Kimi K3が「世界最大のオープンソースAI」に——DeepSeek・Qwen・Gemmaも交錯する2026年8月のローカルLLM最前線

2026年8月10日

2026年8月上旬、オープンソースLLM界隈は「パラメータ規模」と「推論効率」の両輪で動いている。Moonshot AIのKimi K3が2.8兆パラメータで世界最大のオープンソースモデルを名乗る一方、DeepSeekは低価格・高効率路線を継続、Alibabaは初のMaxクラス開放へ動き、GoogleはGemma 4系列を矢継ぎ早にアップデートしている。あわせて、vLLMやllama.cppを中心とした推論最適化の実務トレンドも押さえておきたい。

Kimi K3——2.8兆パラメータで「世界最大のオープンソースAI」を名乗る

中国・Moonshot AIは7月16日にKimi K3を発表し、7月27日には完全なモデル重みをHugging Faceで公開した。総パラメータ数2.8兆（896エキスパート中16を活性化するMixture-of-Expertsアーキテクチャ）で、100万トークンのコンテキストウィンドウとネイティブな画像・動画理解を備える。新開発の「Kimi Delta Attention（KDA）」と「Attention Residuals」により、長文脈での推論速度を最大6.3倍高速化したという。

すでにvLLMがKDAの本番運用向けサポートを追加しており、自前のGPUクラスタでセルフホストする道も開かれている。Microsoftも自社Copilot基盤への統合を検討していると報じられており、オープンウェイトモデルが商用アシスタントの裏側を担う流れが加速している。

出典: Hugging Face (moonshotai/Kimi-K3)、VentureBeat

DeepSeek V4-Flash——エージェント性能を強化しつつ価格はさらに下げる

DeepSeekは7月31日、DeepSeek-V4-Flashの正式版を公開した。3040億パラメータ（Hugging Face上で167GB）ながら、自律的なエージェントタスクの遂行能力を大幅に強化したとされる。API価格は業界最安値クラスを維持しており、コーディング特化モデルでは入力トークンあたり最大36倍、出力トークンあたり最大89倍安いとする比較も報じられた。より大規模な「V4-Pro」も準備中だが、公開時期は未定だ。

DeepSeekは資金調達やIPOの噂も絶えない中、「圧倒的な低コスト」を武器に存在感を保とうとしている構図が見える。

出典: Simon Willison’s Weblog、Reuters

Qwen3.8-Max——Alibaba初の「Maxクラス」オープンウェイト化へ

AlibabaはQwen3.8-Maxを発表した。2.4兆パラメータでQwenシリーズ史上最強を謳い、コーディングや長時間タスクの遂行能力を大きく引き上げたという。注目すべきは、Qwen-Maxクラスのモデルとして初めて重みをオープンソース化する点で、Hugging FaceやModelScopeでの公開が予告されている。中国では同時期にMoonshotのKimi K3も登場しており、「Max級モデルの重みまで公開する」動きが競争の焦点になりつつある。

ベンチマーク面では「Claude Fable 5に次ぐ性能」という自社アピールに対し、第三者評価では一部ベンチマークで及ばないとの指摘もあり、評価が割れている点も付記しておきたい。

出典: Qwen公式ブログ、Nikkei Asia

サーバールームのラックの写真 — Photo: Tim Dorr / CC BY-SA 2.0（Openverse経由）

Google Gemma 4——QAT・拡散モデル版まで矢継ぎ早にアップデート

Googleは4月に発表したGemma 4シリーズを、その後も継続的に拡張している。6月には量子化を学習段階から組み込む「Gemma 4 QAT」でモバイル・ノートPC向けのメモリ消費を大幅削減し、同月には拡散モデル方式で最大4倍高速なテキスト生成を実現する実験モデル「DiffusionGemma」も公開された。エンコーダを持たないマルチモーダル統合モデルとしての改良も進んでおり、Gemma 4は公開から数ヶ月で1億5000万ダウンロードを超えたという。

Apache 2.0ライセンスを採用し、単一のコンシューマー向けGPUでも動作する軽量さから、開発者コミュニティによる派生モデルも活発だ。

出典: Google DeepMind、Google Blog

推論最適化の実務動向——vLLM・llama.cppと量子化のいま

モデルが巨大化する一方、実務では「いかに手元のGPUで動かすか」が課題であり続けている。vLLMはPagedAttentionや継続的バッチング、FP8・GPTQ・AWQ・GGUFなど多様な量子化手法を備え、本番サービングの定番であり続けている。近年は推測デコーディング（小型モデルで候補トークンを生成し本体モデルが検証する手法）である「EAGLE-3」の採用が進み、Llama 4やQwen3系列で1.5〜2.5倍の高速化が報告されている。

一方、個人利用や検証用途ではllama.cppやLM Studio、Ollamaが手軽さで支持を集める。GGUF形式のQ4_K_MやQ8_0といった量子化レベルを選ぶことで、限られたVRAMでもGemma 4やQwenの大型モデルを動かせるのが実務上の利点だ。用途に応じてvLLM（スループット重視・本番）とllama.cpp系（手軽さ・長コンテキスト）を使い分ける動きが定着しつつある。

出典: RunPod

主要オープンウェイトモデルの比較（2026年8月上旬時点）

モデル	開発元	パラメータ規模	コンテキスト	ライセンス
Kimi K3	Moonshot AI	2.8兆（MoE, 16/896活性化）	100万トークン	オープンウェイト
Qwen3.8-Max	Alibaba	2.4兆	非公開	Apache 2.0（重み公開予定）
DeepSeek V4-Flash	DeepSeek	3040億	非公開	MIT
Gemma 4	Google DeepMind	複数サイズ（〜12B等）	非公開	Gemma利用規約 / Apache 2.0