一言まとめ
オープンソース LLM は重みが公開され、ローカルで実行できるモデル。商用利用の可否はライセンス次第（MIT・Apache-2.0 は原則可、コミュニティライセンスは条件付き）。ローカル実行の規模は GPU・統合メモリで決まり、主なデプロイツールは Ollama、vLLM、llama.cpp。
基本のQ&A
1. オープンソースLLMとは？
オープンソース LLM とは、モデル重みが公開され、ローカルにダウンロードして実行できる大規模言語モデル（Large Language Model、LLM）です。 プロバイダーの API に依存せず自前で推論できます。クローズドモデル（OpenAI GPT-6 や Anthropic Claude は公式 API 経由のみ）とは異なり、重みファイルが直接公開されています。2026 年 10 月 23 日にオープンソース化された MiniMax M3.1 Flash（総パラメータ 428B）もこの類型です。
2. オープンソースとクローズドのLLMの違いは？
中核の違いは重みの公開度、デプロイ方式、コントロール性です。 オープンソースは重み公開でローカルデプロイ・プライベート微調整・監査が可能。クローズドは API のみでローカル実行はできず、データは提供者側に送信されます。オープンソースのデプロイには自前の算力が必要で、クローズドは従量課金でハード投資は不要。クローズドの例：OpenAI GPT-6、Anthropic Claude。オープンの例：DeepSeek、Qwen、Llama、MiniMax。
3. オープンソースLLMは商用利用できる？
ライセンス次第です。MIT・Apache-2.0 は原則商用可、コミュニティライセンス（Llama や MiniMax Community License）は条件付きです。 DeepSeek は MIT、Qwen は Apache-2.0 で商用可。Meta Llama はコミュニティライセンスで、月間アクティブユーザー 7 億超の製品は許諾申請が必要。前世代 MiniMax M3 は MiniMax Community License。利用前に必ずリポジトリのライセンス原文を確認してください。
4. 代表的なオープンソースLLMは？
2026 年 10 月時点の代表例は、DeepSeek（MIT）、Qwen（Apache-2.0）、Meta Llama（コミュニティライセンス）、MiniMax M3.1 Flash（2026 年 10 月 23 日オープンソース化）です。 7B から数百 B まで規模は様々で、MoE モデル（例：M3.1 Flash 総 428B・活性 23B）は低い活性コストで大きなパラメータ数を実現します。
応用Q&A
5. ローカル実行に必要なハードウェアは？
パラメータ規模と量子化方式次第です。7B 級は約 8GB 以上の GPU・統合メモリ、70B 級は約 40GB 以上、1000 億パラメータ級は 64GB 以上の統合メモリか複数 GPU が必要です。 例：NVIDIA DGX Spark は 64GB 版で最大 1000 億、128GB 版で最大 2000 億パラメータをローカル実行（公式仕様）。Mac は MLX フレームワークで Apple Silicon 上に 7B〜70B 級を実行できます。
6. オープンソースLLMはどうデプロイする？
主なツールは、Ollama（1 コマンド・個人向け）、vLLM（高スループット・サービス化向け）、llama.cpp（CPU・エッジ向け）、MLX（Apple Silicon 向け）です。 手順は、重みのダウンロード → 推論フレームワークの選択 → ローカル推論サービスの起動（OpenAI 互換 API など）→ アプリ接続。MoE 大モデル（MiniMax M3.1 Flash など）は vLLM や SGLang でデプロイし、疎活性の利点を活かします。
7. MoE（混合エキスパート）モデルとは？
MoE（Mixture of Experts）は大モデルを複数のエキスパートに分割し、トークン毎に一部だけを活性化することで、低い計算コストで大きなパラメータ数を実現する方式です。 例：MiniMax M3.1 Flash は総 428B・活性 23B で、トークン毎に約 23B だけが呼び出されます。総パラメータが知識容量、活性パラメータが推論コストを決めます。
8. オープンソースとオープンウェイトの違いは？
厳密な「オープンソース」は OSI のオープンソース定義（Open Source Definition）に基づき、重み・コード・データ・ライセンスが揃う必要があります。「オープンウェイト」は重みファイルのみ公開で、訓練データやコードの公開は保証されません。 実際には多くの LLM はオープンウェイトです：Llama は重みと推論コードのみ公開で訓練データ非公開、DeepSeek・Qwen は重みに加えて技術レポートなどを公開しています。
9. オープンソースLLMの利用にプライバシー問題はある？
ローカルデプロイならデータは端末から出ず、クラウド API よりプライバシーリスクは低いです。ただしモデル自体が訓練データを記憶している可能性や、ローカルログ・サードパーティランタイム（テレメトリなど）の監査は必要です。 機微データを扱う場合は、ローカルデプロイ・テレメトリ無効化・未承認の個人情報の入力を避け、各地域のデータ保護法に従ってください。
10. オープンソースLLMはクローズドより性能が劣る？
タスクとベンチマーク次第です。コーディング・推論・中国語タスクでは、上位のオープンソースモデル（DeepSeek、Qwen、MiniMax など）はクローズド旗艦との差を縮めていますが、総合的なマルチモーダル・長文脈タスクではクローズド旗艦が依然リードしています。 選択は「オープン/クローズド」の区分ではなく、対象タスクの公開ベンチマークと実際の評価で判断してください。