English Arabic Français Deutsch 日本語 한국어 Português Русский Español

2026年8月版 オープンソースLLMガイド: 最新モデル、APIアクセス、コーディングエージェント

著者 / / LLM, オープンソース / 2 分で読めます
2026年8月版 オープンソースLLMガイド: 最新モデル、APIアクセス、コーディングエージェント
目次
  1. オープンソースLLMとは何か？
  2. 2026年最高のオープンソースLLM
  3. セルフホスティング vs ホスト型API推論
  4. API経由でオープンソースLLMにアクセスする方法
  5. コーディングエージェント向けオープンソースLLM
  6. どのオープンソースLLMを使用すべきか？
  7. まとめ
  8. FAQ
  9. おすすめ記事

2026年8月時点でプロジェクトに最適なオープンソースLLMは、ベンチマークの見出しではなく、タスクによって決まります。現在の選択肢には、DeepSeek V4 Pro、Qwen3.6、Kimi K2.6、GLM-5.1があり、それぞれ推論、コーディング、長文脈処理、ライセンスにおいて異なる強みを持っています。実用的な問題は、ダウンロード可能な重みが必要か、それともGPU運用チームなしで動作するホスト型APIが必要かです。このガイドでは、現在の分野を比較し、セルフホスティングとAPIアクセスの違いを説明し、Novita AIを使用してコーディングエージェントでオープンウェイトモデルを活用する方法を示します。

オープンソースLLMとは何か？

「オープンソース」は実際には幅広い範囲をカバーしています。運用上最も重要な区別は、トレーニングコードが公開されているかどうかではなく、自分でモデルの重みを実行できるかどうかです。一般的なケースは以下のとおりです。

  • 寛容なライセンス（Apache 2.0、MIT）で完全にオープンな重み: ライセンス条項に従い、モデルを商用利用、変更、提供できます。例：Qwen3.6（Apache 2.0）、DeepSeek R1（MIT）、GLM-5.1（MIT）。
  • カスタムライセンスのオープン重み: 重みはダウンロード可能ですが、商用利用、再配布、ファインチューニングに制限がある場合があります。MetaのLlama 4は、月間アクティブユーザー数が7億人を超える場合のしきい値を設けたカスタムライセンスを使用しています。
  • 研究専用またはゲート付き重み: 重みは利用可能ですが、非商用利用に制限されているか、承認が必要です。実運用チームにとってはあまり関係ありません。

ほとんどの実運用判断において、実用的なフィルターは次のとおりです。このモデルをユーザーに合法的に提供できるか、ライセンスが必要な商用利用ケースを許可しているか。

2026年最高のオープンソースLLM

オープンウェイト層は大幅に圧縮されています。このリストは2026年8月24日に更新され、新しいQwen、Kimi、GLMのリリースを含んでいます。Kimi K2.6は、ここで取り上げるダウンロード可能なKimiモデルです。

汎用および推論

DeepSeek V4 Pro（685B、MIT相当）は、エージェント型コーディングにおける現在のベンチマークリーダーです。SWE-Benchや関数呼び出しベンチマークでクローズドなフロンティアモデルに匹敵するかそれを上回り、大規模コードベースの読み取りやマルチステップのツール呼び出しを必要とするコーディングエージェントにとって実用的な選択肢となっています。685Bモデルを自分で実行するインフラがない場合は、ホスト型APIとして利用できます。

Qwen3.6 は、高密度およびスパースMoEバリアント、マルチモーダル入力、262Kのネイティブコンテキストウィンドウを備えたオープンウェイトQwenファミリーを拡張します。Apache 2.0ライセンスにより商用展開に実用的であり、モデルサイズの範囲により、チームはサービス品質とコストのバランスを取る余地が広がります。

Kimi K2.6 は、Moonshot AIのオープンウェイト1TパラメータMoEモデルで、32Bのアクティブパラメータと256Kのコンテキストウィンドウを備えています。長期間のエージェント型コーディング、ツール使用、マルチエージェント連携向けに設計されており、モデル全体を自分で運用したくない場合はホスト型APIアクセスを通じて利用できます。

DeepSeek R1（685B、MIT）は、数学および形式推論に最適な選択肢であり続けています（AIMEで79.8%）。アプリケーションにコード検証、形式証明、構造化推論チェーンが含まれる場合、R1がベンチマークの基準点です。

GLM-5.1 は、Z.aiのMITライセンスによるGLM-5のアップデートで、40Bのアクティブパラメータと204.8Kのコンテキストウィンドウを備えています。主な用途は、モデルが反復を続け、結果を検査し、短いコーディングパスの後に停止するのではなく戦略を変更する必要がある長期間のエージェント型作業です。

コーディング特化型

Qwen 2.5 Coder 32B（Apache 2.0）は、HumanEvalで92%を達成し、単一のRTX 4090で動作します。コンシューマーハードウェアでセルフホスト可能なコーディングモデルが必要な場合、これが実用的な選択肢です。

Kimi K2.6 は、現在のコーディングに焦点を当てたKimiの選択肢でもあります。その長文脈と長期設計により、持続的なリポジトリ作業、ツールを多用するワークフロー、自律的なデバッグにおいて、以前のKimi K2 Codeバリアントよりも関連性が高くなっています。

これらのモデルを中心にエージェントランタイムを選択する場合は、Open Source Coding Agents: Best Tools and How to Build One と What Are Coding Agents? を比較してください。

小型および効率的

Phi-4 14B（Microsoft）は8GBのVRAMで動作し、指示追従、コード、軽い推論をうまく処理します。レイテンシとハードウェアの制約がピーク品質よりも重要な場合に使用します。

Llama 4 Scout（Meta）は最大10Mトークンのコンテキストをサポートし、16GBのVRAMに収まります。ワークロードに長文書処理が含まれる場合の適切な選択肢です。

モデル比較一覧

モデル サイズ ライセンス 最適な用途 コンテキスト
DeepSeek V4 Pro 685B MIT相当 エージェント型コーディング、SWE-Bench 1M
Qwen3.6 高密度およびMoEバリアント Apache 2.0 マルチモーダル推論、商用利用 262K
Kimi K2.6 1T MoE、32Bアクティブ 修正MIT エージェント型コーディング、ツール使用 256K
DeepSeek R1 685B MIT 数学、形式推論 163K
GLM-5.1 MoE、40Bアクティブ MIT 長期間のエージェント型作業 204.8K
Qwen 2.5 Coder 32B 32B Apache 2.0 コード、セルフホスト 128K
Phi-4 14B 14B MIT 低VRAM、開発用途 128K
Llama 4 Scout ~109B カスタム 長文書コンテキスト 10M

セルフホスティング vs ホスト型API推論

これは、実際のコストと時間投資を決定する運用上の判断です。要約すると、1日あたり約200万～500万トークンを超え、12か月間安定したトラフィックがある場合を除き、ホスト型API推論の方が運用が安価で迅速です。

ホスト型API推論が優位なケース

  • チームにGPU運用の経験がない
  • プロトタイピング中、またはモデル選択を反復中
  • トークン量がセルフホスティングの損益分岐点を下回る
  • 新しいリリースが登場するたびにモデルを迅速に切り替える必要がある
  • 信頼性と自動スケーリングがコスト最適化よりも重要

OpenAI互換のホスト型LLM APIを使用すると、ベースURLとモデルIDを1行変更するだけで新しいモデルを追加できます。コールドスタート管理、量子化のトレードオフ、バッチ構成、サービングフレームワークのアップグレードを回避できます。

セルフホスティングが優位なケース

  • データをインフラから持ち出せない（医療、金融、法務、規制業界）
  • 1日あたり500万トークン以上を予測可能なトラフィックで処理している
  • ホスト型プロバイダーが提供していないファインチューニング済みまたは適応済みチェックポイントを提供する必要がある
  • 既存のGPUクラスターに空き容量がある

H100でSGLangやvLLMを使用したセルフホスティングは、大規模になると真にコスト効率が高くなります。最近のベンチマークでは、標準ワークロードでSGLangのスループットがvLLMより29%高く、RadixAttentionを介したプレフィックス重視のRAGパイプラインでは最大6倍高速です。ただし、これらの利点は、モデル更新、ハードウェア障害、トラフィックスパイクに対応するサービングスタックを維持する運用能力がある場合にのみ意味があります。

ハイブリッドパス

ほとんどのチームは最終的にハイブリッドになります。プロトタイピングと柔軟なモデルアクセスにはホスト型API、専用容量を正当化するワークロードにはGPUインスタンスを使用します。単一のAIクラウドプラットフォームに留まる実用的な利点は、サーバーレスAPIから専用エンドポイント、カスタムGPUインスタンスに移行する際に、認証、課金、可観測性、デプロイメントパイプラインを再構築する必要がないことです。

API経由でオープンソースLLMにアクセスする方法

Novita AIは、DeepSeek V4 Pro、DeepSeek V4 Flash、Kimi K2.6、Qwen3.6、GLM-5.1、MiniMax M3などを含むオープンソースモデルのカタログへのOpenAI互換APIアクセスを提供します。エンドポイント構造はOpenAIと同じであるため、openai SDKを使用する既存のコードは、最小限の変更でNovitaモデルに接続できます。

基本的なAPI呼び出し

from openai import OpenAI

client = OpenAI(
    base_url="https://api.novita.ai/v3/openai",
    api_key="YOUR_NOVITA_API_KEY",
)

response = client.chat.completions.create(
    model="deepseek/deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "あなたは役立つアシスタントです。"},
        {"role": "user", "content": "DeepSeek R1とV4 Proの違いを説明してください。"},
    ],
)

print(response.choices[0].message.content)

モデルを切り替えるには、model パラメータを変更します。他の変更は必要ありません。サポートされているモデルIDの完全なリストは、novita.ai/docs/model-api/reference/llm/models.html で入手できます。

TypeScript

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.novita.ai/v3/openai",
  apiKey: process.env.NOVITA_API_KEY,
});

const response = await client.chat.completions.create({
  model: "qwen/qwen3.5-397b-a17b",
  messages: [{ role: "user", content: "JSONを解析するPython関数を書いてください。" }],
});

console.log(response.choices[0].message.content);

料金参考

料金はモデルによって異なり、100万トークンあたりで請求されます。DeepSeek V4 Flashは入力$0.14/Mt、出力$0.28/Mtで、最もコスト効率の高い汎用オプションです。DeepSeek V4 Proは入力$1.60/Mt、出力$3.20/Mtで、モデル品質がタスク完了率に直接影響するエージェント型およびコーディングワークフロー向けのプレミアム選択肢です。最新の料金は novita.ai/models/llm で確認してください。新しいモデル追加に伴い変更されます。

コーディングエージェント向けオープンソースLLM

2026年の最も効果的なコーディングエージェント設定は、推論とコード生成にオープンソースLLMを使用し、コード実行用にサンドボックス実行環境を組み合わせます。これは単純なAPI呼び出しとは異なるアーキテクチャです。エージェントはファイルを読み取り、コードを書き、コマンドを実行し、出力を検査し、反復する必要があります。

避けるべき2つの障害モード:

  1. エージェントが生成したコードを開発マシンや本番サーバーで実行する — モデルが破壊的または予期しないものを生成した場合の誤り
  2. エージェントセッションごとに完全なVMを自分でセットアップする — すぐに規模が大きくなり、スケールが遅い

Novita Agent Sandbox

Novitaの Agent Sandbox は、200ms未満で起動する分離されたLinux環境を提供します。各サンドボックスには、エージェントが読み書きできるファイルシステム、エージェントがコマンドを実行できるシェル、およびモデルが生成したものが他のサンドボックスやインフラに影響を与えないようにする分離性があります。セッションはリクエスト間で持続するため、エージェントはマルチステップタスク全体で状態を維持できます。

Python SDKは簡単です:

from novita_sandbox.code_interpreter import Sandbox

sandbox = Sandbox.create()

# エージェントがファイルを書き込む
sandbox.files.write("/workspace/app.py", code_content)

# エージェントが実行する
result = sandbox.commands.run("python /workspace/app.py")
print(result.stdout)

# クリーンアップ
sandbox.kill()

これをNovitaのLLM API上の任意のOpenAI互換モデルと組み合わせると、APIキー以外のインフラを必要とせずにコードを生成、実行、検査、修正できるコーディングエージェントが得られます。

オープンソースエージェントフレームワーク

NovitaのAgent Sandboxでドロップインランタイムとして利用可能ないくつかのオープンソースコーディングエージェントがあります:

  • OpenClaw on Novita — セッション上限なしで、Novitaサンドボックスを介して永続的なOpenClawエージェントをデプロイします。自動的にNovitaのLLM APIとサンドボックスに接続するため、長時間実行される自動化タスクに実用的です。
  • Hermes Agent — Nous Researchによる自律型エージェントで、永続メモリを備えています。単一セッションではなく、長時間実行プロセスとして動作します。
  • Goose — オープンソースコーディングエージェント（GitHubスター45,000以上）で、Novitaをネイティブプロバイダーとしており、単一の認証情報で200以上のモデルにアクセスできます。

既存のフレームワークをデプロイするのではなく、カスタムコーディングエージェントを構築するチームには、Novita Agent Runtimeが、サンドボックスライフサイクル、ツール呼び出しルーティング、セッション永続性を処理する軽量スキャフォールディングレイヤーを提供します。

どのオープンソースLLMを使用すべきか？

決定木は短いです:

コーディングおよびエージェント型タスクの場合: まずはAPI経由でDeepSeek V4 Proから始めてください。SWE-Benchとマルチステップツール使用の現在のパフォーマンスリーダーです。コストが制約の場合は、DeepSeek V4 Flashがよりシンプルなコードタスクを低価格で処理します。

推論と数学の場合: DeepSeek R1は今でもAIMEと形式推論のベンチマーク基準です。コード実行ではなく構造化問題解決が含まれるタスクに使用します。

オープンライセンスでの商用利用の場合: Apache 2.0のQwen3.6は、法務チームが使い慣れた寛容なライセンスを必要とする場合の実用的な出発点です。サービング予算とタスク品質テストに基づいて、高密度およびMoEバリアントから選択します。

コンシューマーGPUでのセルフホストコーディングの場合: Qwen 2.5 Coder 32Bは単一のRTX 4090で動作し、HumanEvalで92%を達成します。ハイエンドGPUインフラなしでコーディングモデルをセルフホストする必要がある場合、これが実用的な選択肢です。

長文書の場合: Llama 4 Scoutの10Mトークンコンテキストウィンドウは、他のモデルではチャンキングが必要なワークロードを処理します。

小規模環境の場合: Phi-4 14Bは8GBのVRAMに収まり、指示追従、コード生成、軽い推論をうまく処理します。

これらの選択肢すべてに共通するパターン: ホスト型APIアクセスは運用オーバーヘッドを排除し、状況の変化に応じてモデルを切り替えることができます。セルフホスティングは、データ主権や規模に応じたトークン経済がGPU運用への投資を正当化する場合に意味を持ちます。ほとんどの実運用チームは両方を行うことになります。

まとめ

2026年のオープンソースLLMの状況は、2年前とは根本的に異なります。DeepSeek V4 Pro、Qwen3.6、Kimi K2.6、GLM-5.1などのモデルは、エージェント型コーディング、形式推論、マルチモーダル分析、長文脈処理などの特定のワークロードにおいて第一候補です。

実用的な判断は、リーダーボードでどのモデルが最適かではありません。それは、どのモデルが運用モデルに適合するかです。迅速に動き、GPU運用を避ける必要がある場合はホスト型API、データをインフラから持ち出せない場合やトークン経済が投資を正当化する場合はセルフホスティング、モデルがコードを生成するだけでなく実行する必要がある場合はサンドボックス実行レイヤーです。

Novita AIのLLM APIは、OpenAI互換エンドポイントの背後にある主要なオープンソースモデルをカバーしているため、DeepSeek、Qwen、Kimi、GLMに対して同じ統合コードを実行でき、各モデルリリースごとにスタックを再構築する必要はありません。タスクにコード実行が必要な場合は、Agent Sandboxと組み合わせると、基盤となるインフラを管理することなく、本番対応のコーディングエージェントの中核が得られます。

FAQ

2026年で最高のオープンソースLLMは？

DeepSeek V4 Proはエージェント型コーディングの有力候補、Kimi K2.6は長期間のツール使用、Qwen3.6は複数のサイズでApache 2.0オプション、GLM-5.1は持続的なエージェント実行を対象としています。正しい答えは、タスク、ライセンス要件、ハードウェア、セルフホストの有無によって異なります。

ローカル使用に最適なオープンソースLLMは？

Qwen 2.5 Coder 32B（単一RTX 4090）、Phi-4 14B（8GB VRAM）、Llama 4 Scout（16GB VRAM、10Mコンテキスト）がローカル推論の実用的な選択肢です。70Bを超えるモデルは通常、マルチGPUセットアップが必要です。

オープンソース大規模言語モデルはクローズドモデルと同じくらい優れていますか？

特定のタスクにおいては、はい。DeepSeek V4 ProはSWE-BenchおよびコーディングベンチマークでGPT-4.1に匹敵するかそれを上回ります。一般的なオープンエンドタスクでは、トップのクローズドモデルが依然として優位性を持っています。その差は特定のタスクとベンチマークに大きく依存します。

今日のオープンソースLLMニュースは？

2026年8月24日現在、最近のオープンウェイトリリースにはQwen3.6、Kimi K2.6、GLM-5.1、DeepSeek V4 Proが含まれます。

セルフホスティングせずにオープンソースLLMモデルにアクセスするには？

ホスト型推論APIを使用します。Novita AIは、DeepSeek、Qwen、Kimi、GLM、MiniMax、その他のオープンソースモデルへのOpenAI互換アクセスを提供します。ベースURLを https://api.novita.ai/v3/openai に、モデルIDを希望のものに変更するだけで、既存のコードに他の変更は必要ありません。

オープンソースLLMとオープンソース言語モデルの違いは何ですか？

これらの用語はほとんどの文脈で同じ意味で使用されます。技術的には、「大規模言語モデル」は大規模にトレーニングされたトランスフォーマーベースの言語モデルを特に指します。「オープンソース言語モデル」は、より小規模なモデルやトランスフォーマーアーキテクチャ以外のモデルも指すことがありますが、現在の用法では両方の用語が同じカテゴリのモデルを表します。

おすすめ記事

関連記事