要点
3つはいずれも「より小さな万能王者」ではない。1つは生成方式を、1つはパラメータ効率を、1つは汎用性を犠牲にしてタスク特化を選んだ。
対象と根拠の状態
| モデル | 公開元 | 日付 | 根拠の状態 |
|---|---|---|---|
| Nemotron-Labs-Sigma 8B | NVIDIA | 2026-11-20 | 公式モデルカードとHugging Faceコレクション、重みは取得可能 |
| Inkling 2 Mini | Thinking Machines | 2026-11-21 | 公開資料、Artificial Analysisのスコア、Arenaへの掲載 |
| DaisyRose-27B | RadixArk | 2026-11-21前後 | チームの自己報告、独立評価なし |
3つはいずれもオープンウェイトで、「自分で動かせるほど小さい」を売りにする。ただし「小さい」の意味は違う。Sigmaはパラメータが小さい(8B)。Inkling 2 Miniは活性が小さい(総26.4Bのうち5.4B)。DaisyRoseはメモリ要件が許容範囲(23〜52GB)だ。
主要パラメータの対照
| 項目 | Sigma 8B | Inkling 2 Mini | DaisyRose-27B |
|---|---|---|---|
| アーキテクチャ | 連続拡散(16次元埋め込み空間でノイズ除去) | ループ型Transformer | 稠密Transformer+強化学習 |
| パラメータ | 8B(3Bの同族あり) | 総26.4B/活性5.4B | 27B |
| ライセンス | NVIDIA Nemotron Open Model License(商用可) | Apache 2.0 | Apache 2.0 |
| コンテキスト | 4096(8B instructは8192) | 統一された公開値なし | 非公開 |
| ハードウェア | NVIDIA GPU 1枚、bf16、CPU非対応 | 公式は「ノートPCで動作」と説明 | おおむね23〜52GBのVRAM(形式次第) |
| 速度 | H100で毎秒約120〜140トークン | 非公開 | 非公開 |
| 代表スコア | 6タスク平均71.16(8B base)、GSM8K 91.96、AIME25 17.00 | Artificial Analysis知能指数20.1 | Terminal Bench 4.1 pass@1が5.6から12.0へ |
| 学習コスト | 約1兆トークンの自己回帰チェックポイントからウォームスタート、追加で約0.3兆トークンの拡散学習 | 非公開 | H200 144枚、18日、約6.3万GPU時間 |
Sigma:生成方式を変える
Sigmaで異常なのは規模より生成の仕方だ。トークンを1つずつ順に書かない。
自己回帰モデルは左から右へ書く。LLaDAやDreamのような離散拡散モデルは離散トークン上で拡散する。Sigmaは第3の道を取る。学習された16次元の連続埋め込み空間でトークン表現をノイズ除去し、64トークンを1ブロックとして生成する。各ブロックは数ステップのノイズ除去を経て次へ進む。
結果として2つの効果が生じる。利点はブロック内の並列性で、自己投機の変体ではGB200とSGLangの組み合わせで自己回帰比平均3.46倍、最大4.20倍の高速化をNVIDIAが報告する。代償は短いコンテキストで、baseが4096、8B instructが8192。長文タスクでは明確な制約になる。
ベンチマークの分布は意図的に偏っている。6タスク平均71.16は同門のNLD-8Bの70.22、Qwen3-8Bの68.91をわずかに上回る。GSM8Kは91.96だがAIME25は17.00。小学算数に強く競技数学に弱いこの組み合わせは、型のある多段計算を得意とし、飛躍を要する難問を苦手とする性質を示す。
Inkling 2 Mini:パラメータ効率を変える
Thinking Machinesの今回の発表は「前世代が大きすぎた」への直接の応答だ。Inkling 2 Smallは594Bで、多くの人には動かせない。Miniは総量を26.4Bへ下げ、ループ構造で活性を5.4Bに保つ。
公式の言い方は「多く考え、少なく出力する」。計算資源を内部の反復に使い、トークンの生成量を増やさない。これはSigmaのブロック内並列とは正反対で、片方は時間方向に深くし、片方は空間方向に並列化する。
検証可能な成績はArtificial Analysis知能指数20.1だ。公式は「知能と活性パラメータのPareto前線」に位置し、AA Index、Vals Index、FrontierCode、DeepSWEで比較モデルを上回ると述べる。これらの比較は公開元の表に基づき、第三者の再現はない。
利用者にとっての意味は明快だ。総26Bは民生VRAMに収まり、活性5.4Bは推論速度が小型モデルに近いことを意味する。代償はループ構造が推論スタックに求める要件が高く、すべてのサービング環境がそのまま対応するわけではない点だ。
DaisyRose-27B:タスク特化を選ぶ
RadixArkの選択は最も狭い。汎用ではなく、端末エージェント専用だ。
学習は純粋な強化学習で、教師あり微調整も蒸留も使わない。結果はTerminal Bench 4.1のpass@1が、基盤のQwen3.8-27Bの5.6から12.0へ上昇した。2倍以上だが絶対値は依然低く、これはモデルよりもタスクの難しさを語る数字だ。
学習の勘定も transparent だ。H200 144枚、18日、約6.3万GPU時間。小規模チームが「狙いを定めた最適化」に払える規模であり、基盤モデルの再学習ではない。
注意点は、このスコアがチームの自己報告で独立評価がないこと、VRAM要件23〜52GBの幅が量子化と形式の選択で展開要件が大きく変わることを示すことだ。
選び方
- 1枚のGPUで汎用テキストモデルを動かし、4Kコンテキストを受け入れられるなら:Sigma 8Bが最も導入が簡単で、商用ライセンスも明確
- ノートPCや民生GPUでより均衡の取れたモデルを動かし、推論スタックの調整を厭わないなら:Inkling 2 Miniの活性規模が扱いやすい
- 端末操作エージェントを作り、適用範囲の狭さを受け入れられるなら:DaisyRoseが唯一その方向に明示的に学習されたモデル
- 長文処理が必要なら:3つとも不適。Sigmaの4K/8Kは明確な弱点で、他2つは長文能力を公開していない
ライセンスの2つの細部
3つとも「商用可」と書くが、条項の種類が違う。Inkling 2 MiniとDaisyRoseはApache 2.0で、標準的な寛容ライセンスだ。改変、再配布、商用利用が可能で、表示の維持が条件となる。SigmaはNVIDIA Nemotron Open Model Licenseで、ベンダー独自のライセンスだ。商用は認めるが、再配布時の帰属表示、責任の制限、下流に同種の条項を求めるかなど、付帯条件を一行ずつ読む必要がある。
製品に組み込むチームにとって差は「使えるか」ではなく「どんな書面上の義務を負うか」だ。Apache 2.0は境界が明確で、独自ライセンスは製品に入れる前に条項を読み終える必要がある。
共通の注意点
3つのスコアはいずれも公開元の自己評価で、評価セットも異なる。Sigmaは6タスクのセット、InklingはArtificial Analysis指数、DaisyRoseはTerminal Benchを使う。これらのスコアは相互比較できず、「どれが強いか」の結論にもならない。
本当に比較可能なのは同一ベンチマーク上の数字だ。たとえばSigmaとNLD-8B、Qwen3-8Bの同じ6タスクでの差だ。セットをまたぐ順位は、各モデルの位置づけの参考にすぎない。
境界
- Sigmaのアーキテクチャ、チェックポイント数、ライセンス、コンテキスト、スループット、ベンチマークは、NVIDIAのモデルカード、Hugging Faceコレクション、MarkTechPostとDEV Communityの技術解説に基づく
- Inkling 2 Miniのパラメータ、ライセンス、指数スコア、ハードウェア記述は、Thinking Machinesの発表、Artificial Analysisのスコア、Arenaの掲載情報に基づく
- DaisyRose-27Bの学習構成とTerminal BenchのスコアはRadixArkの自己報告で、独立検証はない
- 「ノートPCで動作」は公式の表現で、具体的な機種や量子化条件は示されていない
- コンテキスト長の基準が異なるため、本稿では換算しない
- 本稿は公開情報の対照であり、導入手順や性能の約束を含まず、選定の推奨でもない
