LLaMA 4やMistralなどのオープンウェイトモデルは完全な制御とスケールでのコスト削減を提供し、GPT-4oやClaude Opus 4.7などの独占的モデルはフロンティアパフォーマンスを実現します。両カテゴリは性能面で収束しつつありますが、アクセス方法、カスタマイズ性、コンプライアンス要件では大きく異なります。

オープンソースLLMとは何ですか？

「オープンソース」と「オープンウェイト」は同義語ではありません。 オープンソースライセンス（Apache 2.0、MIT、GPL）はソースコードに適用され、無制限の商用・プライベート利用を許可します。オープンウェイトとは、学習済みモデルウェイトがダウンロード可能ですが、特殊なライセンスの下で制限される場合があることを意味します。LLaMA 3.1はオープンウェイトであり、オープンソースではありません — MetaはLlama Community License 2.1の下でウェイトをリリースしており、商用利用は許可されていますが、派生モデルを「LLaMA」と命名することを禁止し、帰属表示を要求する制限が含まれています。

独自モデルはオープンウェイトでもオープンソースでもありません。 OpenAI（GPT-4o）・Anthropic（Claude Opus 4.7）・Google（Gemini 3.1 Pro）はモデルウェイトをリリースしていません。APIを通じてのみアクセスできます。ウェイトはクローズドのままで、自分でモデルを確認・ダウンロード・修正・デプロイすることはできません。

この区別を理解することは、コンプライアンス・カスタマイズ・データ主権の面で重要です。LLMが内部でどのように機能するかを学ぶと、なぜウェイトが重要なのかが理解できます。

独自LLMとは何ですか？

独自LLMはAPIを通じてのみアクセスできるクローズドモデルです — ベンダーがウェイト・学習データ・安全アライメント・すべての更新を管理します。 OpenAI（GPT-4o）・Anthropic（Claude Opus 4.7）・Google（Gemini 3.1 Pro）・Mistral APIは独自モデルです。ウェイトをダウンロードしたり、学習データを確認したり、ローカルで推論を実行したり、モデルウェイトを直接カスタマイズしたりすることはできません。

価格はベンダー管理サーバーでのトークン単位のAPI課金です。 GPT-4oは入力100万トークンあたり$5、出力100万トークンあたり$15です。Claude Opus 4.7は$3/$15。Gemini 3.1 Proは$1.25/$2.50（200K以下のコンテキスト）。インフラコストはかかりませんが、月額コストを正確に予測することはできず、コストは使用量に応じてスケールします。

独自ベンダーはモデルの更新・挙動・アライメントを管理します。 OpenAIがGPT-4oを更新すると、新しいバージョンが自動的に適用されます。安全アライメント・Constitutional AI・指示への従い方はベンダーの責任です。規制産業では、これがコンプライアンスを簡素化する場合があります — ベンダーが監査証跡と公開された安全慣行を維持します。

主要概念と定義

オープンウェイトモデル。 学習中に学習した数値パラメータ（ウェイト）が公開されており、ダウンロード・修正・ファインチューニング・自己ホスティングが可能な大規模言語モデル。例：LLaMA 3.1（Meta）、Mistral Large 2（Mistral AI）、Qwen 2.5（Alibaba）。オープンソースライセンスと混同しないこと。「オープンウェイト」はダウンロード可能なモデルファイルに関するものであり、必ずしもソースコードやOSI準拠のライセンスを意味しません。

独自LLM。 ウェイトが非公開で決してリリースされない大規模言語モデル。アクセスはベンダーのAPIを通じてのみ可能で、トークン課金とネットワーク接続が必要です。例：GPT-4o（OpenAI）、Claude Opus 4.7（Anthropic）、Gemini 3.1 Pro（Google）。ユーザーはモデルをダウンロード・検査・修正・自己ホスティングすることができません。

ファインチューニング。 事前学習済みモデルをドメインまたはタスクに特化した新しい小規模データセットで再学習するプロセス。ファインチューニングはモデルのウェイトを更新して、特定のユースケース（例：カスタマーサービスのトーン、ドメイン語彙）に特化させます。オープンウェイトモデルはLoRA・QLoRA・完全バックプロパゲーションによるフルファインチューニングをサポートしています。ほとんどの独自モデルはファインチューニングを制限または禁止しています。

学習データカットオフ。 モデルがその日付以降のイベントや情報の知識を持たない日付。GPT-4oのカットオフは2024年10月、Claude Opus 4.7は2025年初頭、Gemini 3.1 Proは2024年10月です。モデルはカットオフ日以降のイベントについて正確な情報を提供できません。

モデルウェイト。 モデル学習中に学習された数値パラメータ（数十億から数兆の数字）。ウェイトはモデルの挙動・知識・推論パターンを決定します。オープンウェイトモデルはこれらのファイルをリリースします（モデルサイズによって約15〜800GB）。独自モデルはウェイトを秘密に保ちます。

オープンソースLLMと独自LLMの違いは何ですか？

オープンソースLLM（LLaMA 3.1、Mistral、Qwen）はモデルウェイトを公開しており、組織がダウンロード・検査・ファインチューニング・自己ホスティングを行えます。独自LLM（GPT-4o、Claude、Gemini）はベンダーが所有しており、APIを通じてのみアクセスできます。ユーザーは独自ウェイトをダウンロードまたは修正できませんが、管理されたインフラとベンダーの更新の恩恵を受けられます。

オープンソースLLMは独自モデルと同程度の性能ですか？

多くのタスクで、はい。推論ベンチマーク（MMLU）でのパフォーマンスの差は7〜8ポイントに縮まっています。分類・要約・ドメイン固有タスクでは、LLaMA 3.1 70Bなどのオープンウェイトモデルが独自モデルに匹敵します。独自モデルは複雑な多段階推論・エージェントオーケストレーション・マルチモーダル入力処理で依然としてリードしています。

企業はいつオープンソースLLMを使用すべきですか？

データプライバシーが必須の場合（医療・金融・法律）、1日1000万トークン以上を処理する場合、ドメイン固有のファインチューニングが必要な場合、またはEU AI Actのコンプライアンスがオンプレミスのデータ保管を要求する場合に、オープンソースLLMを使用すべきです。オープンウェイトモデルはベンダーロックインとトークン単位のAPI課金も排除します。

オープンソースLLMは独自AIモデルを置き換えられますか？

多くのユースケースで、はい。オープンソースLLMは分類・要約・抽出・ドメイン固有タスクで本番対応しています。独自モデルは複雑な推論・マルチモーダル入力・ツール統合・インフラ不要のデプロイで優位性を維持しています。コスト・プライバシー・パフォーマンス要件に基づいてタスクをルーティングするハイブリッドアプローチは、どちらのモデルクラスだけに依存するよりも優れたパフォーマンスを発揮します。

機能クイック比較

機能	オープンソースLLM	独自LLM
コスト	インフラのみ（セルフホスト$0.50〜2.00/時間）	トークン課金（入力100万トークンあたり$0.15〜5.00）
制御	完全 — ウェイトを所有、ファインチューニングと修正が可能	限定的 — ベンダーがモデルと更新を管理
セットアップ	複雑 — GPU・VRAM・DevOpsスキルが必要	簡単 — APIキーとネットワーク接続のみ
パフォーマンス	80〜82%（MMLU）— 特定タスクで競争力あり	88〜90%（MMLU）— 一般推論でより高い性能
データプライバシー	完全制御 — データがインフラ外に出ない	プロバイダー依存 — データがベンダーサーバーを経由

意思決定フレームワーク：どちらを選ぶべきか？

このフレームワークを使用して30秒で決断してください。 以下のカテゴリのいずれかにユースケースが当てはまるか確認してください。複数の条件が当てはまる場合は、プロジェクトへの重要度で重み付けしてください。

オープンソースLLMを選ぶ場合：
• データプライバシーが重要な場合（医療・金融・法律・EU GDPR）
• 完全なモデル制御とカスタマイズが必要な場合（ファインチューニング・ドメイン特化）
• 1日1000万以上のトークンを処理する場合（大規模利用でコスト削減が支配的）
• インターネット接続なしで運用する場合（潜水艦・航空機・オフラインネットワーク）
• EU AI Actのコンプライアンスが高リスクAIシステムに必要な場合
• ベンダーロックインを避け独立性を維持したい場合
独自LLMを選ぶ場合：
• 推論と多段階タスクでフロンティアパフォーマンスが必要な場合
• 1日500万トークン未満を処理する場合（APIはインフラより安価）
• インフラオーバーヘッドなしと管理されたスケーリングが必要な場合
• マルチモーダル入力（画像・音声）の信頼性が必要な場合
• ツール統合とエージェントオーケストレーションが必要な場合
• ベンダー管理の安全アライメントと更新を好む場合
• GPUリソースやDevOpsの専門知識がない場合
ハイブリッドアプローチ（両方）を選ぶ場合：
• 混合ユースケースがある場合：プライベート作業はオープンウェイト、複雑な推論は独自
• プライバシー・コスト・レイテンシー要件に基づいてリクエストをインテリジェントにルーティングできる場合
• 1つのベンダーにコミットする前にモデルを比較したい場合

2026年のオープンソースvs独自モデル：クイック比較

モデル	タイプ	コンテキストウィンドウ	概算コスト	最適なユースケース
GPT-4o	独自	128Kトークン	入力/出力100万トークンあたり$5/$15	ツール統合・エージェント・マルチモーダル推論
Claude Opus 4.7	独自	200Kトークン	入力/出力100万トークンあたり$3/$15	ライティング・コードレビュー・構造化推論
Gemini 3.1 Pro	独自	200万トークン	入力/出力100万トークンあたり$1.25/$2.50（200K以下）	長文書調査・Google統合
LLaMA 3.1 70B	オープンウェイト	131Kトークン	A100 GPU（セルフホスト）で約$2/時間	プライバシー・ファインチューニング・大規模コスト削減
Mistral Large 2	オープンウェイト	123Kトークン	A100 GPU（セルフホスト）で約$2/時間	ヨーロッパ向けデプロイ・競争力のある推論
Qwen 2.5 72B	オープンウェイト	128Kトークン	A100 GPU（セルフホスト）で約$2/時間	アジア太平洋ワークロード・中国語処理
Mistral 7B	オープンウェイト	32Kトークン	コンシューマーGPU（セルフホスト）で約$0.50/時間	テスト・プロトタイプ・コスト重視の作業

2026年のオープンウェイトの状況

オープンソースLLMにより、組織はモデルウェイトをダウンロード・検査・修正し、ベンダー依存やトークン単位のAPIコストなしにローカルでデプロイできます。 2026年の主要モデルは、MetaのLLaMA 3.1・Mistral Large 2・Qwen 2.5・その他コミュニティライセンスの下でリリースされたモデルです。

MetaのLLaMA 3.1ファミリーは独自モデルに対する主要なオープンウェイトの競合です。 LLaMA 3.1は3つのサイズがあります：8B（推論に約8GB VRAM）・70B（約40GB VRAM）・405B（複数GPUにわたる約800GB+ VRAM）。3つすべてが131Kトークンのコンテキストウィンドウをサポートしており、多くの独自モデルと同等かそれを上回ります。LLaMA 3.1は15兆トークンの多言語テキストで学習されており、新しいバリアントは複数の言語を競争力を持ってサポートしています。

Mistral AIは2つの強力な候補を提供しています：Mistral 7BとMistral Large 2。 Mistral 7Bは32Kコンテキストを持つ70億パラメータのスリムなモデルで、コンシューマーグレードの推論と迅速なプロトタイピングに最適です。Mistral Large 2は123Kコンテキストで123Bパラメータにスケールし、「フロンティアライト」パフォーマンス帯をターゲットにしており、LLaMA 70Bや独自モデルと直接競合します。両方ともMistral Community Licenseの下で商用利用が可能です。

Qwen 2.5（Alibaba）と新興モデル（Falcon、Phi-4）が状況を補完しています。 Qwen 2.5 72Bは128Kコンテキストをサポートし、中国語タスクで優れています。アジア太平洋市場を対象とするチームに有用です。Phi-4（Microsoft）やFalcon 180Bなどの小型モデルは、コスト重視または特化したユースケースをターゲットにしています。すべてダウンロード可能で、自己ホスティング可能で、LoRAまたは完全学習によるファインチューニングをサポートしています。

2026年の独自モデルの状況

独自LLMはベンダー管理のAPIを通じてのみアクセスできます。モデルウェイトは決してリリースされず、ダウンロード・修正・ローカルデプロイはできません。ユーザーはトークン単位のAPI課金を支払い、モデルの更新・安全ポリシー・パフォーマンス特性に関するベンダーの管理を受け入れます。

OpenAIのGPT-4oは推論のリーダーとして地位を維持しています。 GPT-4oは2024年10月の学習カットオフで128Kトークンのコンテキストをサポートしています。ツール使用・エージェントワークフロー・マルチモーダル入力（画像・テキスト）・複雑な多段階推論で優れています。APIの価格：入力100万トークンあたり$5、出力100万トークンあたり$15（2026年3月現在）。GPT-4oはAPIのみです。コンテキストウィンドウがAIシステムにどう影響するかを参照して、トレードオフを理解してください。

AnthropicのClaude Opus 4.7はライティングとコード品質ベンチマークで支配的です。 Claudeは200Kトークンのコンテキストをサポートしており、GPT-4oの2倍で、より長い文書と長い会話が可能です。学習データのカットオフ：2025年初頭。APIの価格：入力100万トークンあたり$3、出力100万トークンあたり$15。Claudeは公開のファインチューニングを提供していません。Anthropicはベンチマーク最大化よりも解釈可能性と安全アライメントを優先しています。

GoogleのGemini 3.1 Proは最大のコンテキストウィンドウを提供しています：200万トークン。 これにより、本の長さの文書処理・徹底的な調査・長い多ターンの会話が可能になります。価格：入力100万トークンあたり$1.25（200K以下のコンテキスト）、出力100万トークンあたり$10。200K超のコンテキストには高い料金が適用されます。GeminiはGoogle Workspace・Calendar・Gmail・Webサーチと深く統合されています。学習データのカットオフ：2024年10月。GeminiモデルのファインチューニングはGoogleが提供しています。

ベンチマークパフォーマンス：2026年の差の現状

独自モデルは一般推論（MMLU）でまだリードしていますが、差は7〜8ポイントに縮まっています。 MMLU（Massive Multitask Language Understanding）は57の学術分野を網羅する広範なベンチマークです。LLMが実際にどのように機能するかが推論能力に関係する理由については、トランスフォーマーアーキテクチャに関する詳細解説をご覧ください。現在のスコア：

GPT-4o: 88.7%（OpenAI、2024年）

Claude 3.5 Sonnet: 88.3%（Anthropic、2024年）

LLaMA 3.1 70B: 80.5%（Meta、2024年）

Mistral Large 2: 81.2%（Mistral AI、2024年）

Qwen 2.5 72B: 82.1%（Alibaba、2024年）

オープンウェイトと独自モデルのパフォーマンスの差は、2022年の15〜20ポイントから2026年の推論タスクでの7〜8ポイントに縮まっています。 特化タスク（コーディング・数学・要約・分類）では、オープンウェイトモデルが独自モデルと同等またはそれ以上のパフォーマンスを発揮しています。

残りの差は主に抽象推論とツール使用オーケストレーションにあります。— Touvron et al., "Llama 3 Herd of Models", 2024

重要な注意点： ベンチマークは狭いスキルを測定します。タスク固有のパフォーマンスは変動します：分類・要約・抽出では、LLaMA 3.1 70BがGPT-4oと同等またはそれ以上のパフォーマンスを示すことが多いです。複雑な多段階推論（代数、長い思考の連鎖）では、独自モデルが優位性を維持しています。唯一の信頼できるベンチマークは、実際のタスクでテストすることです — ユースケースに最適なモデルの選び方を参照してください。

コスト分析：API課金 vs セルフホスティング

直接コスト比較：独自APIは低量では有利、オープンウェイトのセルフホスティングは大規模で有利です。 分岐点は通常1日500万〜1000万トークンです。このしきい値を下回ると、APIのシンプルさとインフラコストなしが独自モデルに有利。これを超えると、オープンウェイトのセルフホスティングがコスト効果的になります。

2026年3月現在のAPIの価格：

セルフホスティングのインフラコスト：NVIDIA A100 80GBはクラウドで約$2/時間でレンタル可能。RTX 4090コンシューマーハードウェアは電気代+償却（3年間）で約$1.50/時間。Mistral 7Bの場合、推論スループットはGPUあたり約50〜100トークン/秒、つまりGPUあたり約1.8〜3.6億トークン/日。Mistral Large 2またはLLaMA 70B：A100あたり約20〜30トークン/秒、つまり約170〜260万トークン/日。これらのスループットで：

1日500万トークンの場合： A100セルフホスティングのコストは約$2.50/日。Claude Sonnetのコスト：500万 × ($3 + $15) / 100万 = $90/日（平均で入力50%、出力50%と仮定）。APIの方がまだ安価。

1日5000万トークンの場合： セルフホスティングにA100が20台必要 = $50/日。APIコスト：$900/日。オープンウェイトが圧倒的。

1日1億トークンの場合： A100が40台必要 = $100/日。APIコスト：$1,800/日。オープンウェイトは18倍安価。

価格の確認：OpenAI Pricing · Anthropic Pricing · Google Pricing — 価格は四半期ごとに変更されます。詳細なトークンコストの内訳についてはトークン・コスト・制限の解説を参照してください。

モデル	入力（100万トークンあたり）	出力（100万トークンあたり）
GPT-4o	$5.00	$15.00
Claude Opus 4.7	$3.00	$15.00
Gemini 3.1 Pro	$1.25（200K以下）	$2.50

プライバシー・データ主権・EU AI Act

ローカルにデプロイされたオープンウェイトモデル = データがインフラ外に出ない。 Ollamaを使用してプライベートGPUでLLaMA 3.1を実行すると、推論データ・メタデータ・クエリログはネットワーク外に出ません。これがデータ主権です：完全な制御を維持できます。独自API（OpenAI・Anthropic・Google）は、外部サーバーへのネットワーク経由でリクエストを送信する必要があります。契約上のデータ削除があっても、データは一時的にベンダーのインフラを経由してコンプライアンスのためにログに記録されます。

EU AI Act（2024年）は特定のLLMアプリケーションを「高リスク」と指定しており、リスク文書・バイアステスト・監査証跡が必要です。 カテゴリには重要な決定を下すシステムが含まれます（採用・信用・法的発見・給付金決定）。高リスクシステムは意思決定の方法の記録を維持し、非差別を証明し、人間の監視をサポートする必要があります。オンプレミスにデプロイされたオープンウェイトモデルはこれを容易にします — 監査証跡とデータストレージを管理できます。独自APIはこれを難しくします — ベンダーのコンプライアンスレポートに依存することになり、規制産業には不十分な場合があります。

規制産業（医療・金融・法律サービス）では、オープンウェイトが必須であることが多いです。 HIPAA（医療）・SOX（金融）・弁護士秘密特権はデータ所在地を要求します — つまりデータが管轄区域外に出ることはできません。米国や他の国にある独自APIはこれらの要件に違反します。これらのセクターのチームは通常、オンプレミスインフラにオープンウェイトモデル（LLaMA・Mistral・商用配布版）をデプロイしています。

ファインチューニングとカスタマイズ：オープンウェイトが勝る点

オープンウェイトモデルはフルファインチューニングを許可します。独自モデルはこれを制限または禁止しています。 ファインチューニングとは、モデルのウェイトを自分のデータで再学習させて、特定のドメインに特化させることを意味します。効率的なファインチューニングにはLoRA（Low-Rank Adaptation）、量子化学習にはQLoRA、十分なコンピュートがある場合は完全なバックプロパゲーション学習を使用できます。ファインチューニング後、モデルはあなたのものになります — 生成されたウェイトを所有し、どこにでもデプロイでき、オフラインで更新できます。

独自のファインチューニング対応状況： OpenAIのファインチューニングAPIはGPT-4o mini・GPT-4（旧モデル）のみ対応。GPT-4oフラッグシップには対応していません。AnthropicはAPIを通じたClaudeのファインチューニングを提供していません。GoogleはGeminiの限定的なファインチューニングを提供しています。これらのいずれもファインチューニングされたウェイトの所有権を許可しません — 独自モデルのファインチューニング済みコピーをレンタルするだけです。

セキュリティ上の考慮事項： 独自APIでファインチューニングを行う場合、学習データがベンダーサーバーにアップロードされます。機密ドメインでは、これがコンプライアンス規則に違反します。オープンウェイトのファインチューニングはオンプレミスで実施されます。外部APIを使用する際の追加の攻撃面の考慮事項についてはプロンプトインジェクションとセキュリティを参照してください。

オープンソースLLMと独自LLMの主な違い

オープンウェイトモデルは大規模利用でコストを削減し、完全なカスタマイズを可能にします。独自モデルは高いトークン単位コストで迅速なデプロイと管理されたインフラを提供します。 1日500万トークン未満では独自APIの方が通常安価。1000万トークン/日を超えると、セルフホストのオープンウェイトがコスト面で勝ります。量・プライバシー要件・インフラ準備状況に基づいて選択してください。

次元	オープンウェイトモデル	独自モデル
コストモデル	セルフホスト：インフラ$0.50〜2.00/時間。デプロイ後は無料。トークン課金なし。	API課金：入力100万トークンあたり$0.15〜5.00、出力$0.30〜15.00。使用量に応じてスケール。
パフォーマンス上限	最良のオープンウェイト（LLaMA 70B、Mistral Large）：MMLU 80〜82%。特定タスクで競争力あり、抽象推論では劣る。	フロンティア（GPT-4o、Claude、Gemini）：MMLU 88〜90%。推論・エージェント・マルチモーダルでより高い上限。
コンテキストウィンドウ	LLaMA 3.1：131K。Mistral Large：123K。Qwen：128K。長文書に十分。	GPT-4o：128K。Claude：200K。Gemini 2.5：200万。大きなウィンドウで長い調査が可能。
プライバシー	完全なデータ主権。データがインフラ外に出ない。ベンダーによるログなし。	データがベンダーサーバーを経由。処理中の一時的な露出があるが、契約上の削除は約束される。
ファインチューニング	フルファインチューニング対応（LoRA、QLoRA、完全学習）。ウェイトを所有。ドメインカスタマイズ可能。	限定的（OpenAIのミニモデルのみ）または不可（Anthropic Claude）。生成されたウェイトを所有できない。
データ主権	オンプレミスデプロイ：完全主権。EU AI Act対応。HIPAA/SOX/法律コンプライアンス達成可能。	API依存：データ所在地が不明確。規制産業でのコンプライアンス証明が困難。
推論速度	ハードウェア依存。A100：20〜30トークン/秒（70B）。RTX 4090：10〜15トークン/秒。	最適化サーバー：30〜50+トークン/秒。決定論的。ベンダーが最適化を管理。
サポート	コミュニティ主導。ドキュメントは充実しているが、ベンダーSLAなし。自己サポート。	ベンダーサポート込み。API SLA・インシデント対応・稼働率保証。
更新サイクル	オフライン。新バージョンリリース時に採用タイミングを自分で選択。強制更新なし。	サーバーサイド。ベンダーがモデルを更新。バージョン管理APIエンドポイントで適応。
ベンダーロックイン	ロックインなし。どこでもデプロイ可能。自由にベンダー変更またはセルフホスト。コンピュートを所有。	中〜高ロックイン。モデルの挙動・API・価格はベンダーが管理。移行には移行コストが発生。

プロンプトエンジニアリングにおけるオープンソースvs独自LLM

オープンウェイトモデルにより、より低コストで深いプロンプト実験が可能になります。 ローカルのLLaMA 3.1インスタンスに対して同じプロンプトを100回実行し、トークン課金なしで言葉・温度・構造を反復できます。ドメインのプロンプト-レスポンスペアでモデルをファインチューニングします。プライベートインフラでジェイルブレイクとエッジケースを実験します。このサンドボックス環境は研究・プロトタイピング・モデルの挙動理解に最適です。

独自APIはテストが速く、スケールが容易です。 プロンプトを書いてGPT-4oまたはClaude APIを呼び出すと、インフラセットアップなしで数ミリ秒で結果が得られます。VRAM・量子化・モデルのダウンロードを管理する必要はありません。A/Bテスト・本番デプロイ・可変トラフィックの処理では、独自モデルが運用の複雑さを軽減します。

ハイブリッドアプローチ：オープンウェイトでプロトタイプ、独自モデルで検証。 LLaMA 3.1 8Bを使用してローカルでプロンプトを開発・改善します（高速な反復、コストなし）。プロンプト戦略が固まったら、GPT-4oまたはClaude 4.6でテストしてフロンティアパフォーマンスを確認します。優れたパフォーマンスの方を本番環境にデプロイします。これにより、オープンウェイトの柔軟性と独自モデルの信頼性を組み合わせられます。

オープンソースモデルをいつ使用するか

データプライバシー・大規模コスト・深いカスタマイズ要件が制約を支配する場合、オープンウェイトを選択してください。 オープンウェイトが優れているケース：

機密データ（医療・金融・法律）： 患者記録・金融データ・弁護士-クライアント間のコミュニケーションは外部APIを経由できません。オンプレミスにデプロイされたオープンウェイトはデータを管理下に置き、コンプライアンスを達成できます。HIPAA・GDPR・弁護士秘密特権のコンプライアンスにはLLaMA 3.1またはMistralを使用してください。プロンプトインジェクションに対するセキュリティ管理策と組み合わせてモデル入力を保護してください。
高量オートメーション（1日5000万+トークン）： 1日約1000万トークンを超えると、セルフホスティングが独自APIより安価になります。APIコストが法外になる高量の分類・抽出・要約・データ処理パイプラインにはオープンウェイトを使用してください。
ドメインカスタマイズとファインチューニング： ラベル付きデータセットがあり、モデルを自分の用語・文体・タスク分布に特化させる必要がある場合。オープンウェイトはLoRA・QLoRA・フルファインチューニングを許可します。独自APIはカスタマイズを禁止または制限しています。
地理的またはネットワーク上の制約： インターネットアクセスなしで推論が必要な場合（潜水艦・航空機・遠隔地）。オープンウェイトはオフラインで動作します。独自APIはネットワーク接続が必要です。
EU AI Actコンプライアンス（高リスクデプロイ）： 採用システム・信用決定・給付金決定。監査証跡・リスク文書・オンプレミスのデータ所在地はオープンウェイトの方が容易です。独自APIはコンプライアンスの実証を困難にします。
コストの予測可能性： オープンウェイトのインフラコストは固定（ハードウェア+電気代）。独自APIは使用量に応じて予測不可能にスケールします。コスト重視の組織には、オープンウェイトの予算管理が明確です。

独自モデルをいつ使用するか

絶対的なパフォーマンス・管理されたインフラ・安全アライメントが最も重要な場合、独自モデルを選択してください。 独自モデルが優れているケース：

複雑な多段階推論： エージェントワークフロー・複雑な研究合成・抽象的な問題解決。GPT-4o・Claude 4.6・Gemini 2.5はMMULで7〜8ポイントの優位性を維持しています。オープンウェイトは特定タスクで差を縮めていますが、一般推論では依然として劣っています。
長コンテキストの文書調査（100万+トークン）： Gemini 3.1 Proは200万トークンのコンテキストを持つ唯一の本番モデルです。書籍全体・研究コーパス・膨大な判例法の処理では、オープンウェイトモデルには匹敵するものがありません。文書の長さがオープンウェイトの能力を超える場合は独自モデルを使用してください。
インフラオーバーヘッドなし： GPUリソース・DevOpsの専門知識・モデルインフラのオンコール対応がない場合。独自APIが可用性・スケーリング・最適化を処理します。シンプルさのために支払い、運用負担を回避してください。
ツール統合とエージェント： OpenAIはツール使用・関数呼び出し・多段階エージェントオーケストレーションでリードしています。システムが信頼性の高い関数ルーティングと多ターンのエージェント動作を必要とする場合、GPT-4oが実用的な選択肢です。
管理された安全性とアライメント： 独自ベンダーはConstitutional AI・RLHF・指示への従い方に多大な投資をしています。チャットボット・カスタマーサービス・ユーザー向けシステムでは、独自モデルが通常すぐに使える安全性が高いです。
マルチモーダル入力（画像・音声）： GPT-4oとClaude Opus 4.7は画像入力を確実に処理します。マルチモーダルのオープンウェイトモデルは存在しますが、成熟度が低いです。信頼性の高いビジョン-言語タスクには独自モデルを使用してください。

ハイブリッドAIアーキテクチャ（オープン+クローズドモデル）

組織は、機密データとコスト重視のタスクにはオープンウェイトモデルを、複雑な推論とマルチモーダル処理には独自モデルにルーティングするハイブリッドAIアーキテクチャを使用できます。このアプローチにより、オープンウェイトのコスト効率・プライバシー・カスタマイズ性と、独自LLMのパフォーマンスと管理されたインフラを組み合わせられます。

プライバシー敏感データ → ローカルのオープンウェイト、複雑な推論 → 独自API。 患者記録・金融データ・法的文書をOllamaを通じてローカルで動作するLLaMA 3.1にルーティングします。多段階の研究合成・コード生成・エージェントオーケストレーションをGPT-4oまたはClaude Opus 4.7にルーティングします。このハイブリッドアプローチでコンプライアンスを達成しながらフロンティアパフォーマンスを維持できます。
コスト重視のバッチ処理 → ローカルのオープンウェイト、インタラクティブなリクエスト → 独自API。 バックグラウンドタスク（分類・抽出・要約）にはセルフホストのLLaMA 3.1 70Bを使用（A100で約$2/時間）。レイテンシーが重要なリアルタイムのユーザーリクエストにはGPT-4o API（100万トークンあたり$5/$15）を使用。ハイブリッドにより総コストとレイテンシーが削減されます。
マルチモデル比較とコンセンサス → PromptQuorum。 PromptQuorumを使用して、単一のプロンプトをローカルOllama・GPT-4o・Claude 4.6・Gemini 3.1 Proに同時にディスパッチします。品質・レイテンシー・コストを並べて比較してください。本番用のウィナーを選択するか、アンサンブル推論のために出力を組み合わせてください。
テストとステージング → オープンウェイト、本番サービング → 独自。 ローカルで動作するLLaMA 3.1 8Bを使用して迅��なプロトタイピングと開発を行います。プロンプトとパイプラインが検証されたら、信頼性・ツール統合・安全保証が重要な本番トラフィック用にGPT-4oまたはClaudeにアップグレードします。

一般的な通説が間違っている点

オープンウェイトは常に独自APIより安価ではありません。 1日500万トークン未満では、インフラコスト（GPU償却・電気代・DevOps人件費）がAPI課金を超えるため、独自API（GPT-4o mini、Claude Haiku、Gemini Flash）の方が多くの場合安価です。1000万トークン/日を超えた場合にのみ、オープンウェイトのセルフホスティングがコスト最適になります。

パフォーマンスの差はタスク固有であり、普遍的ではありません。 独自モデルはMMUL（推論）で7〜8ポイントリードしています。しかし分類・要約・抽出・多くのドメインタスクでは、LLaMA 3.1 70Bが独自モデルと同等またはそれ以上のパフォーマンスを発揮します。「独自モデルの方が優れている」という言い方は広すぎます。実際のタスクでベンチマークを測定してください。
「オープンソース」のライセンスは複雑であり、実際にはオープンソースではないことが多いです。 LLaMA・Mistral・Qwenは OSI準拠のオープンソースではなく、非標準ライセンスの下での「オープンウェイト」です。これらを「オープンソース」と呼ぶのは誤解を招き、法的な混乱を招きます。法的保護に依存する前に、顧問と一緒にライセンスを確認してください。
独自モデルが常により安全またはアライメントされているわけではありません。 すべてのモデルはハルシネーションします。独自の学習データ・カットオフ・Constitutional AIは、ジェイルブレイク・プロンプトインジェクション・悪用を防ぐことができません。オープンウェイトは独自のアライメントと同等またはそれ以上になるようにファインチューニングできます。安全性はモデルクラスではなく、デプロイとガードレールの特性です。

主要用語

オープンウェイト — モデルウェイトはダウンロード可能だが、ライセンスによって制限される場合がある
ファインチューニング — ドメイン固有のデータでモデルウェイトを再学習させる
LoRA — 低ランク適応による効率的なファインチューニング（完全学習コストの5〜10%）
RAG — Retrieval-Augmented Generation：外部文書でLLM出力を根拠付ける
コンテキストウィンドウ — 入力+出力合計の最大トークン容量
VRAM — モデル推論に必要なGPUメモリ

実践的なプロンプト構造

悪いプロンプト「オープンソースとGPT-4o、どちらが良いですか？」

良いプロンプト「1日2000万トークンのカスタマーサポートチケットを処理する必要があります。EU外にデータを送信できません。このユースケースについて、オープンウェイト（LLaMA 3.1 70Bセルフホスト）vs 独自（GPT-4o APIを使用）を比較してください：1日2000万トークンでのインフラコスト・GDPRデータ所在地コンプライアンス・ファインチューニングの実現可能性・チケット分類タスクでの期待品質を含めてください。」

よくある質問

Llama 3.1は本当にオープンソースですか、それともオープンウェイトだけですか？

オープンウェイトのみです。LLaMA 3.1はLlama Community License 2.1の下でモデルウェイトをリリースしており、OSI準拠のオープンソースではありません。このライセンスは商用利用を許可していますが、派生物を「LLaMA」と命名することを禁止し、帰属表示を要求し、競業禁止条項が含まれています。真のオープンソースライセンス（Apache 2.0、MIT、GPL）にはこれらの制限はありません。LLaMAはクローズドな独自アクセスよりも許容的ですが、法的には「オープンソース」ではありません。

2026年、LlamaのセルフホスティングとGPT-4o APIではどちらが安いですか？

量によって異なります。1日500万トークン未満では、インフラコストがAPI課金を超えるため、GPT-4o API（またはGPT-4o mini）の方が安価です。500万〜1000万トークン/日ではコストが大体均衡します。1000万トークン/日を超えると、LLaMA 3.1のセルフホスティングがコスト面で有利になります。1億トークン/日では、セルフホスティングが10〜20倍安くなります。隠れたコスト要因：GPU償却・電気代（約$0.10/kWh）・DevOps人件費・ダウンタイムリスクが、境界ケースをAPIに傾けることが多いです。

EU AI ActはオープンソースLLMに影響しますか？

はい、デプロイ方法によって異なります。EU AI Act（2024年）は「高リスク」AIシステムを指定しています — 採用・信用スコアリング・法的発見 — リスク文書・バイアステスト・監査証跡が必要です。オンプレミスにデプロイされたオープンウェイトはデータとログを制御できるためコンプライアンスが容易です。独自APIはベンダーの証明に依存することになります。フロンティアモデル（10^25 FLOPを超えるトレーニングコンピュートを持つ汎用AIモデル）には追加の透明性義務があります。規制産業では、コンプライアンス顧問に相談してください。

2026年でGPT-4oに最も近いオープンソースLLMはどれですか？

LLaMA 3.1 70BとMistral Large 2が最も近いですが、差は残っています。MMLU（推論ベンチマーク）で、GPT-4oは88.7%に対してLLaMA 3.1 70Bは80.5%、Mistral Largeは81.2%です。特定タスク（分類・要約・抽出）では、オープンウェイトが独自モデルに匹敵します。差は年間約2〜3ポイント縮まっており、18〜24ヶ月で推論タスクの収束が見込まれます。

GPT-4oをファインチューニングできますか？

できません。OpenAIのファインチューニングはGPT-4o mini・GPT-4・gpt-3.5-turboのみ対応しており、GPT-4o本体には対応していません。AnthropicはClaudeのファインチューニングを提供していません。GoogleはGeminiのファインチューニングを提供しています。オープンウェイトモデル（LLaMA、Mistral、Qwen）はLoRA・QLoRA・完全勾配学習でフルファインチューニングをサポートしており、生成されたウェイトを所有できます。

LLaMA 3.1 70Bをローカルで実行するために必要なハードウェアは？

フル精度：約40GB VRAM（A100 80GBまたはデュアルRTX 3090/4090）。Ollamaによる4ビット量子化：約16〜20GB VRAM（RTX 4090 24GB単体）。LLaMA 3.1 8Bはコンシューマーハードウェアで動作（約8GB VRAM、RTX 3060またはApple M2 Pro）。Ollamaが量子化とモデル管理を自動的に処理します。ほとんどのローカルデプロイに推奨されます。

MacBookでオープンソースLLMを実行できますか？

はい。Apple Silicon（M1/M2/M3/M4/M5）MacはOllamaまたはLM Studio経由でオープンウェイトモデルを実行できます。ユニファイドメモリアーキテクチャがRAMとGPUを共有 — 16GBのM2 ProはLLaMA 3.1 8Bを10〜15トークン/秒で実行できます。128GBメモリのM3 MaxはLLaMA 3.1 70Bを4ビット量子化で実行可能。専用GPUサーバーより遅いですが、開発・個人利用に十分です。

オープンソースLLMは独自モデルと同じ制限がありますか？

基本的な制限は同じです：両者ともにハルシネーション・知識カットオフ・コンテキストウィンドウ制限・推論の限界があります。オープンウェイトはサーバーサイドでパッチを当てられず、ウェイトの更新には新しいリリースと再学習が必要です。独自モデルはユーザーの操作なしに段階的に改善できます。オープンウェイトのファインチューニングで特定の制限（ドメイン知識、トーン）を緩和できますが、知識カットオフやハルシネーションリスクなどの構造的制約は克服できません。

2026年でコーディングに最適なオープンウェイトモデルはどれですか？

LLaMA 3.1 70BとMistral Large 2が最強のオープンウェイトコーディングモデルです。HumanEvalスコアは73〜78%で、GPT-4oの約90%、Claude Opus 4.7の約87%と比較されます。Python・SQL・構造化出力ではオープンウェイトが競争力を持ちます。複雑なアルゴリズム設計やマルチファイル推論では、独自モデルが依然として大きな優位性を維持しています。

オープンソースLLMを商用アプリケーションに使用できますか？

はい。LLaMA・Mistral・Qwenはいずれもライセンスの下で商用利用を明示的に許可しています。主な制限：派生物を「LLaMA」と命名できない（改名必須）。ライセンスの帰属表示が必要。LLaMA 2は月間アクティブユーザー7億人超の組織を制限していましたが（LLaMA 3.xで削除）。ほとんどのチームはオープンウェイトを内部（プライベート推論）でデプロイしており、命名の問題を完全に回避しています。

LoRAとは何ですか？オープンウェイトのファインチューニングで重要な理由は？

LoRA（Low-Rank Adaptation）は、全レイヤーで完全なバックプロパゲーションを行うのではなく、少数のアダプターウェイト（モデルパラメータの約1〜5%）のみを学習するファインチューニング手法です。これにより、品質損失を最小限に抑えながら学習コストを完全ファインチューニングの5〜10分の1に削減できます。QLoRAは4ビット量子化でこれを拡張し、コンシューマーGPU（16〜24GB VRAM）でのファインチューニングを可能にします。LoRAはLLaMAやMistralを完全な再学習なしにドメイン特化タスクに適応させる標準的なアプローチです。

参考文献

Meta AI, "Llama 3 Herd of Models"（Touvron et al., 2024）— アーキテクチャ・コンテキストウィンドウ・ベンチマークスコア・学習データのドキュメント
Mistral AI, Model Cards and Technical Documentation（2024）— Mistral Large 2とMistral 7Bの仕様
Hendrycks et al., "Measuring Massive Multitask Language Understanding"（2021）— MMULベンチマークの定義とベースラインスコア。arXiv:2009.03300
Chen et al., "Evaluating Large Language Models Trained on Code"（2021）— コード生成のためのHumanEvalベンチマーク。arXiv:2107.03374
欧州連合, "Artificial Intelligence Act"（2024）— 高リスクAIシステムカテゴリ・GPAIモデルの義務・コンプライアンス要件
Hu et al., "LoRA: Low-Rank Adaptation of Large Language Models"（2021）— LoRA手法の定義と効率性の結果。arXiv:2106.09685
Dettmers et al., "QLoRA: Efficient Finetuning of Quantized LLMs"（2023）— QLoRA手法とコンシューマーGPUでのファインチューニング結果。arXiv:2305.14314

オープンウェイト vs 独占的LLM