件でも並んでいます。実務ではSWE-bench・LiveCodeBench・HumanEvalなどタスク別ベンチマークを見て使い分けるのが定石で、単純な優劣で語れる領域ではありません。

なお、米国立標準技術研究所（NIST）のAI安全研究所（CAISI）がGLM-5.2の独立評価レポートを公開しており、性能と同時にセキュリティ観点の評価情報も参照可能です。

Mistral Medium 3.5（Mistral）

フランスのMistral AIは、欧州系オープンウェイトの旗手として2026年に大型更新を重ねました。

Mistral Medium 3.5と競合モデルのエージェンティックベンチマーク比較（出典：Mistral AI）

Mistral Medium 3.5（128B）は、SWE-Bench Verifiedで77.6%を記録し、パラメータ数がはるかに大きいKimi K2.5（1000B/A32B）84.9%やGLM 5.1（744B/A40B）80.2%と実務レンジで並んでいます。Telecomドメインでは91.4で1位を取っており、「サイズが小さい分ホスト効率が高い割に、フロンティアと同格の実務精度が出せる」欧州系の設計思想が読み取れます。

• Mistral Medium 3.5（2026年4〜5月）
  Medium 3.1（instruct）・Magistral（推論）・Devstral 2（コーディングエージェント）を統合したフラグシップ。Modified MITライセンスで公開
  
  

• Mistral Small 4（2026年3月16日）
  Magistral・Pixtral（画像）・Devstral（コーディング）を1モデルに統合。256Kコンテキスト
  
  

• Mistral Large 3（2025年12月2日公開・2026年もフラグシップ）
  総675B MoE、アクティブ41B。オープンウェイトMoEとしては大手ラボから初の大規模公開

Mistralの強みは推論・コーディング・マルチモーダルを1モデルに統合する設計思想で、モデルの切り替え運用を減らせる点にあります。ライセンスがModified MIT（商用利用可・一部条件付き）である点は、Apache 2.0・純粋MITとは扱いが微妙に異なるため、契約書レビューが必要です。

なお、もNVIDIAがNVIDIA Nemotronを継続リリースしており、日本語対応のtsuzumi 2、AXCXEPTのBonsai 27B（27B相当を1bit量子化でスマホ実行可能）など、主要8モデル以外にも重要な選択肢が存在します。

---

主要オープンウェイトモデルのスペック・料金比較

前のセクションで各モデルの背景と特徴を整理しました。ここでは同じ指標（総パラメータ・アクティブ・コンテキスト・ライセンス・API単価）に揃えて、8モデルを一覧比較します。

以下の表は、2026年7月時点の公式スペックを揃えたものです。

API単価はプロバイダー・地域・キャッシュ条件を明記しました（同じモデルでも公式APIと第三者ホスティングで単価が数倍〜十数倍変わるため、必ず契約前にプロバイダーごとの最新価格を確認してください）。

モデル	総パラメータ	アクティブ	コンテキスト	ライセンス	API入力/出力（$/1Mトークン）
gpt-oss-120b	117B	5.1B	128K	Apache 2.0	Fireworks: $0.15/$0.60
gpt-oss-20b	21B	3.6B	128K	Apache 2.0	Fireworks: $0.07/$0.30
Llama 4 Scout	109B	17B	10M	Llama Community License	Together AI: $0.18/$0.59
Llama 4 Maverick	400B	17B	1M	Llama Community License	Together AI: $0.27/$0.85
Gemma 4 31B	31B	31B	256K	Apache 2.0	自社ホスト前提。API公式提供限定的
Qwen 3.6-27B Dense	27B	27B	262K	Apache 2.0	Alibaba Cloud Singapore: $0.60/$3.60
DeepSeek V4-Pro	1.6T	49B	1M	MIT	公式API（キャッシュミス）: $0.435/$0.87／Fireworks: $1.74/$3.48
DeepSeek V4-Flash	284B	13B	1M	MIT	公式API（キャッシュミス）: $0.14/$0.28
Kimi K3	2.8T	未公表	1M	未確定（重みは2026-07-27公開予定）	Moonshot公式API: $3/$15
GLM-5.2	753B	40B	1M	MIT	Z.ai公式API: $1.40/$4.40
Mistral Medium 3.5	128B	128B（Dense）	256K	Modified MIT	Mistral公式API: $1.50/$7.50

この表から読み解けるのは3つです。

• 性能で選ぶならKimi K3・DeepSeek V4-Pro・GLM-5.2・Llama 4 Maverickの4本が上位帯で、それ以外は用途別で活かす層
• 中国系モデルはモデルごとの価格差が大きいものの、特にDeepSeek V4系はGPT-5.5・Claude Opus 4.7より大幅に安価
• 10万〜100万トークンのコンテキストが主流になり、コンテキスト長で選ぶ時代は終わりつつある

自社ホストする場合、gpt-oss-20b・Gemma 4 E4B・Qwen 3.6-27BあたりがGPU 1枚（80GB）で回せる現実的な境界です。1.6T級のDeepSeek V4-Proや2.8T級のKimi K3は複数GPU・複数ノード構成が前提で、そのままオンプレは事実上困難と考えるのが正確です。

---

【用途別】オープンウェイトモデルの選び方

比較表は「網羅的だが、どれを選べばいいか結局わからない」という声が出やすいです。ここでは実務のユースケース単位で第一候補・第二候補を提示します。

汎用推論・社内チャット

社内ナレッジ検索・FAQ応答・要約など、幅広いタスクを1モデルで安定して回したい用途です。

• 第一候補: gpt-oss-120b
  80GB GPU 1枚で運用でき、Apache 2.0＋gpt-oss usage policyで商用導入しやすい。主に英語テキストで学習されているため、日本語品質はPoCで確認する必要がある
  
  

• 第二候補: Qwen 3.6-27B
  日本語トークナイザの効率が良く、社内文書検索で採用事例が多い。Apache 2.0で自社カスタムしやすい
  
  

• 第三候補: Llama 4 Scout
  10Mコンテキストが利く場面（社内ドキュメント全部読み込み型）で強い。ただしLlama Community Licenseの月間MAU制約に注意

3つの中から選ぶ実務的な軸は、**「Apache 2.0でシンプルに閉じたい→gpt-oss/Qwen」「10Mコンテキストが業務要件に含まれる→Llama 4 Scout」**という2択で見るとブレません。

コード生成・エージェントコーディング

社内のコードベースに対する解析・レビュー・生成をエージェント的に回したい用途です。

• 第一候補: DeepSeek V4-Pro
  SWE-bench Verified 80.6%はオープンウェイトで頭一つ抜けており、API単価も公式APIキャッシュミスで$0.435/$0.87と実務投入しやすい
  
  

• 第二候補: GLM-5.2
  専用IDEプラグインZCodeと組み合わせるとClaude Codeに近い開発体験。MITライセンス
  
  

• 第三候補: Mistral Medium 3.5
  Devstral 2（コーディングエージェント）を統合しており、欧州製で調達統制上の理由から中国系を避けたい企業向け

コード用途ではモデルの絶対性能に加えて、開発ツール（IDEプラグイン・エージェントランタイム）の完成度が実務に効きます。単体ベンチマークだけでなく、周辺エコシステムを含めて評価する視点が重要です。

長文処理・全ドキュメント読み込み

契約書・仕様書・議事録などをまるごとコンテキストに投入する用途です。

• 第一候補: Llama 4 Scout
  10Mトークンの巨大コンテキストが唯一無二。RAGを組まずに全文を渡せる粒度の業務に強い
  
  

• 第二候補: DeepSeek V4シリーズ / GLM-5.2 / Kimi K3
  いずれも100万トークンコンテキスト。Scoutほどの巨大ではないが、実務では十分な長さ
  
  

• 第三候補: Mistral Small 4
  256Kコンテキスト。上記に比べて短いが、統合設計のため運用が単純

ただしコンテキスト長は「入る」ことと「精度が保たれる」ことが別問題です。10Mトークンを渡しても、実際に有効に読める範囲は使い方次第で大きく変わります。Needle-in-a-Haystackなどの長文評価ベンチマークで、自社の想定用途に近い難易度の結果を確認するのが安全です。

エッジ・軽量デバイス

社内端末やスマートフォン、産業用エッジ機器で動かす用途です。

• 第一候補: gpt-oss-20b
  16GBメモリで動く。RTX 4090搭載のワークステーションやM4 MaxのMacBook Proで実用速度が出る
  
  

• 第二候補: Gemma 4 E4B / 26B MoE
  音声・画像入力込みでモバイル寄せ。E4Bはスマートフォン級端末で動く軽量帯
  
  

• 第三候補: Bonsai 27B
  27B級を1bit量子化でスマホ実行可能。国産で日本語対応が期待できる

エッジ用途はGPU/NPU/メモリとセットで検討する話なので、モデル選定と同じ熱量でハードウェア選定にも投資してください。詳しくはローカルLLM記事でランタイム別の実務指針を整理しています。

日本語特化

日本語のニュアンス・敬語・専門用語を高精度に扱いたい用途です。

• 第一候補: Qwen 3.6-27B
  多言語対応の中でも日本語性能が高い。Qwen系ではCyberAgent・Sakura等が日本語向け派生モデルを公開
  
  

• 第二候補: tsuzumi 2
  NTTが開発した国産軽量モデル。日本語ネイティブで、業界特化のカスタム事例あり
  
  

• 第三候補: Llama 4系の日本語ファインチューニング版
  研究機関・スタートアップが独自の日本語強化版を公開している

「AIモデル本体の日本語性能」と「日本語データで追加ファインチューニングした派生モデル」は別物です。導入検討時は必ず派生モデルの選択肢まで含めて比較するのが実務のセオリーです。

---

ライセンス種別で見るオープンウェイトモデル

オープンウェイトモデルの導入で最も見落とされやすいのがライセンス条件です。性能・料金が同等でも、ライセンスによって自社で使えるかどうかが変わるケースは頻繁に発生します。

ここでは主要ライセンスを3つの層に分けて整理します。

商用フリー系（Apache 2.0・MIT）

Apache 2.0とMITは、いずれも条件を満たせば商用利用・改変・再配布が可能なライセンスですが、必要な表示・再配布条件は異なります（Apache 2.0はライセンス写しの提供・変更表示・NOTICEの扱い・明示的な特許許諾／MITは著作権表示とライセンス表示の保持）。

該当するモデルは以下のとおりです。

• Apache 2.0: gpt-oss、Gemma 4、Qwen 3.5/3.6
• MIT: DeepSeek V4-Pro/V4-Flash、GLM-5.2

この層のモデルは企業導入で最もリスクが低く、法務レビューも短時間で完了することが多いです。SaaSプロダクトへの組み込み、社内ツール化、コンサル成果物への転用など、幅広い商用利用が可能です。

Apache 2.0はMITと比べて、明示的な特許許諾と特許訴訟時のライセンス終了、変更ファイルの表示、NOTICEファイルの扱いなど条項が追加されている点が特徴で、特許周りのリスクを重視する企業導入ではむしろApache 2.0を好むケースも多いです。

Llama Community License

Metaが独自に定めているLlama Community Licenseは、Apache 2.0・MITとは扱いが異なります。

• 月間アクティブユーザー7億超の企業（Meta基準）は、Metaと個別の商用ライセンス契約が必要
• モデル・派生物の再配布時にLlama Licenseを継承させる義務あり
• Llamaの素材・出力で作成・学習・改善したAIモデルを配布・提供する場合、その名称の先頭に「Llama」を含める義務あり（ブランド保護条項・派生モデル配布時のみ適用）

7億MAU条項の対象企業は大手プラットフォーマー（Google・Amazon・Microsoft・Alibaba等）に限られるため大半の日本企業には該当しませんが、再配布条件やAcceptable Use Policyは企業規模を問わず適用される点は法務レビューで必ず確認してください。

ライセンス未確定（Kimi K3）

Moonshot AIのKimi K3は、2026年7月27日に重み公開予定ですが、2026年7月24日時点でライセンス条件は公表されていません。

7月27日以降の公開時に、以下のような条件が含まれる可能性があります（あくまで一般的なオープンウェイトライセンスで見られる制約項目で、Kimi K3の実際の条件は公開後に本文を確認する必要があります）。

• 特定業界・特定用途での利用制限
• 商用利用時の売上・ユーザー数閾値
• 出力の帰属表示・生成物への注記義務
• モデル改変時のライセンス継承条件

7月27日以降にKimi K3を本番導入する前に、必ず公開されたライセンス本文を法務部門と一緒に読み合わせることをおすすめします。

「オープンウェイトだから商用OK」という一般化は、条件確認前のモデルには通用しません。

ライセンス選定の実務チェックリスト

以下の4項目を、モデル導入前に必ず確認しましょう。

• 商用利用可否: 自社のSaaS・受託開発・社内ツールで使えるか
• 再配布条件: モデルまたは派生物を顧客に納品する場合の条件
• MAU/売上閾値: 自社の規模がライセンス制限を超えていないか
• ブランド継承義務: モデル名を派生物名に含める義務の有無

この4項目を1枚のシートに整理してから、モデル選定会議に臨むと、後から「使えないことがわかった」という手戻りを防げます。

---

オープンウェイトモデルを実務で使うときの3つの前提

ここまでで、モデル選定とライセンス確認は整理できました。最後に、実務で運用に入る前に必ずクリアしておくべき3つの前提を整理します。

日本語対応の実態を派生モデル込みで確認する

主要オープンウェイトモデルの多くは英語・中国語を主とした学習をしているため、日本語のニュアンス・敬語・専門用語で期待通りに動かないことがあります。

対処のパターンは3つあります。

• 日本語対応が公式に強化されているモデルを選ぶ（Qwen、tsuzumi 2など）
• 日本語追加学習の派生モデルを使う（cyberagent、Sakura、rinnaなどが公開）
• 本体モデルにLoRAで日本語追加学習を自社で実施する

PoC段階で「英語では動くのに日本語だと弱い」ことが判明するケースは非常に多く、モデル選定の初回スクリーニングから日本語データでのプロンプト検証を組み込むのが実務のセオリーです。

派生モデルは、Hugging Faceの「Model card」に日本語ベンチマーク（JGLUE・llm-jp-eval・Elyza-tasks-100）の結果が掲載されているものを優先すると、性能の裏取りが容易です。

GPU・インフラ調達のリードタイムを事前に見積もる

「オープンウェイトを選ぶ」判断と「GPUを調達する」判断は、実行フェーズで別のリソース制約に直面します。

• NVIDIA H100/H200: 4GPU・8GPU構成の認定システムが提供されているが、納期はベンダー・地域・構成ごとに個別確認が必要
• NVIDIA GB200・B200: 一部プロバイダーで提供開始。まだ物量が限定的
• クラウドGPU（AWS EC2 P5/P6、Azure ND H100 v5、Google A3）: 従量課金で調達可能だが、時間単価は高い
• NVIDIA DGX Spark: デスクトップサイズで最大200Bモデルを動かせる新選択肢。中小企業のPoCに有効

1.6T級のDeepSeek V4-Proや2.8T級のKimi K3を自社で回すには、複数H100/H200ノードが必要で、実質的にクラウドGPUかフルマネージド版APIの利用が現実解です。

対して、gpt-oss-20b・Gemma 4 E4B・Bonsai 27Bのような軽量モデルなら、社内のワークステーション（RTX 4090・M4 Max Mac）レベルで動きます。

インフラ調達が長引くと、モデル選定を「調達可能なGPUに合わせて縮小する」逆流が起きやすいので、モデル選定と並行してインフラの選択肢を洗っておくことをおすすめします。

中国系モデルの地政学リスクを社内ポリシーと照合する

DeepSeek V4・Qwen・Kimi K3・GLM-5.2は性能・料金の両面で非常に競争力がありますが、中国発モデルの利用には米中の輸出規制・データレジデンシー・調達統制の3観点で確認事項があります。

• 輸出規制: 米国の対中AIモデル輸出規制の対象になるかを、自社の海外拠点・海外顧客関係と併せて確認
• データレジデンシー: 中国系モデルの公式APIを経由する場合、プロンプトデータの物理的な保存場所を契約書で確認
• 調達統制: 政府調達・防衛関連・重要インフラの案件では、中国系ソフトウェア/モデルの利用が制限される場合がある

「重みをダウンロードして自社サーバーで動かす」場合は、データが外部に出ないため上記の懸念の一部は緩和されます。ただしモデル自体の由来（学習データ・学習コード）は非公開のため、モデルに埋め込まれた特性を完全に把握することは困難です。

米国NIST/CAISIがGLM-5.2の独立評価レポートを公開しているように、第三者評価が入り始めた段階ではありますが、社内ポリシーとして「特定国由来モデルの利用可否ルール」を持っておくことが、後の判断コストを下げます。

判断に迷う場合、AI総合研究所の支援経験からは、**「日本語性能で選ぶならQwen/tsuzumi、コード・エージェント性能で選ぶならDeepSeek V4/GLM-5.2、汎用米国系で完結させるならgpt-oss/Llama 4」**という3方向の切り分けが実務でよく機能しています。

---

オープンウェイトを自社閉域の業務Agent基盤で運用するなら

オープンウェイトモデルの魅力は「機密データを外に出さずに、フロンティア級の推論性能を自社閉域で動かせる」点にあります。

ただしモデル本体を自社に置いただけでは業務は動かず、Teamsからの起動・承認フロー・実行ログ一元管理まで含めた運用基盤をモデル選定と同時に整える必要があります。

このレイヤーを担うのが、自社Azureテナント内で動くエンタープライズAIエージェント基盤です。AI総合研究所のAI Agent Hubは、Teamsから呼び出せる業務特化Agent群を1つのダッシュボードで統合管理し、オープンウェイトとクラウドAPIを併用しながら業務Agentを回す運用基盤として機能します。

• オープンウェイトモデルを自社テナント内で完結運用
  Qwen・Gemma・Mistral・tsuzumi・InklingなどのオープンウェイトモデルをAzure Managed Applicationsとして自社テナント内にデプロイ。データは100%自社に保持され、AIの学習対象から完全除外されます。
  
  
• 機密度でオープンウェイトとクラウドAPIを振り分け
  機密データはオープンウェイト、非機密の大量処理は最新プロプライエタリAPI、といったポリシーベースのルーティングを設計段階から支援。ハイブリッド運用を1つの管理層で統制できます。
  
  
• Fabric OneLake接続でデータ→アクションを一気通貫
  Fabric OneLakeで意味づけしたデータをAgentが読み書きし、Teamsからのチャット起点で承認フロー・基幹システム更新・実行ログ記録までを一気通貫で回せます。
  
  
• 構築基盤が違ってもAgent管理は1つ
  Copilot Studioやn8nなど複数の構築基盤で作ったAgentを1つのダッシュボードに集約。実行ログ・アクセス権限・セキュリティスキャンを一元管理します。

AI総合研究所の専任チームが、オープンウェイトモデル選定から業務Agent基盤の統合設計まで一貫して支援します。AI Agent Hubのサービスページで、ハイブリッド運用の実装例をご確認ください。

---

まとめ

本記事では、オープンウェイトモデルの定義から2026年主要8モデルの比較・選び方・ライセンス・実務前提までを、企業のIT・DX担当が判断に使える粒度で整理しました。要点を再掲します。

• オープンウェイトは「少なくとも学習済み重みを公開する形態」で、重み＋学習/実行コード＋十分なデータ情報を求めるオープンソースAI（OSI定義）とは別カテゴリとして扱うと、社内議論の食い違いが減る
  
  
• 2026年時点の主軸は米国系（gpt-oss・Llama 4・Gemma 4）と中国系（Qwen・DeepSeek V4・Kimi K3・GLM-5.2）に集約され、Kimi K3は重み公開が2026年7月27日予定と本記事時点で未確定だが、公開されれば2.8兆パラメータで最大クラスに到達
  
  
• 選定は「機密データ境界・GPU調達可否・ライセンス適合」の3点で先に絞ると、比較表の網羅にとらわれず判断が進む
  
  
• Apache 2.0/MITは商用フリー、Llama Community Licenseは7億MAU超で追加合意が必要と、ライセンス層で読み分ける
  
  
• 中国系モデルは性能・コストで先行しているが、輸出規制・データレジデンシー・調達統制の3観点で自社ポリシーとの適合を先に確認する

オープンウェイトモデルの選択肢は今後半年でさらに増えていく見込みで、モデル単体の性能競争は続きます。一方で企業導入の実務は「モデルを選ぶ」より「モデルを業務に組み込む実行基盤とガバナンスを整える」ほうにボトルネックが移ってきています。まずは自社の1業務で軽量モデル（gpt-oss-20b・Gemma 4 E4B・Qwen 3.6-27Bなど）を試し、実行基盤の設計と並行して段階的に本格モデルへ拡張していく進め方が、失敗の少ないルートです。