Ornith-1.5とは?自己改善型オープンモデルの性能・4サイズ・必要VRAM・Opus 4.8との差を解説【2026年最新】

この記事のポイント
Ornith-1.5は、モデル自身が課題・評価環境・解答を作って同時に鍛える自己改善型のオープンウェイトLLMです。2026年10月追加の122Bを含む4サイズ(397B/122B/35B-A3B/9B)の性能、必要VRAM、料金の考え方、Claude Opus 4.8との差、業務導入の注意点をまとめます。
Ornith-1.5(オーニス 1.5)は、モデル自身が学習課題・評価環境・解答を作り、その3つを同時に強化学習で鍛える「自己改善ループ」で育てられたオープンウェイトのLLMファミリーです。2026年8月に397B・35B-A3B・9Bの3サイズで公開され、10月20日に中間サイズの122Bが加わって、いまは4サイズになりました。MITライセンスで商用利用も無料ですが、開発元のホスト型APIは2026年11月時点で確認できず、自前のGPUか第三者のホスティングで動かします。
開発元と4サイズの違い、「Claude Opus 4.8並み」という評価の中身、必要VRAMと動かし方、料金の考え方、業務で使うときのセキュリティ上の注意を、ローカルLLMでコーディングエージェントを動かしたいエンジニアと、機密コードを外部APIに出せない企業で技術選定を担当する方に向けて整理しました。
Ornith-1.5の強みと注意点
- 強いのはターミナル操作系のコーディング。397BはTerminal-Bench 2.1(Terminus-2ハーネス)で86.1を記録し、公式表ではClaude Opus 4.8(85.0)をわずかに上回りました。ただし、Frontier-BenchやNL2Repoのような難しい課題では大差で負けていて、公式表の17指標で数えると7勝10敗です。比較相手のOpus 4.8の85.0という値も、第三者の測定値(71.91%)とは合いません。
- 手元で使うなら35B-A3B、80GB級のGPUがあるなら122Bが候補。35B-A3Bは1トークンあたり3Bだけが動くMoEで、Q4_K_M量子化なら約21.7GB。VRAM 24GB級のGPU(RTX 4090など)でもコンテキストを抑えれば扱えます。122Bは4bit級の量子化(約76〜78GB)まで落とせば、80GBのGPU1枚に載る可能性があります。
- 無料でも、費用がかからないわけではない。モデルの利用料はゼロですが、397Bはbf16で約800GB(8×H200相当)、122Bでも約250GBのGPUメモリが要ります。費用がトークン単価からGPUの調達と運用に移る、と考えてください。
Ornith-1.5とは何か

出典: Hugging Face - ornith-ai 公式Organization
Ornith-1.5は、Ornith Team(報道ではAI研究スタートアップのDeepReinforce)が2026年8月に公開したオープンウェイトの大規模言語モデルです。公式ブログの表記は「Aug. 2026」で、多くの海外メディアは8月19日(現地時間)の公開と報じています。2026年11月11日時点で、Ornith-1.6や2.0といった後継モデルは見つかっておらず、GitHubのREADMEも1.5を最新版としています。
項目 | 内容 |
|---|---|
名称 | Ornith-1.5(オーニス 1.5) |
開発元 | Ornith Team(報道ではDeepReinforce)。Hugging FaceのOrgは |
公開時期 | 2026年8月(397B / 35B-A3B / 9B)。122Bは2026年10月20日に追加 |
ライセンス | MIT(商用利用・改変・再配布・ファインチューニングが自由) |
提供形態 | 公式はHugging Faceでの重み配布。開発元のホスト型APIは確認できない。122BはHugging Face Space上にブラウザで試せるチャットデモがある。第三者ではFeatherless AI・Baseten・FriendliAI、ローカルではOllama・Docker Model Runnerで使える |
モデル種別 | 推論モデル(既定で |
入力 | テキスト+画像(Hugging Faceのタグは image-text-to-text。4サイズとも)。音声・動画の記載はない |
コンテキスト長 | 262,144トークン(YaRN factor 4.0で約100万トークンまで拡張可) |
ベース | Ornith-1.0を引き継ぐ。Ornith-1.0はQwen3.5とGemma 4の上で継続事前学習・中間学習・事後学習を行ったもの |
得意領域 | エージェント型コーディング(ターミナル操作・SWEタスク)、ツール呼び出し、Web検索系エージェント |
開発元が自ら提供しているのはHugging Faceの重みだけという点は押さえておきたいところです。OpenAIやAnthropicのように「APIキーを取って課金すればすぐ使える」形にはなっていません。vLLM・SGLang・llama.cpp・Ollamaなどで自前ホストするか、第三者の提供経路を使います。ベースの一つであるGemma 4の位置づけや、オープンウェイトモデル全体の流れは、Thinking Machines Inklingの解説記事やAnthropicのオープンウェイトに対する立場も参考になります。
公開直後は「テキスト専用」と受け取られることもありましたが、いまのモデルカードでは4サイズとも画像入力に対応しています。Transformersのサンプルコードでも画像とテキストを一緒に渡しており、Ollamaのライブラリページも入力を「Text, Image」と表示しています。一方、公式の画像ベンチマークは公開されていません。海外のレビュー(AIToolsReview)には、MLX 4bit版で請求書の画像を読ませて約98%の精度だったという報告がありますが、これは個人の検証です。
4サイズのラインナップと選び分け

出典: Hugging Face - Ornith-1.5-35B-A3B 公式モデルカード
Ornith-1.5は、2026年11月時点で4サイズあります。8月の公開時は397B・35B-A3B・9Bの3構成で、10月20日に122B MoEが加わりました。なお、公式ブログとGitHubのREADMEはまだ3サイズの表記のままで、122BはHugging Faceのモデルカード・Ollama・報道で確認できます。
モデル | 構成 | 総パラメータ | アクティブ | bf16の目安 | 公式の想定構成 | 想定する使い手 |
|---|---|---|---|---|---|---|
Ornith-1.5-397B | MoE | 約397B(HF表示は403B) | 公式に記載なし | 約800GB | 8×H200 141GB | データセンター/複数GPUノードを持つ組織 |
Ornith-1.5-122B(10月追加) | MoE | 約122B(HF表示は125B) | 公式に記載なし | 約250GB | 「80GB GPU 1枚で動く」と公式は説明(精度の条件は書かれていない) | 80GB級GPUを1〜数枚持つチーム |
Ornith-1.5-35B-A3B | MoE | 約35B(HF表示は36B) | 約3B/トークン | 約70GB | 2×80GB GPU(256Kコンテキスト時) | ワークステーション/実用の中心 |
Ornith-1.5-9B | Dense | 約9B(HF表示は10B) | 全パラメータ | 約19GB | 単一GPU/エッジ | ノートPC・小型GPU |
量子化・変換済みのビルドも増えています。Hugging Faceの ornith-ai には、2026年11月11日時点で36のモデルが並んでいます。
- bf16本体: 4サイズすべて
- GGUF(llama.cpp・Ollama向け): 4サイズすべて
- FP8: 397B・122B・35B-A3B
- NVFP4: 4サイズすべて(397B版は10月20日ごろに追加)
- MLX(Apple Silicon向け): 9B(標準・4bit・6bit)、35B-A3B、122B(標準・8bit・4bit、10月24日ごろ)
- DFlashドラフタ: 397B・35B-A3B・9B(9月末ごろに追加)。122B用の公式ドラフタは確認できていない。投機的デコーディング用の補助モデルで、単体では動かない
9Bと122Bのモデルカードには、エッジ向けの「Mobile」版の記載もあります。ただ、独立したリポジトリは2026年11月時点で見当たりません。スマートフォンで試すなら、当面はGGUFやMLXの小さい量子化版を使うことになります。
どのサイズを選ぶか
こういう状況なら | 選ぶサイズ・経路 | 理由 |
|---|---|---|
H200/H100を8枚単位で確保できる | 397B | ファミリーで最も高い公式スコア(Terminal-Bench 86.1) |
80GBのGPU(H100/A100 80GB)が1枚ある、またはメモリ96〜128GBのMac | 122B(4bit級の量子化) | NVFP4で約78GB、Q4_K_Mで約76GB。コンテキストを抑えれば載る可能性がある |
RTX 4090/A6000クラスが1〜2枚ある | 35B-A3B | Q4_K_Mで約21.7GB。コーディング性能と機材の要件のバランスがいちばん良い |
VRAM 8〜16GBのGPU1枚、またはApple Silicon | 9B | Q4_K_Mで約5.63GB。軽い作業や補完向け |
自前のGPUを用意しない | 9BをFeatherless AIで/35B-A3BをBasetenで/122BをFriendliAIで | 開発元のAPIはないが、第三者の提供経路はある(料金・条件は各社で確認が必要) |
まず触ってみたい | 122BのHugging Face Space(チャットデモ) | ブラウザで試せる。利用制限やデータの扱いは明記されていないので、機密情報は入れない |
自己改善ループ:Ornith-1.5の中核

Ornith-1.5のいちばんの特徴は、モデルが自分で問題集を作り、その採点の仕組み(評価環境)も作り、実際に解いて、この3つを同時に上達させる学習方法です。前世代のOrnith-1.0で最適化していたのは「評価環境(scaffold)」と「解答(rollout)」の2段階でしたが、1.5ではタスクを作る段階も最適化の対象に加わりました。
学習ループは3段階です。
- タスク提案: 環境やコードベース、タスクの種類の大まかな指示、過去の解答履歴を与え、いま解ける問題より一段難しいタスクを作る
- scaffold(harness)生成: そのタスク専用の指示・ツール・分解の仕方・進め方を設計する
- 解答ロールアウト: タスクとscaffoldをもとに解答を出す
報酬は3段階すべてに伝わり、GRPOで同時に最適化されます。「モデルが強くなる → より難しいタスクを作れる → 学習の材料が良くなる」という循環を回す設計です。自己改善という考え方そのものは、Recursive Superintelligenceの解説とあわせて読むと理解しやすくなります。
報酬設計が「掛け算」である意味
公式ブログでは、タスクの報酬を次の掛け算で定義しています。
R_task = V(q,s) × D(q,s,{τ}) × N(q)
信号 | 意味 | 内容 |
|---|---|---|
V(検証可能性) | 正しく採点できる学習環境か | scaffoldが正常に動き、正解が通って不正解が落ちるか。 |
D(フロンティア難易度) | 難しさが能力の限界近くか | N回のロールアウトの成功率pを |
N(新規性) | 過去のタスクと重なっていないか | これまでのタスクとの最大類似度を1から引いた値 |
掛け算なので、3つのうち1つでも0なら報酬は0です。「正しく動かないのに難しそうに見えるタスク」で報酬を稼ぐことを、仕組みの上で防いでいます。
評価環境の側にも R_harness = C(q,h) × F(h,{τ}) × H(h) という報酬があります。Cはタスクの仕様に合っているか、Fは報酬が正しく付くか、Hは「リワードハッキング耐性」(採点の抜け道や近道への強さ)を測ります。自分で作ったデータで学習する方式では、リワードハッキングがいちばんの懸念になります。そこに設計の段階から手を打っている点が、技術的な見どころです。
「Claude Opus 4.8並み」の中身を17指標で分解する

397BがOpus 4.8と競り合えているのは、ターミナル操作系とコード修正の一部です。難しい推論、長いタスク、ツール操作でははっきり差が残っています。公式表の17指標で数えると、Ornith-1.5-397BはClaude Opus 4.8に対して7勝10敗です。
ベンチマーク | Ornith-1.5 (397B) | Claude Opus 4.8(Ornith公式表の値) | 判定 |
|---|---|---|---|
Terminal-Bench 2.1 (Terminus-2) | 86.1 | 85.0 ※ | ◯ Ornith |
Terminal-Bench 2.1 (Claude Code) | 85.2 | 78.9 | ◯ Ornith |
SWE-bench Verified | 86.0 | 85.8 | ◯ Ornith |
SWE-bench Pro | 65.1 | 68.0 | × Opus |
SWE-bench Multilingual | 79.6 | 75.7 | ◯ Ornith |
DeepSWE | 56.0 | 59.0 | × Opus |
Frontier-Bench v0.1 | 13.5 | 21.1 | × Opus(大差) |
NL2Repo | 59.5 | 69.7 | × Opus(大差) |
SWE Atlas – QnA | 55.6 | 59.7 | × Opus |
HLE(ツールなし) | 44.6 | 49.8 | × Opus |
HLE(ツールあり) | 56.1 | 57.9 | × Opus |
GPQA Diamond | 92.8 | 93.6 | × Opus |
MCP-Atlas | 80.0 | 82.2 | × Opus |
Toolathlon-Verified | 71.2 | 76.2 | × Opus |
WideSearch | 80.8 | 72.9 | ◯ Ornith |
BrowseComp | 86.6 | 84.3 | ◯ Ornith |
ClawEval | 81.4 | 80.2 | ◯ Ornith |
※ すべて開発元の申告値(5回の独立実行の平均)。Opus 4.8の値はOrnith側が比較用に載せたもの。
勝ち負けを領域ごとに並べ直すと、得意と不得意がはっきりします。
- 勝っている領域: ターミナル型エージェント(Terminal-Bench 両ハーネス)、既存リポジトリのバグ修正(SWE-bench Verified/Multilingual)、Web検索系(WideSearch/BrowseComp)、実際の利用に近い分布のコードベンチ(ClawEval)
- 負けている領域: 難問推論(HLE/GPQA)、ゼロからのリポジトリ生成(NL2Repo 59.5 vs 69.7)、新しく難しい課題(Frontier-Bench 13.5 vs 21.1)、ツール操作(MCP-Atlas/Toolathlon)
- 「Opus 4.8並み」という表現は、得意な領域だけを見れば当たっているが、全面的に肩を並べているわけではない
比較に使われたOpus 4.8の数値と、いまのClaude最上位
報道でよく見る「Terminal-Bench 2.1でOpus 4.8超え」という表現については、Ornith公式表のOpus 4.8=85.0という値が他の測定値と合わない点にも注意が必要です。
出どころ | Claude Opus 4.8 の Terminal-Bench 2.1 |
|---|---|
Ornith-1.5 公式表(Terminus-2) | 85.0 |
Vals.ai(第三者、Terminus 2) | 71.91% |
Vals.ai(第三者、Claude Codeハーネス) | 69.66% |
二次報道で伝えられたAnthropicの発表値 | 74.6% |
ハーネスや設定が違えば数値は変わるため、どれが「正しい」とは言い切れません。それでも85.0は第三者の測定より13ポイント以上高く、Ornith側がこの値をどこから取ったかは示されていません。「Opus 4.8を上回った」は、Ornith側が選んだ比較用の数値に対しての話だと受け取るのが妥当です。
しかも、Opus 4.8はもう最新のClaudeではありません。Anthropicは2026年9月22日にClaude Opus 5.5(API単価は100万トークンあたり入力$4/出力$20)を公開し、Claude Sonnet 5.5(9月28日)、Haiku 5.5(10月7日)が続きました。11月9日には最上位のClaude Fable 5.2が出ており、API単価は入力$8/出力$40(前のFable 5.1の$10/$50から値下げ)です。
第三者のVals.aiによるTerminal-Bench 2.1のリーダーボード(2026年10月1日のアーカイブ時点)では、1位がClaude Opus 5.5の87.64%、4位がClaude Fable 5.1の85.02%でした。Ornith-1.5はこのリーダーボードに載っておらず、Opus 5.5やFable 5.2とOrnithを直接比べたデータもありません。Ornithの86.1は自己申告の値なので、Vals.aiの数値と並べて順位をつけることはできません。測定元によって同じモデルでも数値は変わります。なお、Terminal-Bench 2.1はすでにアーカイブ扱いで、後継はTerminal-Bench 4.0です。Ornithの4.0でのスコアは公表されていません。
オープンモデル同士の位置づけ
公式表には他社のオープンモデルも並んでいます。そこから見ると、Ornith-1.5-397Bはオープンモデルの中で最強というわけでもありません。
ベンチマーク | Ornith-1.5 (397B) | DeepSeek-V4-Flash-0731 (284B) | GLM-5.2 (753B) | Kimi K3 (2.8T) |
|---|---|---|---|---|
Terminal-Bench 2.1 (Terminus-2) | 86.1 | 82.7 | 81.0 | 88.3 |
SWE-bench Verified | 86.0 | 81.6 | 83.0 | 86.2 |
DeepSWE | 56.0 | 54.4 | 46.2 | 67.5 |
Frontier-Bench v0.1 | 13.5 | 6.1 | 5.1 | 23.0 |
GPQA Diamond | 92.8 | 91.4 | 91.2 | 93.5 |
MCP-Atlas | 80.0 | 74.6 | 77.8 | 82.3 |
BrowseComp | 86.6 | 84.8 | 85.6 | 91.2 |
Terminal-Bench・DeepSWE・Frontier-Bench・BrowseCompではKimi K3が上です。一方、DeepSeek V4 Flash 0731やGLM 5.2に対しては、Ornith-1.5-397Bがほぼすべての項目で上回っています。「同じクラスのオープンモデルの中では上位だが、最上位ではない」というのが実態に近い評価です。
ただし、この表のKimi K3=88.3も、Vals.aiのアーカイブにある80.90%とは合いません。ハーネスや設定の違いによる可能性がありますが、理由は示されていません。この表の比較相手は、いずれも公開時点(2026年8月)のモデルです。
122B:2026年10月に追加された中間サイズ

出典: Hugging Face - Ornith-1.5-122B 公式モデルカード
122Bは、397Bと35B-A3Bのあいだを埋める中間サイズです。同じくらいの規模のオープンモデルとはほとんどの項目で互角以上ですが、全勝ではありません。モデルカードでの比較相手はQwen3.8-Flash-Next(125B)やNemotron 3.5 Super VL(120B)などで、Claudeとの比較は載っていません。
ベンチマーク | Ornith-1.5-122B | Qwen3.8-Flash-Next (125B) | Qwen3.8 (27B) | Nemotron 3.5 Super VL (120B) | DeepSeek-V4-Flash-0731 (284B) |
|---|---|---|---|---|---|
TerminalBench 2.1(Claude Code) | 81.2 | 83.4 | 71.9 | 66.7 | 82.7 |
CyberGym | 80.0 | 78.0 | 55.0 | 34.0 | 76.7 |
NL2Repo | 51.2 | 45.2 | 42.3 | 21.0 | 54.2 |
SWE-bench Pro(no-hack) | 76.9 | 43.9 | 65.5 | 42.5 | — |
SWE-bench Verified(non-hack) | 84.5 | 82.8 | 76.8 | 61.2 | — |
HLE(ツールあり) | 48.0 | 38.0 | 31.3 | 33.2 | 50.8 |
BrowseComp | 78.5 | 75.3 | 71.4 | 61.0 | 80.2 |
Toolathlon-Verified | 70.8 | 71.4 | 67.1 | 60.1 | 70.3 |
ClawEval | 79.4 | 76.5 | 75.4 | 61.2 | — |
※ すべて開発元の申告値。「—」はモデルカードに値がないもの。
数字を読むときは、次の点に気をつけてください。
- 同じ規模のQwen3.8-Flash-Nextには、TerminalBenchとToolathlonで負けている。「同規模のモデルを大半のテストで上回る」は事実ですが、ターミナル操作でいちばん強いわけではありません
- SWE-bench Pro 76.9は、397Bの65.1より高い。122Bの表は「no-hack」設定と書かれていて、397Bの表と条件が同じかどうかは説明されていません。サイズ同士の数字をそのまま比べないでください。Qwen3.8-Flash-Next(43.9)との差もかなり大きく、海外の解説メディア(ExplainX)は導入前に自分で再現するよう勧めています
- Terminal-Benchは397Bより約4ポイント低い。Claude Codeハーネス同士で比べると、397Bの85.2に対して122Bは81.2です
よくある誤解:「80GB GPU 1枚で動く」は量子化が前提
モデルカードは「80GBのGPU1枚で動く」と書いていますが、どの精度でそうなるのかは示していません。精度ごとのファイルサイズは次のとおりです。
精度 | 122Bのファイルサイズ(目安) | 80GB GPU 1枚に載るか |
|---|---|---|
BF16 | 約249GB | 載らない |
Q8_0(GGUF) | 約133GB | 載らない |
FP8 | 約133GB | 載らない |
NVFP4 | 約78GB | 重みだけならほぼいっぱい |
Q4_K_M(GGUF) | 約76GB | 重みだけならほぼいっぱい |
重みだけで80GBに収まるのは4bit級の量子化だけで、その上にKVキャッシュ(入力の長さに比例して増えるメモリ)が乗ります。262Kの長いコンテキストまで使えるかは確かめられていません。「4bit級に量子化し、コンテキストを短めにすれば、80GB 1枚に載る可能性がある」くらいに受け取るのが現実的です。量子化による品質の落ち方も公開されていません。
アクティブパラメータの数も公式には書かれていません。報道ではMoEの構成(48層・256エキスパートのうち8個を選ぶ方式など)が紹介されていますが、1トークンあたり何Bが動くかは確認できないため、「35B-A3Bのように軽く動く」とは考えないでください。
35B-A3Bと9B:実際に手元で動かすサイズの実力
35B-A3B:アクティブ3Bで大規模モデルを上回る
手元で動かすなら、いちばん現実的なのは35B-A3Bです。動くパラメータは3Bだけなのに、コーディング系では約11倍の規模のQwen3.5-397Bをほぼすべての項目で上回っています(いずれも公式値)。
ベンチマーク | Ornith-1.5-35B-A3B | Ornith-1.0-35B-A3B | Qwen3.6-35B-A3B | Qwen3.5-397B |
|---|---|---|---|---|
Terminal-Bench 2.1 (Terminus-2) | 67.8 | 64.2 | 52.5 | 53.5 |
Terminal-Bench 2.1 (Claude Code) | 68.5 | 62.8 | 49.2 | 48.6 |
SWE-bench Verified | 79.0 | 75.6 | 73.4 | 76.4 |
SWE-bench Pro | 59.6 | 50.4 | 49.5 | 51.6 |
NL2Repo | 46.2 | 34.6 | 29.4 | 36.8 |
GPQA Diamond | 89.2 | 86.2 | 86.0 | 88.4 |
HLE(ツールあり) | 33.4 | 30.1 | 28.9 | 48.3 |
WideSearch | 67.8 | 63.4 | 60.1 | 74.0 |
BrowseComp | 67.6 | 63.5 | 62.0 | 78.6 |
一方で、汎用的な推論(HLE)と検索系(WideSearch/BrowseComp)では大規模モデルにはっきり劣ります。「コーディングエージェント向けに寄せたモデル」と割り切って使うのが前提です。30Bクラス同士では、Meta Muse Glimmer-30BがMCP-Atlasで75.5とOrnithの70.2を上回っていて、ツール操作を重視するならほかの候補も比べる余地があります。
9B:同じサイズ帯では強いが、公式ブログの言い方には注意
ベンチマーク | Ornith-1.5-9B | Ornith-1.0-9B | Qwen3.5-9B | Qwen3.6-35B-A3B |
|---|---|---|---|---|
Terminal-Bench 2.1 (Terminus-2) | 46.2 | 43.1 | 21.3 | 52.5 |
SWE-bench Verified | 70.6 | 69.4 | 53.2 | 73.4 |
SWE-bench Multilingual | 54.4 | 52.0 | 39.7 | 67.2 |
NL2Repo | 32.4 | 27.2 | 16.2 | 29.4 |
GPQA Diamond | 86.4 | 82.5 | 81.7 | 86.0 |
BrowseComp | 56.4 | 44.8 | 41.5 | 62.0 |
同じ9BクラスのQwen3.5-9Bに対しては、Terminal-Benchで21.3→46.2と大きく引き離しています。ただし、公式ブログの「はるかに大きいモデルを大きく上回る」という言い方は、9Bについては公式表の数字と合いません。Qwen3.6-35B-A3Bには多くの項目で負けているので、9Bは「同じサイズ帯では強い」と評価するのが正確です。
公式ベンチマークをどこまで信じられるか
2026年11月11日時点で、Ornith-1.5のスコアはすべて開発元の申告で、第三者による独立した検証は見当たりません。導入を判断するうえでは、この前提がいちばん大きく影響します。数字をすべて疑う必要はありませんが、次の条件を知ったうえで読むべきです。
公式が開示している実行条件
公式ブログの脚注には、他社モデルとの比較を読むうえで見落とせない条件が書かれています。122Bのモデルカードも同じ条件を挙げています。
項目 | 内容 |
|---|---|
試行回数 | すべての結果が5回の独立実行の平均(1回だけのブレを除いており、この点は誠実) |
チャットテンプレート | Terminal-Benchの評価時、学習と推論をそろえるためにQwenのチャットテンプレートを修正したと明記 |
ハーネスの改変 | HarborをvLLMの |
判定モデル | HLEの判定にClaude Opus 4.6、MCP-Atlasの判定にClaude Opus 4.8を使用 |
コンテキスト | Terminal-Benchは128K、SWE-bench系は256K、NL2Repoは400K |
不正対策 | SWE-bench系はGit履歴を消してネットワークを遮断。NL2Repoは対象リポジトリとpipパッケージへのアクセスを遮断 |
Claude Opus 4.8と競っているベンチマークの一部で、採点役にClaudeを使っていること、自社モデル側のチャットテンプレートだけを調整していることは、比べる条件がそろっているかという点で知っておくべき情報です。一方で、5回平均や不正対策をここまで明記しているのは、この種の公開としては透明性が高いほうです。
独立した再現との食い違い
Hacker Newsの議論では、あるユーザーがOrnith-1.5-35BとQwen3.8-27Bを自分で比べて実行し、DeepSWEでOrnith 22.0に対してQwen3.8-27Bが42.2という結果を報告しています。Ornithの22.0は公式値と同じですが、比較相手のほうが大きく上でした。ただし、これは査読のない1件の非公式な実行で、動くパラメータ数も違うため、厳密な同条件の比較ではありません。比較に使われたQwen3.8-27BはApache 2.0の商用可モデルで、ローカル用途では有力な代わりの候補です。
第三者の集計サイト(CodingFleet、BenchLMなど)でも、Ornithのスコアは「ベンダー申告」として扱われています。tbench.aiの公式ボードへの提出も見当たりません。海外の解説メディアの評価も「自己改善の仕組みは技術的に筋が通っているが、ベンチマークの主張は本番導入の前に独立した検証が必要」というところに落ち着いています。122Bについても、11月時点で独立した再現は出ていません。社内で導入を提案するときは、この点を必ず説明しておきましょう。
料金:モデルは無料、実質コストはGPUに置き換わる

出典: Hugging Face - Ornith-1.5-397B 公式モデルカード
Ornith-1.5のモデル利用料は無料です。MITライセンスなので、商用・研究のどちらでも制限はありません(著作権表示とライセンス文の同梱だけが条件)。ただし開発元のトークン単価はないため、費用はGPUの調達と推論環境の運用、または第三者サービスの利用料に置き換わります。
使い方別の費用の考え方
使い方 | 対象サイズ | 費用の性質(2026年11月時点) |
|---|---|---|
自前GPUでセルフホスト | 4サイズ | GPU購入・クラウドGPU代+運用工数 |
Featherless AI | 9B(FP8) | 従量課金の掲載値は入力$0.431/出力$1.12(単位はページに明記なし。100万トークンあたりとみられる)。定額プランもある。提供されるコンテキストは32,768トークンで、モデル本来の262Kより短い |
Baseten(専用デプロイ) | 35B-A3B(FP8) | GPU時間課金の専用デプロイ。公式Docsの構成はH100×2。料金の記載なし |
FriendliAI(Dedicated Endpoints) | 122B | 専用GPUでのデプロイ。サーバーレスのAPIの記載はなく、料金も非公開 |
Ollama/Docker Model Runner(ローカル) | 4サイズ | 手元のPC・サーバーの電気代と機材のみ |
参考: Claude Opus 5.5のAPI | — | 入力$4/出力$20(100万トークンあたり、Anthropic公式) |
参考: Claude Fable 5.2のAPI | — | 入力$8/出力$40(100万トークンあたり、Anthropic公式) |
Hugging FaceのInference Providersは、35B-A3B・122Bとも「どの推論プロバイダもデプロイしていない」という表示です。OpenRouter・Together・Fireworks・DeepInfraでの提供も、2026年11月11日時点では確認できませんでした。397Bを従量課金で使える経路も見つかっていません。122B・35B-A3Bをトークン課金で提供する小規模な事業者もあるようですが、各社の公式ページで単価を確かめられなかったため、ここには載せていません。
bf16での最小構成
モデル | bf16サイズ | 最小構成 |
|---|---|---|
397B | 約800GB | 8× H200 141GB(8-way tensor parallel)。vLLMのmemory utilizationは0.90を推奨 |
122B | 約250GB | bf16のままでは80GB GPU 1枚に載らない。80GB 1枚で動かすなら4bit級の量子化が前提 |
35B-A3B | 約70GB | 2× 80GB GPU |
9B | 約19GB | 単一80GB GPU(量子化すれば一般向けGPUでも動く) |
GGUF量子化のファイルサイズ(必要メモリの目安)
量子化 | 397B | 122B | 35B-A3B | 9B |
|---|---|---|---|---|
Q4_K_M | 241 GB | 約75.8 GB | 21.7 GB | 5.63 GB |
Q8_0 | 422 GB | 133 GB | 37.8 GB | 9.53 GB |
BF16 | 約800 GB | 約249 GB | 71.1 GB | 17.9 GB |
Ollamaの公式ライブラリ版は、ornith-1.5:9b が約6.6GB、:35b が約23GB、:122b が73〜77GB、:397b が約242GBです。実際に必要なVRAMは、ファイルサイズに長いコンテキスト分のKVキャッシュが上乗せされます。国内の技術ブログ(oflight、2026年8月24日)の目安では、9BのQ4_K_MでVRAM 8GB(12GB推奨)、35B-A3BのQ4_K_Mで24〜32GB、FP8で40〜48GB、397BはFP8で80GB×8、INT4で80GB×4です。いずれも参考値なので、自分の環境と入力の長さで確かめてください。
よくある誤解:「アクティブ3B」=「3GBで動く」ではない
35B-A3Bは1トークンごとに3B分のパラメータしか使いませんが、どのエキスパートが選ばれるかは事前にわからないため、全パラメータをメモリに載せておく必要があります。「アクティブ3Bだから軽い」という理解は誤りで、必要なメモリは総パラメータ量(Q4_K_Mで約21.7GB)で見積もります。122Bも同じで、MoEだからといって必要メモリが小さくなるわけではありません。
API課金型と比べるべきか
外部のAPIにコードを渡せる環境なら、DeepSeek V4 Flashのような低単価のAPIや、Claudeのような商用モデルのAPIのほうが、総額で安く済むことが多いです。主な選択肢の違いは次のとおりです。
選択肢 | 提供形態 | 費用の目安 | 向いている場面 |
|---|---|---|---|
Ornith-1.5(35B-A3B/122B) | オープンウェイト(MIT)。自前ホストが中心 | モデルは無料。GPUと運用の費用 | 機密コードを外に出せない/推論量が多い |
Qwen3.8-Flash-Next | オープンウェイト | 自前ホストならGPU代 | 122Bと同規模で、ターミナル操作系を重視 |
Claude Opus 5.5 | 商用API | 入力$4/出力$20 | 難しい推論やゼロからの開発も含め、品質を優先 |
Claude Fable 5.2 | 商用API | 入力$8/出力$40 | 現行Claudeの最上位が必要な作業 |
セルフホストが割に合うのは、次のどれかに当てはまる場合です。
- 機密コードを外部に送れない(重みを自社環境に置けば、データは外に出ない)
- 推論量が多く、従量課金だと月額が膨らむ
- ファインチューニングや蒸留で自社用途に合わせたい(MITなので自由。2026年11月時点のHugging Face表示では、35B-A3Bだけでもファインチューン版が39、量子化版が215公開されている)
- オフライン環境や閉域網で動かす必要がある
導入方法と必要なランタイム

出典: GitHub - vllm-project/vllm 公式リポジトリ
対応ランタイムとバージョン要件
Ornith-1.5は新しめのランタイムを必要とします。古い環境では動きません。要件は4サイズ共通です。
- vLLM ≥ 0.19.1(ツール呼び出しは
qwen3_xmlパーサー、推論パーサーにも対応) - SGLang ≥ 0.5.9(ツール呼び出しは
qwen3_coderパーサー) - Transformers ≥ 5.8.1
- llama.cpp(GGUF)
- Ollama / LM Studio / Jan / Docker Model Runner
- Unsloth Studio(高速推論・ファインチューニング)
- MLX(Apple Silicon向け・9B / 35B-A3B / 122B)
vLLM・SGLang・llama.cpp・Ollama・LM Studioなど主なランタイムはOpenAI互換のエンドポイントを用意できるので、既存のコーディングエージェントやエージェントフレームワークからそのまま接続できます。モデルカードには、OpenCode・OpenHands・OpenClaw・Hermes Agentとつなぐ手順も載っています。ローカルで手始めに試すならOllamaがいちばん手軽です。ほかのコーディング支援ツールと比べたい場合はAIコーディングツールのおすすめ比較も参考にしてください。
起動コマンド例
# vLLM(397B・データセンター構成)
vllm serve ornith-ai/Ornith-1.5-397B \
--tensor-parallel-size 8 \
--max-model-len 262144
# vLLM(122B・公式モデルカードの例)
vllm serve ornith-ai/Ornith-1.5-122B \
--max-model-len 262144 \
--gpu-memory-utilization 0.90 \
--enable-prefix-caching \
--enable-auto-tool-choice \
--tool-call-parser qwen3_xml \
--reasoning-parser qwen3 \
--trust-remote-code
# Ollama(公式ライブラリ版。:9b / :35b / :122b / :397b)
ollama run ornith-1.5:9b
ollama run ornith-1.5:122b
# Ollama(Hugging FaceのGGUFを直接指定する場合)
ollama run hf.co/ornith-ai/Ornith-1.5-9B-GGUF:Q4_K_M
# llama.cpp(35B-A3B・OpenAI互換サーバとして起動)
llama-server -hf ornith-ai/Ornith-1.5-35B-A3B-GGUF:Q4_K_M --port 8000
# Docker Model Runner(122B)
docker model run hf.co/ornith-ai/Ornith-1.5-122BDocker Hubの ai/ornith-1.5 は latest タグ(約21.1GB)だけで、どのサイズ・量子化なのかはページから読み取れません。サイズを選びたいなら、OllamaかHugging Faceのリポジトリを直接指定するほうが確実です。
--trust-remote-code は、リポジトリに同梱されたコードを手元で実行するオプションです。業務環境で使うなら、同梱コードを確認するか、確認済みのリビジョンに固定してから起動してください。
DFlashドラフタで推論を速くする
2026年9月末ごろ、397B・35B-A3B・9BそれぞれにDFlashドラフタが追加されました。投機的デコーディング(小さなモデルが先に候補のトークンを出し、本体がまとめて検証して速くする手法)に使う、ブロック拡散型の補助モデルです。単体では動かず、本体と組み合わせて使います。vLLM 0.20.2以上(0.28.0で動作確認)またはSGLang 0.5.18が必要です。モデルカードには何倍速くなるかは書かれていないので、効果は自分の環境で測ってください。122B用の公式ドラフタは、11月11日時点では確認できていません。
推奨サンプリングパラメータ
推奨値はサイズによって違います。122Bは一般利用の温度が高めです。
サイズ | 用途 | 設定 |
|---|---|---|
397B / 35B-A3B | 一般利用 |
|
397B / 35B-A3B | 公式ベンチマークの再現 |
|
122B | 一般利用 |
|
122B | 正確さを求めるコーディング |
|
YaRNの扱いに注意
コンテキストは262,144トークンが標準で、YaRN factor 4.0を使えば約100万トークンまで伸ばせます。ただし公式モデルカードには、OSS実装のYaRNは入力の長さに関係なく係数を一律にかけるため、短い入力では品質が少し落ちると書かれています(122Bにも同じ注意書きがあります)。長い文脈が必要な処理のときだけ有効にし、係数も用途に合わせてください(例: 2.0で約524K)。常にオンにするのは避けましょう。
弱み・制約の整理
制約 | 内容 |
|---|---|
開発元のAPIがない | 開発元のホスト型APIは確認できない。122BにはHugging Face Spaceのチャットデモがあるが、本番向けのサービスではない。第三者の提供はFeatherless AI(9B)・Baseten(35B-A3B)・FriendliAI(122B)などに限られ、397Bを従量課金で使える経路は見当たらない |
397B・122Bは機材のハードルが高い | 397Bはbf16で約800GB(8× H200 141GBが基準)。122Bもbf16で約250GBあり、「80GB 1枚」は4bit級の量子化が前提とみられる |
音声・動画は扱えない | 入力はテキストと画像。音声・動画の記載はなく、画像の公式ベンチマークもない |
新しいランタイムが必要 | Transformers ≥5.8.1 / vLLM ≥0.19.1 / SGLang ≥0.5.9(DFlashはvLLM ≥0.20.2) |
YaRNの一律適用 | 常に有効にすると、短い入力の品質が落ちる |
難しい課題・ゼロからの生成が弱い | 397BでもFrontier-Bench 13.5(Opus 4.8は21.1)、NL2Repo 59.5(同69.7) |
オープンモデルの最上位ではない | 397BはTerminal-Bench・DeepSWE・Frontier-Bench・BrowseCompでKimi K3を下回る。122BはTerminalBenchでQwen3.8-Flash-Nextを下回る |
独立した評価がない | Vals.aiなど第三者のリーダーボードに未掲載。スコアはすべて開発元の申告 |
日本語性能の公式データがない | 日本語ベンチマークの公式スコアは未公開。122Bは日本語の会話で中国語が混ざることがあるという報告がある(GIGAZINEの簡易テスト) |
セーフティ評価が公開されていない | 公式ブログ・モデルカードに、レッドチーミングの結果・システムカード・利用ポリシーが見当たらない。122Bのモデルカードにも制約の節がない |
日本語の実用性は、公式データがないため自分の用途で確かめるしかありません。ベースのQwen3.5・Gemma 4は多言語に対応していますが、Ornith-1.5の学習はコーディングとエージェント作業に寄せています。SWE-bench Multilingualはプログラミング言語の多様さを測るもので、日本語の能力を示すものではありません。日本語の文章を出力させる用途なら、中国語が混ざっていないかを確認する仕組みも用意しておくと安心です。
業務導入時に押さえるべきセキュリティ観点
MITライセンスで無料だからといって、すぐ本番に入れてよいわけではありません。ライセンスが自由であることと、モデルが安全であることは別の話です。導入を検討するときは、開発元が手を打っていることと、自社で対応すべきことを分けて考えてください。
学習側で公式が対策していること
- リワードハッキング対策を報酬設計に組み込んでいる(harness報酬の
H(h)が採点の抜け道への強さを測る) - タスクの妥当性をハードゲートで確かめている(
V=0なら報酬は0。正しく動かないタスクが「難しそう」というだけで報酬を得るのを防ぐ) - 評価時の不正対策(SWE-bench系はGit履歴を消してネットワークを遮断、NL2Repoは対象リポジトリとpipパッケージを遮断)
- Ornith-1.0の時点では、環境の境界を変えさせない・ツールの使い方を機械的に監視する・採点役のLLMを固定する、という3つの安全策が説明されていた
公式が書いている安全対策は、学習と評価に関するものに限られます。モデルの出力の安全性を評価した資料(システムカードやCBRN評価)は、2026年11月時点で公開されていません。
運用側で自社が対応すべきこと
- 何で学習したかを外から追いにくい。モデル自身が作ったタスクと環境で学習しているため、人が集めたデータで学習するモデルより、学習内容をたどるのが難しい
- ローカルで動かしても、エージェント用途の危険は減らない。ターミナル操作やファイルの書き換えをさせる以上、権限の分離・サンドボックス・実行前の承認は欠かせません(AIエージェントによるデータ削除事故の事例やAIコーディングのセキュリティリスクも参考に)
--trust-remote-codeの中身を確かめる。リポジトリ同梱のコードが手元で動くため、内容を確認するか、確認済みのリビジョンに固定する- セーフティ評価と利用ポリシーが公開されていない。業務で使うなら、自社でレッドチーミングとガードレールを整える必要がある
- 自分を「Claude」と名乗るという報告がある。公開直後の2026年8月21日に、海外のレビュー(AIToolsReview)が一部ユーザーの報告として紹介し、学習データが混ざったことが原因と推測しています。同記事はセキュリティ上の問題は見つからなかったとしていますが、社内向けアシスタントにするなら、システムプロンプトで名乗り方を固定しておくと安心です
- 重みを自社環境に置けば、データは外に出ない。機密コードを扱う組織にとっては、これが最大の採用理由になり得ます
- デモや第三者のホスティングに機密を入れない。122BのHugging Face Spaceは利用条件やデータの扱いが明記されていません。Featherless AI・Baseten・FriendliAIを使う場合も、各サービスのデータの扱いを別に確認する
推奨する導入ステップ
開発元の申告値しかない現状では、次の3段階で進めるのが安全です。
- PoC(試験導入): 9Bか35B-A3BのQ4_K_Mを1台のGPUで動かし、自社の実際の作業(バグ修正・リファクタリング・テスト作成)で挙動を確かめる。80GB級のGPUがあれば122Bの4bit版も同じ作業で比べる
- 自社での評価: 公式スコアではなく、自社のコードベースで独自のタスクセットを作って測る。Claude Opus 5.5やSonnet 5.5など今の選択肢と、同じ条件で比べる
- 本番: サンドボックス・権限の分離・監査ログを整えてから、範囲を絞った業務で少しずつ導入する
Ornith-1.5のようなオープンモデルを社内の業務システムに組み込む場合、費用はGPUだけでなく、既存システムとの接続、権限やログの設計、PoCから本開発までの開発費にもかかります。改修・PoC・本開発それぞれの価格の目安と見積の内訳は、AI開発の費用相場で確認できます。
こんな人におすすめ
- 機密コードを外部APIに送れない組織。重みを自社環境に置けるので、データを外に出さない構成を組めます
- エージェント型コーディングを大量に回す開発チーム。Terminal-Bench・SWE-bench系でオープンモデル上位の性能(公式値)があり、従量課金の膨らみを気にせず回せます
- RTX 4090クラスのGPUを持つエンジニア。35B-A3BのQ4_K_M(約21.7GB)が現実的な実用ラインです(長いコンテキストを使うならVRAMにもう少し余裕が必要です)
- H100/A100 80GBを1枚持っていて、35B-A3Bより上を試したい人。122Bの4bit級量子化が候補になります(コンテキスト長とKVキャッシュの分の確認は必要です)
- ファインチューニングや蒸留で自社用途に合わせたい企業。MITライセンスなので、改変や再配布に制限がありません
- オフライン環境や閉域網で動かす必要がある現場
- 画像を含む書類をローカルで扱いたい人。テキストと画像の入力に対応しているので、画面のスクリーンショットや帳票を外部に出さずに処理できます(精度は自社で確認が必要)
- 自己改善型の学習手法そのものに関心がある研究者・技術者。報酬設計が公式ブログで詳しく公開されています
おすすめしない人
- GPUも外部サービスも使わず、すぐに使いたい個人。開発元のAPIはなく、第三者のサービスも登録や設定が要ります。手軽さを求めるなら、ChatGPTやClaudeのような商用サービスのほうが向いています
- ブラウザのチャットとして日常的に使いたい人。122BのHugging Face Spaceで試すことはできますが、試用のためのデモで、利用条件も明記されていません
- 音声や動画を扱いたい人。入力はテキストと画像までで、音声・動画の記載はありません
- 難問推論や、新しいプロジェクトのゼロからの生成が主な用途の人。Frontier-BenchやNL2RepoではClaude Opus 4.8との差も大きく、この領域はClaude Opus 5.5やClaude Fable 5.2のような商用フロンティアモデルのほうが有利です
- 第三者の検証済みスコアがないと稟議が通らない組織。2026年11月時点で独立した検証はなく、自社で評価する工数を見込む必要があります
- 日本語の文章作成が主な目的の人。日本語性能の公式データがなく、122Bでは中国語が混ざる例も報告されています。もともとコーディングエージェント向けに作られたモデルです
Ornith-1.0からの変更点

項目 | Ornith-1.0(2026年6月) | Ornith-1.5(2026年8月〜) |
|---|---|---|
自己改善の範囲 | scaffold+rolloutの2段階 | タスク生成を含む3段階を同時に最適化 |
モデル構成 | 9B Dense / 31B Dense / 35B MoE / 397B MoE の4構成 | 公開時は397B MoE / 35B-A3B MoE / 9B Dense の3構成(31B Denseを廃止)。2026年10月20日に122B MoEを追加して4構成 |
Terminal-Bench 2.1 (Terminus-2, 397B) | 77.5 | 86.1 |
SWE-bench Verified (397B) | 82.4 | 86.0 |
DeepSWE (397B) | 8.0 | 56.0 |
Frontier-Bench (397B) | 2.7 | 13.5 |
公開ビルド | — | FP8 / GGUF / MLX / NVFP4、のちにDFlashドラフタも追加 |
目を引くのは、DeepSWEの8.0→56.0と、Frontier-Benchの2.7→13.5という伸びです。長いエージェント作業ではほとんど機能していなかった領域が、タスク生成まで含めた自己改善ループによって大きく伸びた形です(いずれも公式値)。
よくある質問
Q. Ornith-1.5をクラウドのAPIとして使えますか?
開発元のAPIはありませんが、第三者の経路はあります。9BはFeatherless AIが従量課金で提供していますが、コンテキストは32,768トークンに制限されています。35B-A3BはBaseten、122BはFriendliAIが、どちらも専用GPUのデプロイとして提供しています(料金は各社に確認)。397Bを従量課金で使えるサービスは、2026年11月11日時点では見つかりませんでした。
Q. 122Bと35B-A3B、どちらを選べばよいですか?
手元のGPUで決まります。VRAM 24〜48GB級なら35B-A3B、80GB級のGPUが1枚以上あるなら122Bも候補です。122Bは公式表でTerminalBench(Claude Codeハーネス)81.2と35B-A3Bの68.5を大きく上回っていますが、4bit級に量子化しないと80GBに載らず、量子化による品質の変化は公開されていません。両方を自社の作業で比べてから決めるのが確実です。
Q. 商用サービスに組み込んでも問題ありませんか?
MITライセンスなので、商用利用・改変・再配布に制限はありません。ただし公式のセーフティ評価や利用ポリシーが公開されていないため、出力のガードレールは自社で設計する必要があります。
Q. ノートPCで動きますか?
9BのQ4_K_M(約5.63GB)なら、VRAM 8GB級のGPUやApple Silicon(MLX版)で動く見込みです。35B-A3BはQ4_K_Mで約21.7GBが必要で、多くのノートPCでは厳しい構成です。メモリの多いApple Silicon機なら、MLX版の35B-A3Bも選択肢になります。122BのMLX 4bit版は、メモリ96〜128GBのMacが目安です。
Q. Claude Opus 4.8やOpus 5.5の代わりになりますか?
用途によります。ターミナル操作を伴うコード修正やWeb検索系のエージェントなら、公式値では十分に競い合えます。ただし、難問推論・ゼロからのリポジトリ生成・ツール操作の総合力では差が残ります。また、Ornithが比べた相手はOpus 4.8で、Opus 5.5や最上位のFable 5.2とは比べていません。既存の仕組みをまとめて置き換えるより、作業の種類ごとに使い分けるのが現実的です。
Q. 公式ベンチマークの数字はそのまま信じてよいですか?
5回平均や不正対策を明記している点は誠実ですが、第三者による独立した検証はまだありません。評価のときに自社モデル側のチャットテンプレートを調整していること、一部の採点にClaudeを使っていること、比較に使ったOpus 4.8の値が第三者の測定と合わないことも踏まえて、本番の前に自社の作業で評価することをおすすめします。
Q. 画像を読ませることはできますか?
できます。4サイズともモデルカードで画像とテキストの入力に対応していて、Ollama版も画像入力に対応しています。ただし公式の画像ベンチマークはなく、精度の情報は個人のレビューに限られます。音声と動画には対応していません。
まとめ
Ornith-1.5の価値は、モデルが自分で課題・評価環境・解答を作って同時に鍛える自己改善ループという新しい学習方法を、MITライセンスのオープンウェイトとして公開した点にあります。397BはTerminal-Bench 2.1で86.1を記録し、公式表ではClaude Opus 4.8を上回りました。ただし17指標全体では7勝10敗で、難問推論やゼロからのリポジトリ生成でははっきり差が残っています。比較に使われたOpus 4.8の値は第三者の測定と合わず、いまのClaudeの上位モデル(Opus 5.5・Fable 5.2)とは比べられていない点にも注意が必要です。
ラインナップは2026年10月に122Bが加わって4サイズになりました。手元で試すなら、Q4_K_Mで約21.7GBの35B-A3Bがいちばん現実的です。80GB級のGPUがあれば122Bの4bit版も候補ですが、「80GB 1枚で動く」は量子化とコンテキストを抑えることが前提とみてください。まずは9Bか35B-A3Bで自社の作業を試し、公式スコアではなく自社での評価結果で判断する進め方をおすすめします。
独立した検証がないこととセーフティ評価が公開されていないことは、業務導入の実質的なハードルです。オープンモデル全体の勢力図は中国製AIモデルの利用シェア動向もあわせて見ると、選択肢の全体像をつかみやすくなります。
依頼範囲と費用の目安を30分で整理します
この記事の著者

AI革命
編集部
AI革命株式会社の編集部です。最新のAI技術動向から実践的な導入事例まで、企業のデジタル変革に役立つ情報をお届けしています。豊富な経験と専門知識を活かし、読者の皆様にとって価値のあるコンテンツを制作しています。
最新記事

Microsoft Ignite 2026のMAI新モデル7つとは?MAI Code 2の性能・料金・使える場所を整理
2026/11/19

メディア・出版業のAI活用事例20選|記事生成AI・新聞社・テレビ局の導入例と著作権対策【2026年11月】
2026/06/19

生成AIの企業活用事例50選|業種別・業務別の成果と導入ステップ・料金を解説【2026年11月最新】
2026/04/19
Google Vidsのパーソナルアバターは無料で使える?作り方・日本語対応・注意点を整理
2026/11/18

コンビニのAI活用|AI発注・無人レジ・廃棄ロス削減の導入事例とコスト・人手不足対策の進め方【2026年最新】
2026/10/08

保育園システムを比較しても決まらないとき|保育ICTで足りない業務・追加開発を頼む範囲と費用・補助金【2026年】
2026/10/21


