Meta Llama 4 Maverickとは？17B active/400B total・128エキスパートMoEを徹底解説

Meta Llama 4 Maverick（以下、Llama 4 Maverick）は、Metaが2025年4月にリリースしたネイティブマルチモーダル対応の大規模言語モデルで、17Bのアクティブパラメータ／400Bの総パラメータ・128のルーティングエキスパートを持つMoE（Mixture of Experts）構成が最大の特徴です。 テキスト＋画像を同一のTransformerに統合入力する「early fusion」設計と、約100万トークンのロングコンテキストを採用し、オープンウェイトで配布されているフラッグシップ級モデルです。

出典: Wikimedia Commons

この記事でわかること:

• Llama 4 Maverickの基本仕様（17B active／400B total／128エキスパート／1Mコンテキスト）
• Llama 4シリーズ（Scout／Maverick／Behemoth）の立ち位置
• 公式ベンチマークとGPT-4o・Gemini 2.0 Flash・DeepSeek V3との比較
• API提供状況・料金（OpenRouter／Groq／Together AI／Fireworks等）
• Llama 4 Community Licenseの3つの落とし穴（EU制限・MAU7億条項・ブランド表示義務）
• LMArena「実験版」問題とその後の実力
• 向いている企業／向いていない企業

誰向けの記事か: Llama 4 Maverickを業務で採用するか検討中のAI担当者、オープンウェイトLLMの比較調査をしている開発者・決裁者、MoEの仕組みをざっくり理解したい方。

記事の結論: Llama 4 Maverickは「GPT-4o級の性能をオープンウェイト＋低コストで自社運用したい開発チーム」には有力候補ですが、EU拠点企業・MAU7億超企業・日本語品質保証必須の業務では採用を慎重に検討すべきモデルです。以下、詳しく整理します。

Llama 4 Maverickとは

Llama 4 Maverickは、Metaが2025年4月5日（米国時間）に発表したLlama 4シリーズのフラッグシップ級マルチモーダルLLMです。正式モデル名は Llama-4-Maverick-17B-128E（プリトレーニング版）および Llama-4-Maverick-17B-128E-Instruct（指示チューニング版）で、Hugging Faceとllama.comから重みが公開されています。

3行サマリー

• アーキテクチャ: Mixture of Experts（MoE）＋early fusionによるネイティブマルチモーダル
• パラメータ構成: アクティブ17B／総400B／128ルーティングエキスパート＋1共有エキスパート
• コンテキスト: 約100万トークン（1,048,576トークン）・知識カットオフ2024年8月

Meta自身は公式ブログで以下のように位置づけています（要約）。

Llama 4 Maverickは、128エキスパートを持つ17Bアクティブパラメータモデルで、GPT-4oやGemini 2.0 Flashを広範なベンチマークで上回るクラス最高のマルチモーダルモデル。推論・コーディングではアクティブパラメータが半分以下のDeepSeek V3に匹敵する結果を達成した。
（Meta AI Blog「The Llama 4 herd」2025-04-05、筆者要約）

Llama 3系からの主な進化ポイント

要するに、Llama 4 Maverickは「大規模な知識量を持ちつつ、推論時は17B相当のコストで動く」というMoE特有のコスト効率と、テキスト＋画像を同じバックボーンで処理できるネイティブマルチモーダルを両立させた世代と言えます。

Llama 4シリーズ全体像（Scout／Maverick／Behemoth）

Maverickの位置づけを正しく理解するには、Llama 4シリーズ3モデルの関係を先に押さえると分かりやすくなります。

• Scoutは軽量寄り（H100 1枚・INT4量子化で動作）で、コンテキストは公称10Mトークンと長大。
• Maverickはシリーズの主力フラッグシップ。知識量・マルチモーダル性能が最も高く、APIでの提供も最も充実。
• Behemothは学習中の超大型モデルで、MaverickとScoutのcodistillation（蒸留）における教師モデルとして使われたと公式が言及。2025年5月にWSJが「秋以降に延期」と報じ、2026年4月時点でも一般公開はされていません。Metaは明示的に「キャンセル」とは発表していないものの、後継Llama 4.xの公式ロードマップも発表されていない状態です。

つまり、オープンウェイトで使える「Llama 4の最上位」は現時点でMaverick、というのが現在地です。

Llama 4 Maverickの仕組み（MoE・early fusion）

ここではスペックの意味を、非エンジニアの方にも分かる粒度で整理します。

MoE（Mixture of Experts）とは何か

MoEは「複数の専門家（エキスパート）ネットワークを用意しておき、入力されたトークンごとに最適な専門家だけを起動する」仕組みです。Maverickでは以下の構造を取ります。

• 1共有エキスパート:どのトークンでも必ず通る
• 128ルーティングエキスパート:ルーターがトークンごとに1つだけ選ぶ
• dense層とMoE層を交互に配置

この結果、総パラメータは400Bあっても、1トークンの推論で実際に働くのは約17B相当となり、推論コストはdenseな17Bモデルに近くなります。「400Bの知識量を17Bのコストで引き出す」のがMoEの本質です。

early fusionによるネイティブマルチモーダル

Llama 4はテキストと画像を別々のエンコーダーで扱うのではなく、テキストトークンと画像トークンを同一のTransformerに統合入力する「early fusion」を採用しています。

• 画像を後付けで貼り合わせるLlama 3.2系の方式と違い、最初から一体として学習
• 画像内の特定領域に紐づいた応答（image grounding）も可能
• 学習データには動画フレームも含まれる（ただし、推論時の動画ファイル直接入力は公式パイプラインで明確化されていない）

コンテキスト1Mトークンの実効性能には注意

公式スペックは約100万トークン（1,048,576トークン）ですが、The Decoder等の独立検証では「長コンテキストタスクでは公称どおりの性能が出ないケースがある」との報告があります。Scoutの10Mコンテキストも同様の指摘を受けています。

実用上は、数万〜数十万トークン程度が安定動作の目安と考え、より長い文脈を扱う場合はチャンク分割・RAG・階層要約など従来手法との併用を検討するのが安全です。

Llama 4 Maverickでできること

対応するタスク

• テキスト生成・要約・翻訳（多言語）
• 画像理解:画像内容の説明、ドキュメント読解（DocVQA 94.4%）、チャート読解（ChartQA 90.0%）、画像推論（MathVista 73.7%）
• コーディング（LiveCodeBench 43.4%）
• 長文処理:書籍一冊レベルの翻訳タスクMTOB（full book）でchrF 50.8 / 46.7
• 複数画像入力:公式モデルカードでは最大5枚、ポストトレーニング段階で最大8枚まで良好な結果とされる

対応言語

公式サポートは12言語:アラビア語、英語、フランス語、ドイツ語、ヒンディー語、インドネシア語、イタリア語、ポルトガル語、スペイン語、タガログ語、タイ語、ベトナム語。

プリトレーニング自体は約200言語で行われているため日本語も学習されていますが、日本語は公式サポート言語に含まれず、品質保証対象外です。日本語の業務利用を前提にする場合は、自社データでのファインチューニングや、JMMLU等の日本語ベンチでの評価が必須と考えた方が安全です。

モデル仕様まとめ

学習データには、公開データ・ライセンスデータに加え、Meta製品（Instagram、Facebook、Meta AI等）由来のデータが含まれる点も公式に明記されています。

Llama 4 Maverickのベンチマーク性能

以下は公式Hugging Faceモデルカード記載のスコアです（Llama-4-Maverick-17B-128E-Instruct、抜粋）。

主要ベンチマーク

他モデルとの比較（Meta公表）

Metaは公式ブログで以下を主張しています（2025年4月時点）。

• GPT-4o / Gemini 2.0 Flashを広範なベンチマークで上回る
• DeepSeek V3の推論・コーディングに「アクティブパラメータが半分以下で匹敵」

ただし、これはMeta側の自社主張による結果であり、読者の用途（日本語比率・画像比率・コーディング比率など）によっては実感が異なる可能性があります。実務導入時は自社ユースケースに近いプロンプトで独自比較することを強く推奨します。

LMArenaスコアの注意点（重要）

LMArenaでは一時期、Llama-4-Maverick-03-26-Experimentalという実験版がELO 1417で総合2位を記録し、Meta公式が大きくアピールしました。しかし後日、「実験版は一般公開されている公開版と挙動が異なる、人気投票最適化チューニング版だった」ことが明らかになり、公開版の同ベンチでは30位前後まで順位が下がりました。

LMArena側は「Meta側の運用が当方のポリシー期待と一致しなかった」旨の声明を出し、特定用途チューニングモデルの参加を禁止する規約変更を実施しています。

教訓として、Llama 4 Maverickの実力を評価する際は「ELO 1417／2位」の数字をそのまま受け取らず、公開版ベンチマーク（上表）と自社評価で判断するのが安全です。

Llama 4 Maverickの料金・API提供状況

料金の考え方

オープンウェイト配布のため重みのダウンロード自体は無償（ライセンス遵守が条件）で、コストは以下の2軸で考えます。

• API利用: プロバイダ各社の従量課金
• セルフホスト: GPU（H100等）の調達・運用コスト

主要APIプロバイダの料金（2026年4月時点・参考値）

• Meta公式はllama.comで自社推論コスト見積もりとして$0.19/Mtok（3:1 blended）に言及
• 複数の独立メディアが「GPT-4oクラスと比較して入出力ともに数分の一〜10分の一のコストで運用可能」と評価
• IBM watsonx.ai、Oracle OCI Generative AI、Databricks、NVIDIA NIMなどのエンタープライズ基盤でも提供

注意: 各プロバイダの料金は頻繁に変動します。商用導入前に必ず各社公式ページで最新値を再確認してください（特に量子化の有無、トークン単価、コンテキスト長上限）。

セルフホストのハードウェア要件

• BF16フル精度: H100複数台が必要
• FP8量子化: H100 DGX 1台で動作（Metaもこの構成を前提に最適化）
• INT4オンザフライ量子化: より小さい環境でも動作可能だが性能劣化あり

GPUクラスタを自社で持つ場合はTCO（総保有コスト）の試算が必要で、スポットで試したいだけならAPIプロバイダ経由の方がコスパが良いケースがほとんどです。

Llama 4 Maverickの使い方

主な利用ルート

1. Hugging Faceから重みを取得してセルフホスト
2. APIプロバイダ経由で即時利用（Groq／OpenRouter／Together AI／Fireworks等）
3. クラウド基盤経由（Oracle OCI、IBM watsonx.ai、Databricks、NVIDIA NIM）
4. Meta AIアプリ・WhatsApp / Instagram / Messenger上でエンドユーザーとして触る（地域制限あり）

最短で試す手順（OpenRouter例）

1. OpenRouterにアカウント登録・APIキーを発行
2. モデルに meta-llama/llama-4-maverick を指定
3. OpenAI互換エンドポイントにチャット形式で投げる

# サンプルコード（OpenAI SDK互換 / OpenRouter経由）
from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="YOUR_OPENROUTER_API_KEY",
)

resp = client.chat.completions.create(
    model="meta-llama/llama-4-maverick",
    messages=[
        {"role": "user", "content": "Llama 4 MaverickのMoE構造を3行で説明して"}
    ],
)
print(resp.choices[0].message.content)

Hugging Face Transformers経由（セルフホスト）

• meta-llama/Llama-4-Maverick-17B-128E-Instruct のライセンス申請・承諾が必要
• GPU要件はFP8でH100 DGX 1台、BF16で複数台
• transformers 4.51以降＋accelerate等の依存を揃える
• マルチモーダル入力時は画像をbase64またはファイルパスで渡す

本格運用ではvLLM、TGI（Text Generation Inference）、TensorRT-LLMといった推論エンジンの併用が現実的です。

WhatsApp / Messenger / Instagramでの利用

Metaは自社プラットフォームの「Meta AI」アシスタントでもLlama 4を提供していますが、日本では正式提供されていません。英語圏のテスト用途として使うにとどめるのが現実的です。

Llama 4 Maverickのライセンスと商用利用の3つの落とし穴

Llama 4 Maverickは「オープンウェイト」ですが、OSI（Open Source Initiative）の定義する「オープンソース」ではなく、ソースアベイラブル（source available）に分類されます。Llama 4 Community License（2025年4月版）の条項は、商用利用時に必ずチェックすべき落とし穴を複数含みます。

落とし穴1:MAU 7億超の企業は追加ライセンスが必要

リリース時点直前月のMAUが7億を超える企業は、Meta から個別にライセンス付与を受けないと商用利用できません。これは事実上、Google・Microsoft・OpenAI・Amazon等のGAFAMクラスの競合大手を狙った条項と解釈されています。

大半の事業者には関係しませんが、グループ会社連結でMAUを算出する解釈リスクがあるため、大手グループ傘下企業は法務確認を推奨します。

落とし穴2:EU居住者・EU本拠企業はマルチモーダル機能のライセンス対象外

Llama 4 Community License Section 1(a)では、マルチモーダル機能のライセンスがEU在住個人・EUに主要事業所を置く法人には付与されない旨が明記されています（エンドユーザーへの提供自体は除外規定あり）。

これにより、EU拠点の開発企業は、Llama 4のマルチモーダル機能を組み込んだサービスを自社開発・提供できないという重大な制約を受けます。EU AI Actの責任所在を、Metaからクラウド事業者・再配布者側に転嫁する構造との分析もあります。日本企業でもEU現地法人経由の提供を検討する場合は要注意です。

落とし穴3:ブランド表示義務・訴訟自動終了条項

• 派生モデル・配布物には "Built with Llama" を目立つ箇所に表示
• モデル名にも "Llama" を含める必要がある
• ライセンス全文を配布物に同梱
• ライセンシーがMetaに対しLlama関連で訴訟提起した場合、ライセンスは自動終了
• Acceptable Use Policy（違法行為・児童搾取・武器開発支援・差別・誤情報拡散等での使用禁止）の遵守義務

これらは一般的なOSSライセンスにはない条件で、「オープンソース」感覚で扱うと契約違反につながります。

免責: 本記事はライセンスの読み方を整理した一般情報であり、法的助言ではありません。商用利用の最終判断は必ず法務部門・専門家に確認してください。

Llama 4 Maverickが向いている企業・人

以下に該当する場合、Llama 4 Maverickは有力候補です。

• GPT-4oクラスのマルチモーダル性能をオープンウェイトで自社運用したい開発チーム
• データを社外API（OpenAI等）に送りたくないセキュリティ要件が厳しい業務
• 推論コストを下げつつ、大規模モデルの知識量を活用したいSaaS・B2Bサービス
• H100 DGX 1台以上を確保できる、または主要APIプロバイダ（Groq・OpenRouter等）を活用できるチーム
• 英語中心またはマルチリンガル（サポート12言語）のプロダクト
• 長文処理や複数画像分析を扱うユースケース（実効コンテキストは検証前提）

Llama 4 Maverickが向いていない企業・人

以下に該当する場合、Llama 4 Maverickの採用は慎重に検討すべきです。

• EU拠点でマルチモーダル機能を組み込んだサービスを開発・提供したい企業（ライセンス上不可）
• MAU 7億超の大手プラットフォーム企業（Metaとの個別ライセンス交渉が必要）
• 日本語の出力品質を公式保証してほしい業務（公式サポート12言語に日本語は含まれない）
• H100クラスのGPUを確保できず、かつAPI経由の従量課金も使いたくない予算感
• 「OSI準拠のオープンソース」であることがポリシー要件の組織（source availableのため不可）
• 数十万トークン以上の長コンテキストで決定論的な性能が必要な業務（実効性能に制約あり）
• 「LMArena公式2位」などのマーケティング数字だけを鵜呑みにしたい方 → 実際には公開版で評価が必要

Scout／他モデルとの使い分け早見表

Llama 4内で迷った場合の簡易指針です。

他社モデルとの比較ポイント

細かい比較は用途次第です。決裁前に自社データでの比較検証を強く推奨します。

2026年4月時点の最新ステータス

Llama 4 Maverickを語るうえで押さえておきたい最新動向です。

• Llama 4 Behemoth:2025年4月発表時は「学習中」と公表。2025年5月のWSJ報道で「fall 2025以降に延期」と伝えられ、2026年4月時点でも一般公開されていません。Metaは明示的キャンセルは発表していません。
• Llama 4.x後継の公式ロードマップ:2026年4月時点でMetaから正式アナウンスは確認できません。
• Meta Superintelligence Labs（MSL）:Llama 4リリース以降のAI組織再編が報じられており、Llama系列の今後の位置づけは流動的。
• LMArena規約変更後:実験版問題を受けて「特定用途チューニングモデルの参加禁止」ルールが適用されているため、ベンチマーク情報は今後より厳格な条件で出てくる見込み。
• Maverick本体のメジャーアップデート:2025年4月以降、「Llama 4.1 Maverick」等の公式メジャー更新は未確認。プロバイダ各社による量子化版・ファインチューン版は継続的にリリースされています。

最新情報はMeta AI Blogとllama.comで必ず確認してください。

よくある質問（FAQ）

Q1. Llama 4 Maverickは無料で使えますか？

重みのダウンロードは無料ですが、Llama 4 Community Licenseの遵守が前提です。APIで使う場合は各プロバイダの従量課金（参考値:入力$0.15〜0.40／Mtok）が発生します。EU拠点でのマルチモーダル利用制限やMAU 7億条項など、「無料＝無条件」ではない点に注意してください。

Q2. 日本語は使えますか？

学習は約200言語で行われており日本語も動きますが、公式サポート12言語に日本語は含まれず品質は保証対象外です。業務利用する場合は、JMMLU等の日本語ベンチや自社プロンプトでの評価、必要に応じたファインチューニングを前提にしてください。

Q3. GPT-4oと比べて本当に強いのですか？

Metaは「広範なベンチマークで上回る」と公表していますが、LMArenaの実験版が公開版と挙動が異なっていた問題もあり、ベンチマークだけで決めつけるのは危険です。自社ユースケース（言語構成・画像比率・コード比率）に近いプロンプトで比較検証することを推奨します。

Q4. コンテキスト1Mトークンは実用的ですか？

公称値は1,048,576トークンですが、独立検証では長コンテキストタスクで公称ほどの性能が出ないという指摘があります。数万〜数十万トークン程度が安定動作の目安で、それ以上はRAG・チャンク分割・階層要約との併用を検討する方が安全です。

Q5. 自社のサーバーで動かすには何が必要ですか？

最小構成はH100 DGX 1台（FP8量子化）が目安です。BF16フル精度ではH100複数台が必要。推論エンジンはvLLM／TGI／TensorRT-LLM等が選択肢で、実運用時は量子化・バッチング・キャッシュ戦略がコスト最適化の鍵になります。

Q6. 商用利用は問題ありませんか？

多くの企業には問題ありませんが、(a)MAU 7億超の大手企業、(b)EU拠点でマルチモーダル機能を再配布したい企業、(c)訴訟リスクを抱えている企業は要注意です。また「Built with Llama」の表示義務やライセンス全文の同梱義務など、一般OSSにはない条件があります。最終的な判断は必ず法務部門への確認を経てください。

Q7. Llama 4 Behemothはいつ出ますか？

2025年4月発表時点で学習中、2025年5月に「秋以降に延期」と報じられ、2026年4月時点でも一般公開されていません。Metaは明示的にキャンセルとは発表しておらず、MaverickとScoutの教師モデル（codistillation）としては活用済みです。今後のロードマップは公式情報を要チェックです。

Q8. Llama 4 ScoutとMaverickはどう使い分けますか？

ざっくりの使い分けは以下です。

• 軽量運用・10Mトークン級の超長文を試したい → Scout
• マルチモーダル性能・知識量・コーディング精度を重視 → Maverick
• H100 1枚で動かしたい → Scout／Maverickは量子化必須

詳細は本文内「Scout／他モデルとの使い分け早見表」を参照してください。

まとめ:Llama 4 Maverickをどう位置づけるか

• Llama 4 Maverickは 17B active／400B total／128エキスパートMoE を採用したネイティブマルチモーダルLLM
• 1Mコンテキスト・12言語サポート・オープンウェイトで、コスト効率に優れる
• ただし EU制限・MAU 7億条項・日本語非保証・長コンテキスト実効性能 など、スペック表だけでは見えない制約を持つ
• LMArenaの「実験版」問題を踏まえ、公開版での自社ベンチ・法務確認を経てから本番採用するのが安全
• Behemoth未公開・Llama 4.x公式ロードマップ未発表の現状（2026年4月時点）を踏まえると、オープンウェイトの上限を当面は Maverick が担う構図

「GPT-4o級の性能を自社運用したい」というニーズにはっきり応えるモデルですが、導入判断は性能だけでなく、ライセンス・日本語・運用コストの3軸で行うことを強く推奨します。

あわせて読みたい

• 生成AIとは？仕組み・種類・活用例・注意点
• 生成AIツールおすすめ比較｜主要LLMを一覧整理
• AIエージェントとは？仕組みと代表的ツールを整理
• 生成AIセキュリティとリスク対策
• DeepSeek V4とは？性能・料金・中国発LLMの現在地