オープンソースLLMとは？定義・仕組み・主要モデルを基礎から解説

本記事は「オープンソースLLMとは何か」という問いに絞り、定義・仕組み・ライセンスの構造を体系的に解説することを目的としています。具体的なモデルの網羅的な一覧や選定比較は オープンソースLLM 一覧 に譲り、本記事では重複させません。

オープンソースLLMとは何か——「オープン」の定義から問い直す

オープンソースLLM（Open-Source Large Language Model）とは、モデルの重み（パラメータ）やアーキテクチャの仕様、場合によっては学習コードまでを公開し、第三者が自由にダウンロード・実行・改変・再配布できる大規模言語モデルの総称です。ChatGPTやGeminiのようにAPIを通じて出力だけを提供するクローズドモデルとは根本的に異なり、モデルそのものを手元に置いて運用できる点が最大の特徴です。

ただし「オープンソース」という言葉は慎重に扱う必要があります。ソフトウェア開発の文脈で確立されたOSI（Open Source Initiative）の定義を厳密に適用すると、著名なモデルの多くは条件を満たしません。MetaのLlama 3系列には月間アクティブユーザー数による商用制限があり、Qwenの一部バリアントにも利用制約が付帯します。業界では「重みとコードが公開されていれば慣習的にオープンソースと呼ぶ」運用が定着しており、本記事もその慣習に沿います。実務においては「オープンウェイト（open-weight）」と「真のオープンソース」を区別して議論することが、ライセンスリスクを回避するうえで不可欠です。

以下の図は、オープンソースLLMにおけるテキスト生成の処理フローを示したものです。入力テキストがトークンに分割され、Transformerが文脈を捉えて出力を生成する一連の流れを確認してください。

オープンソースLLMの仕組み——Transformerアーキテクチャの核心

オープンソースか否かを問わず、現代の主要なLLMはほぼ例外なくTransformerアーキテクチャを基盤としています。仕組みを理解することは、モデルの選定・量子化・ファインチューニングの判断に直結するため、ここで基礎を整理します。

トークン化：入力文字列はまず「トークン」と呼ばれる単位に分割されます。英語では空白基準のサブワードが多用されますが、日本語では文字・形態素単位のトークン化が必要になります。英語中心のトークナイザーは日本語テキストを細かく分割する傾向があり、同じ内容でも日本語は英語より多くのトークンを消費します。これはコンテキスト長の実質的な圧縮とランニングコストの増加を意味します。

埋め込み変換：各トークンは高次元のベクトルに変換されます。意味的に近い語はベクトル空間上で近傍に位置し、いわば「意味の幾何学」が形成されます。この表現学習がLLMの汎化能力の根幹です。詳細な原理は BERTとNLPの基礎解説 も参照してください。

Self-Attentionとフィードフォワード層：Transformerブロックの中核はSelf-Attentionです。各トークンがシーケンス内の他の全トークンとの関連度（アテンションスコア）を計算し、長距離の依存関係と複雑な論理を処理します。これを数十〜数百層積み重ねることで、多様な文脈を捉える能力が生まれます。ディープラーニングの基礎原理については ディープラーニング解説 で詳しく扱っています。

次トークン予測：最終的にモデルはこれまでのトークン列から「次に出現する確率が最も高いトークン」を予測します。この操作を繰り返すことで文章が生成されます。Transformerの自己回帰的な生成プロセスは本質的に「高度な確率的補完」であり、予測が事実と乖離するハルシネーションが発生する構造的な理由でもあります。

パラメータ数と必要リソース：モデルのパラメータ数は推論能力と計算コストの両方に直結します。7Bパラメータのモデルはfloat16精度で約14GBのVRAMを必要とし、一般的な16GB GPUで動作します。70Bになると量子化なしでは単一GPU対応が困難になり、INT4量子化でようやく24〜48GBのGPU環境で動作する水準になります。生成モデルの基礎原理については GAN解説 も参考になります。

オープンソースLLMの「公開範囲」とライセンスの構造

オープンソースLLMを実務に採用する際、最も見落とされがちなのがライセンスの差異です。何が公開されているかによって自由度は大きく異なり、商用利用の可否も変わります。

ライセンスの実務上の注意点を以下に示します。

• Llama 3系（Meta Llama 3 License）：月間アクティブユーザーが7億人を超える事業者はMetaの別途許可が必要です。それ未満であれば商用利用・ファインチューニング・再配布が可能です。
• Apache 2.0（MistralのベースモデルやQwenの一部）：商用利用・改変・再配布が自由で、現時点でビジネス用途に最もフレンドリーなライセンス形態です。
• MIT（phi-4、DeepSeekの一部）：Apache 2.0と同様に制約が少なく、組み込み・SaaS提供のいずれにも対応しやすい形態です。
• CC BY-NC系：非商用のみ許可。商用利用には追加契約が必要なケースが大半です。研究目的での利用に留めることが無難です。
• 学習データに起因するリスク：モデルが著作物を学習している場合、その出力が著作権侵害とみなされるリスクは国・地域によって異なります。日本では著作権法30条の4の適用範囲が継続的に議論されています。ライセンス文書は改訂されるため、商用採用前には必ずHugging Face公式ページまたはGitHubリポジトリで最新版を確認してください。

オープンソースLLMとクローズドLLM——設計上のトレードオフ

オープンソースLLMを選択すべきかどうかは、要件とトレードオフの認識次第です。優劣の問題ではなく、設計上の選択の問題として捉えるべきです。

2026年時点の動向として、DevelopersIO（dev.classmethod.jp）は「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のベンチマークで商用モデルに匹敵するスコアを出す」と報告しています。クローズドモデルとの性能差は縮まっており、用途を絞れば実用上十分な品質が得られる局面が増えています。

日本語対応の現状——国産・継続学習モデルの位置づけ

英語圏主導で発展してきたオープンソースLLMですが、日本語対応の水準は急速に上がっています。ただし英語モデルと同等の精度を期待するには、いくつかの構造的な制約を理解しておく必要があります。

産業技術総合研究所（AIST）は2024年10月、Llama 3.1をベースに日本語継続事前学習を施した「Llama 3.1 Swallow」を公開しました（aist.go.jp）。継続事前学習によって日本語能力を大幅に向上させたこのアプローチは、英語ベースモデルの日本語適応における一つの定石となっています。

また国立情報学研究所（NII）が約12兆トークンのコーパスで学習したモデルを公開していることも注目に値します（current.ndl.go.jp）。大規模コーパスによる事前学習は、特定ドメインの継続学習との組み合わせで、専門領域での精度を底上げする基盤となります。

Qwen3.5については、科学技術振興機構（JST）のSPAPが2026年3月時点のオープンソースLLM最新ランキングで首位と報告しており（spap.jst.go.jp）、多言語対応の高さが評価の主因とされています。

日本語対応における構造的な課題として、英語中心のトークナイザー問題があります。英語で1トークンに相当する内容が、日本語では複数トークンに分割されるため、同じコンテキスト長でも実質的に扱える情報量が減少します。日本語特化のトークナイザーを採用したモデルや、日本語で継続事前学習を施したモデルを選択することで、この問題を緩和できます。

テキストマイニングや自然言語処理の基礎については テキストマイニング解説 も参照してください。マルチモーダルな活用については マルチモーダルAI解説 で詳しく扱っています。

オープンソースLLMの限界と構造的なリスク

オープンソースLLMの優位性を論じる際、その限界と構造的リスクを同列に示すことが誠実な議論の前提です。以下に主要なリスクを整理します。

ハルシネーション：LLMは統計的な次トークン予測を基盤とするため、事実と異なる情報を確信をもって出力するハルシネーション（幻覚）が構造的に発生します。RAGや根拠付き回答設計、出力の人間確認プロセスを組み合わせることで軽減できますが、完全には排除できません。強化学習の仕組みとアライメントの関係については 強化学習解説 を参照してください。

プロンプトインジェクション：悪意ある入力によってモデルを意図しない動作に誘導する攻撃です。入力フィルタリングと出力検証を組み合わせた多層防御が必要です。

重みの改ざんリスク：公開された重みが第三者によって変更されている可能性があります。必ず公式ソース（Hugging Face公式ページ、Meta公式リポジトリ等）からダウンロードし、チェックサムを確認する運用が求められます。

インフラ運用負荷：クローズドAPIと異なり、GPU環境の調達・推論サーバーの管理・モデルのバージョン管理・セキュリティパッチ適用はすべて自社責任です。エンジニアリングコストを過小評価すると、運用フェーズで問題が顕在化します。

性能の上限：特定のベンチマークではオープンソースモデルがクローズドモデルに追いついている局面もありますが、全般的な汎用能力や最先端の推論能力では依然としてクローズドモデルが先行するケースがあります。用途に応じた現実的な評価が不可欠です。

機械学習の基礎原理については 機械学習解説 を、スパースモデリングの観点からのモデル理解については スパースモデリング解説 も合わせてご参照ください。

弊社クリスタルメソッド株式会社が開発するDeepAIは、実在の人物の容姿・表情・声・振る舞いをデジタル空間で再現するバーチャルヒューマン／AIアバターソリューションです。リップシンク・表情生成・音声合成・対話AIを組み合わせ、接客・研修・面接練習・広報などの用途で活用されます。対話AIのバックエンドにLLMを組み込む構成では、個人情報を含む会話ログを外部APIに送信せずに処理できるという観点から、オープンソースLLMのローカル展開との親和性が高い領域です。詳細は ブログトップ より関連記事をご参照ください。

---

まとめ——オープンソースLLMとは何かを問い続ける視点

オープンソースLLMとは、モデルの重みとアーキテクチャを公開することで、データプライバシー・カスタマイズ性・ベンダー依存からの自由を実現する大規模言語モデルの形態です。ただし「オープン」の範囲はモデルごとに大きく異なり、OSI定義の厳密な意味でのオープンソースとは区別して理解する必要があります。

Transformerアーキテクチャに基づく次トークン予測という原理は変わりませんが、2026年時点でオープンソースLLMの性能は急速に向上しており、コーディングや専門タスクでは商用モデルに匹敵する局面も生まれています（DevelopersIO、dev.classmethod.jp）。性能の進化を追うだけでなく、ライセンス・運用コスト・セキュリティリスクを含めたトレードオフの構造を理解したうえで採用判断を行うことが、実務的には最も重要です。

モデルの具体的な一覧・選定比較については オープンソースLLM 一覧 をご参照ください。

---

参考文献

• 産業技術総合研究所（AIST）「オープンソースLLMの日本語能力を高めた『Llama 3.1 Swallow』を公開」（2024年10月8日）
  https://www.aist.go.jp/aist_j/press_release/pr2024/pr20241008_2/pr20241008_2.html
• 国立国会図書館カレントアウェアネス「国立情報学研究所（NII）、約12兆トークンのコーパスで学習したモデルを公開」
  https://current.ndl.go.jp/car/277042
• 科学技術振興機構 SPAP「オープンソースLLM最新ランキング、Qwen 3.5が首位」（2026年3月時点）
  https://spap.jst.go.jp/china/news/260301/topic_1_03.html
• DevelopersIO「2026年のローカルLLM事情を整理してみた」（クラスメソッド株式会社）
  https://dev.classmethod.jp/articles/local-llm-guide-2026/