2024年のLlama 3.1は、8B、70B、405Bのモデルと15T tokensの学習によって普及しました。2025年のLlama 4では、MoE化とネイティブマルチモーダル化が進みました。

ローカル利用では、Llama 3.1の8B、70BやLlama 4系の量子化モデルが主流です。

商用利用は可能ですが、ライセンスはOSI準拠のオープンソースではありません。 [ref-21]

Mistral Small 3、3.1、4は、ローカル推論の効率に強く、Apache 2.0で扱いやすい点が最大の魅力です。

Mistralは学習データを非公開とする一方、速度、価格、携帯性を前面に出しています。コード特化モデルのDevstralも実務評価が高く、自社環境に閉じたファインチューニングやRAGと相性が良い系列です。 [ref-22]

Gemma 4は、オープンウェイトでありながら、E2B、E4Bのエッジ向けモデルから31Bのワークステーション向けモデルまで、連続的に設計されている点が優れています。

Googleは、140以上の言語、256K文脈、マルチモーダルへの対応を示しています。QLoRAやHugging Face経由のチューニング資料も整っています。

軽量で閉域運用しやすく、社内向け日本語アシスタントを作る土台として有力です。 [ref-23]

Qwen系は、日本語への明示的な対応が強みです。

Qwen 2.5は29以上の言語をサポートし、日本語向けのJMMLUも重視しています。

2026年のQwen 3.6-27Bは、27Bのdenseモデルで「flagship-level coding」を掲げ、ローカルでの高性能コーディング用途において存在感を増しました。

日本語チャット、コード生成、文書QAを一つのモデルで扱いたい場合、Qwenは有力な選択肢です。 [ref-24]

Phi-4は14B級で、合成データと高品質コーパスを組み合わせた、小さく強い設計です。

MITライセンスで商用利用の障壁が低く、エッジやオンデバイス実装に向いています。

大規模なGPUを用意できない社内ツール、組み込み機器、オフライン補助などで、特に利用しやすい系列です。 [ref-25]

実運用では、モデル本体以上に、llama.cpp、GGUF、vLLM、Ollama、Transformersなどの周辺技術が重要です。

特にllama.cppは、4bit量子化によるメモリ削減と高速化を両立し、CPU、Apple Silicon、一般的なGPUまで広くカバーします。

ローカルLLMは単一のモデル名ではなく、オープンウェイト、量子化、実行基盤の組み合わせで選ぶ時代です。 [ref-26]

OpenAIは、2026年7月時点で、APIドキュメント上の推奨起点をGPT-5.6 Sol、Terra、Lunaとしています。

広い文脈長、ツール利用、Agents SDK、Web Search、File Searchを一体で使用できる点が強みです。

APIデータは既定で学習に使用されず、ZDR、データレジデンシ、BAAも用意されています。

最高性能と開発者体験では依然としてトップクラスですが、料金はフロンティアモデルとしては安くありません。 [ref-27]

Claudeは、長文脈、文章品質、コーディング、エージェントで強みを持ちます。

商用製品では既定で学習に使用されず、ZDRやHIPAA-ready構成があり、企業導入時の安心感が高いサービスです。

特に、レビュー、要件整理、長い仕様書、慎重な応答に向く傾向があります。

弱点は、最先端モデルの価格が上がりやすいことと、最新ベンチマークがTransparency Hubに依存し、やや追跡しにくいことです。 [ref-28]

Googleの中心はPaLMからGemini API、Vertex AIへ完全に移行しています。

Gemini 3.1 Proは高難度ベンチマークに強く、Flash系は低遅延・高スループット、Live系は音声翻訳まで対応しています。

Google Cloudでは、顧客データを無断で学習に使用せず、ZDRを構成でき、HIPAAなどにも対応しています。

既存のGoogle WorkspaceやBigQueryの資産と連携しやすい点も利点です。 [ref-29]

Azure OpenAIのモデル性能自体はOpenAIのモデルに準拠しますが、真価は統制面にあります。

Microsoftの閉域ネットワーク、Private Endpoint、Entra ID、Azureのコンプライアンス機能をそのまま利用できるため、金融、公共、大企業の本番導入で強みを持ちます。

データがOpenAIへ送信されず、学習にも使用されない点は、規制産業における大きな差別化要素です。 [ref-30]

Cohereは、RAG、検索、企業内ナレッジ活用に最適化した立ち位置が明確です。

Command R+は長文脈、引用、tool useを備えています。Command Aは技術報告で、高速性と企業タスク性能を強調しています。

一般利用者向けのフロントチャットよりも、社内文書検索、金融、公共、製造業の業務フローで効果を発揮するタイプです。 [ref-31]

Mistral Cloudの最大の特徴は、APIとopen weightsを往復できることです。

StudioやForgeで試験し、必要に応じてカスタムモデルや自社配置へ移行できます。

Team、Enterpriseでは学習に使用されず、SOC 2やISO系の認証も整備されています。

将来的にローカルへ戻せるクラウドとして見ると、実務的な選択肢です。 [ref-32]

OpenAIは、HIPAA対応を前面に出した「OpenAI for Healthcare」を展開しています。AnthropicもClaudeを医療・ライフサイエンス分野へ拡張しています。

主要な用途は、要約、患者説明、問診補助、研究支援です。

医療では、モデル性能以上に、監査性とデータ統制が重要になります。 [ref-33]

金融分野では、AnthropicとPwCの拡大提携、Cohereの金融業界向け展開、OpenAIの金融業務向けプロンプト集、HSBCによるMistralの自社ホスト事例が象徴的です。

主要な用途は、契約書、規制文書、リスク説明、社内ナレッジ検索です。

RAGと監査ログが必須になりやすい分野です。 [ref-34]

StellantisはMistralを使った車載アシスタントを進めています。Googleは、古いSAPやメインフレームに自然言語インターフェースを追加する事例を紹介しています。

製造・自動車分野では、マルチモーダル、現場端末、低遅延が重視されます。

Gemma、Qwen、Phiのローカル運用と、クラウド大型モデルを組み合わせるハイブリッド構成が現実的です。 [ref-35]

富士通はCohereとの戦略提携で、プライベート環境で動作するLLMを強調しています。

日本語、閉域環境、既存SIとの接続を重視する案件では、Qwen、Gemma、Mistral open modelsを社内に配置し、必要な場合のみAzure OpenAIやClaudeを併用する構成が取りやすいと考えられます。 [ref-36]