Qwen3とは何か、どこが作ったモデルなのか
Qwen3は誰がいつ出したモデル？
室谷代表取締役まず基本のところから押さえましょうか。開発元はアリババクラウドの中のQwenチームで、2025年4月29日に発表されたオープンウェイトのモデル群なんですよね。
テキトー教師DotAI 認定講師ここを最初に固めるのが大事で。初めて触る人は「Qwen」と「Qwen3」と、その後の世代がごっちゃになりやすいんですよ。
室谷代表取締役そこ、本当に混ざるんですよ。Qwenはファミリー名で、Qwen3は2025年4月に出た世代。
その後さらに新しい世代も出てるので、検索して出てくる情報が混在しやすいんですよね。
その後さらに新しい世代も出てるので、検索して出てくる情報が混在しやすいんですよね。
テキトー教師DotAI 認定講師現場でよく聞くのもまさにそこですね。「いま見てるの、どのQwenの話ですか」って。
まず世代を確定させると、その先がすっと読めます。
まず世代を確定させると、その先がすっと読めます。
119言語・約36兆トークンという中身
室谷代表取締役で、中身の話なんですが。119の言語と方言に対応していて、事前学習には約36兆トークン。
Qwen2.5が18兆トークンだったので、およそ2倍なんですよ。インド・ヨーロッパ語族とかシナ・チベット語族とか、語族レベルでカバーしてるのが土台になってます。
Qwen2.5が18兆トークンだったので、およそ2倍なんですよ。インド・ヨーロッパ語族とかシナ・チベット語族とか、語族レベルでカバーしてるのが土台になってます。
テキトー教師DotAI 認定講師言語の数だけ聞くと大きく見えるんですけど、体感で効くのは「日本語の指示が素直に通る」ところなんですよね。ここが雑だと、いくら賢くても現場では使えないので。
室谷代表取締役データ量が2倍になったのは、要するに学習に金と時間を積んだという話で。企業が同じ土台を自前で作ろうとすると、まずそこに乗らない。
この差は素直に大きいなと。
この差は素直に大きいなと。
テキトー教師DotAI 認定講師その言い方でいうと、土台をタダで借りられるのが公開モデルの強みで。ただ、借りた土台の上で何を作るかは、こっち側の仕事なんですけどね。
オープンウェイトで公開されているという意味
室谷代表取締役オープンウェイトで出てる、というのも効くポイントで。重みが公開されてるので手元に落として動かせるし、商用利用もできる。
ライセンスはApache 2.0です。
ライセンスはApache 2.0です。
テキトー教師DotAI 認定講師「オープンソース」と混同されがちなんですけど、重みが公開されてる＝自分でホスティングできる、というのが実務では一番デカいんですよ。
室谷代表取締役経営目線で言うと、APIの従量課金で青天井になるリスクを消せるのが大きいんですよね。社内データを外に出したくない案件だと、選択肢として一気に現実味が出てくる。
テキトー教師DotAI 認定講師ただ、動かす側の計算資源は自分持ちになるので、そこは諸刃ですよね。どのくらいの規模までなら自前が得か、という線引きは最初に考えておいたほうがいいです。
モデルは全部で8種類、サイズと用途はどう違う？
MoEモデル2種の考え方（235B-A22B／30B-A3B）
Qwen3 8モデルのサイズ・種類・コンテキスト比較
| モデル | 種類 | 総パラメータ | 有効パラメータ | コンテキスト |
|---|---|---|---|---|
| Qwen3-235B-A22B | MoE | 235B | 22B | 128K |
| Qwen3-30B-A3B | MoE | 30B | 3B | 128K |
| Qwen3-32B | 密 | 32B | — | 128K |
| Qwen3-14B | 密 | 14B | — | 128K |
| Qwen3-8B | 密 | 8B | — | 128K |
| Qwen3-4B | 密 | 4B | — | 32K |
| Qwen3-1.7B | 密 | 1.7B | — | 32K |
| Qwen3-0.6B | 密 | 0.6B | — | 32K |
室谷代表取締役まず全体像なんですけど、オープンウェイトは8モデルで、MoEが2つ、密モデルが6つという構成なんですよね。総パラメータとコンテキスト長を並べるとこうなります。
| モデル | 種類 | 総パラメータ | コンテキスト |
|---|---|---|---|
| Qwen3-235B-A22B | MoE | 235B（有効22B） | 128K |
| Qwen3-30B-A3B | MoE | 30B（有効3B） | 128K |
| Qwen3-32B / 14B / 8B | 密 | 32B / 14B / 8B | 128K |
| Qwen3-4B / 1.7B / 0.6B | 密 | 4B / 1.7B / 0.6B | 32K |
テキトー教師DotAI 認定講師ここで最初に戸惑うのが、MoEの「総パラメータ」と「有効」が2つ並んでる点なんですよ。実際に計算が走るのは有効のほうだけなんです。
室谷代表取締役メモリは総数側、速度は有効数側で見る、と。MYUUUでもGPU台数の見積もりは総パラメータ側で決まるので、235Bは素直に重いんですよね。
逆に30B-A3Bは有効3Bで軽いのに知識量は30Bぶん、という振り幅がこのシリーズの面白さで。
逆に30B-A3Bは有効3Bで軽いのに知識量は30Bぶん、という振り幅がこのシリーズの面白さで。
テキトー教師DotAI 認定講師たしかに。30B-A3Bを触った人が「小型のくせに」と言うのはまさにそこなんですよ。
ただ量子化してどこに置くかの話は別なので、そっちは用途とセットで考えたほうがいいですね。
ただ量子化してどこに置くかの話は別なので、そっちは用途とセットで考えたほうがいいですね。
密モデル6種、サイズの刻み方
テキトー教師DotAI 認定講師密モデル側は素直で、32B・14B・8B・4B・1.7B・0.6Bと刻まれてます。総パラメータがそのまま計算量になるので、見積もりが立てやすいんですよね。
室谷代表取締役公式ブログだと4BがQwen2.5-72B-Instructに匹敵すると紹介されてて。下のサイズを選ぶのが「妥協」にならない時代になったなと。
予算の話で言うと、8Bで足りる案件に32Bを置くのは純粋なコスト増なんですよ。
予算の話で言うと、8Bで足りる案件に32Bを置くのは純粋なコスト増なんですよ。
テキトー教師DotAI 認定講師そこ、最初から大きいのを選びたくなる人が多いんですよ。0.6B〜4Bは手元のマシンで動く帯なので、まずその帯で試して、足りないところだけ上げていくほうが結果的に早いです。
室谷代表取締役小さく始めて必要な分だけ上げる。モデル選びも投資判断と同じで、最初から最大公約数を取りにいかないほうがいいんですよね。
128Kと32K、コンテキスト長の線引き
室谷代表取締役コンテキスト長はきれいに2分されていて、32B・14B・8BとMoEの2つが128K、4B・1.7B・0.6Bが32Kなんですよね。
テキトー教師DotAI 認定講師この線引き、地味に効くんですよ。長文を読ませる前提なら4B以下は最初から候補の外になるので、サイズで迷う前に用途で切ったほうが早いんです。
室谷代表取締役逆にチャット応答や分類みたいに短い入出力だけなら32Kで足りる場面が多い。社内で稟議を通すときに「128Kが本当に要るのか」を先に潰しておくと、GPUの見積もりがかなり変わるんですよね。
テキトー教師DotAI 認定講師そうなんですよ。コンテキスト長は性能の指標じゃなくて要件なんです。
ここを混ぜて考えると選定がぶれますから。
ここを混ぜて考えると選定がぶれますから。
ThinkingとNon-Thinkingはどう切り替える？
思考モードと非思考モードの違い
室谷代表取締役ここを押さえないと切り替えの話が空回りするんですけど、Thinkingは複雑な問題に向けて段階的に推論してから答えるモード、Non-Thinkingは単純な質問に高速で返すモード。1つのモデルに両方入ってるのがQwen3の特徴なんですよね。
テキトー教師DotAI 認定講師初めて触る人が一番戸惑うのがそこなんですよ。モデルを2つ別々にダウンロードするのかと思っちゃうんですけど、同じモデルの中に「じっくり考える道」と「すぐ答える道」があるイメージです。
室谷代表取締役モデルを分けずに済むのは運用側からすると効くんですよ。速い用と賢い用で別々にGPUを立てると、その分インフラが二重になるので。
テキトー教師DotAI 認定講師たしかに。ただ返ってくるまでの流れが変わるので、待ち時間の体感も変わります。
そこはアプリ側の作り方で吸収する話ですね。
そこはアプリ側の作り方で吸収する話ですね。
enable_thinkingと/think・/no_thinkの使い分け
Thinking / Non-Thinking の切り替え方法（環境別）
Transformers（Python）
- transformers 4.51.0 以上を使う
- chat template 適用時に enable_thinking を渡す（True=思考 / False=非思考）
- 既定は True。非思考にしたいときだけ明示的に False
対話の中で切り替え
- 入力文に /think を付けると思考モード
- /no_think を付けると非思考モード
- 切り替えは次のターンから効く
切り替え方法は、使う環境によって入口が違います。
Transformers（Python）で使う場合
- transformers は 4.51.0 以上を使う
- chat template を適用するときに enable_thinking を渡す（True で思考、False で非思考）
- 既定は True なので、非思考にしたいときだけ明示的に False を渡す
対話の中で切り替える場合
- 入力文に /think を付けると思考モード
- /no_think を付けると非思考モード
- 切り替えは次のターンから効く
Ollama で動かしている場合
- ollama run でモデルを起動する
- /set think または /set nothink を入力する
室谷代表取締役つまりコードから制御するか、会話の中で宣言するかの二択なんですね。両方あるのは親切なんだか複雑なんだか。
テキトー教師DotAI 認定講師現場でよく聞くのは「/no_think を書いたのに返事が長い」という相談です。切り替えが次のターンからなので、同じターンで効果を期待すると肩透かしを食らうんですよ。
室谷代表取締役あー、それはハマる人多いでしょうね。設定が悪いんじゃなくて、タイミングの理解の問題という。
テキトー教師DotAI 認定講師そうなんです。あと API 経由で組むときは、コード側で渡す引数のほうが事故が少ないです。
チャット欄に書く方式は人間が忘れますから。
チャット欄に書く方式は人間が忘れますから。
どちらを使うべきかの判断基準
室谷代表取締役で、実際どっちを使うかの線引きなんですが、うちの現場だと「答えが一発で出ない相談かどうか」で切ってます。設計の相談、原因究明、計算が絡む依頼は思考。
文言の整形とか要約とか、そういうのは非思考に倒す。
文言の整形とか要約とか、そういうのは非思考に倒す。
テキトー教師DotAI 認定講師わかりやすい基準ですね。思考モードは考える分だけ時間もトークンも使うので、全部思考にしておくと体感がもっさりするんですよ。
逆に全部非思考にすると、込み入った質問で浅い答えが返ってきて「このモデル使えない」って評価になりがちで。
逆に全部非思考にすると、込み入った質問で浅い答えが返ってきて「このモデル使えない」って評価になりがちで。
室谷代表取締役評価が不当に下がるパターンですね。経営目線で言うと、遅いから使われない、浅いから使われない、どっちも導入が止まる理由になるので、最初に用途ごとの既定値を決めておくのが大事なんですよ。
テキトー教師DotAI 認定講師最初に戸惑うのがまさにそこです。とりあえず既定のまま動かして、重い質問だけ思考に寄せる。
その順番で覚えると混乱しないと思います。
その順番で覚えると混乱しないと思います。
性能はトップモデルと比べてどうなのか
旗艦235B-A22Bが並べられた比較相手
室谷代表取締役旗艦の235B-A22B、公式ブログで並べられてる比較相手がDeepSeek-R1、OpenAI o1、o3-mini、Grok-3、Gemini-2.5-Proなんですよね。オープンウェイトのモデルがこの面子と同じ土俵で語られるようになったんだなと。
テキトー教師DotAI 認定講師現場でもそこはよく聞かれます。「オープンのモデルって本当に業務の判断に使えるんですか」と。
比較対象がこのラインアップなら、判断材料としては十分だと思います。
比較対象がこのラインアップなら、判断材料としては十分だと思います。
室谷代表取締役ただ、コーディング・数学・汎用タスクで競合する結果、という書き方までで、具体的なスコアは公式ブログかテクニカルレポートを見ないとですね。数字を雰囲気で語るのは危険なので。
テキトー教師DotAI 認定講師そうですね、そこは断言しない方がいい。ベンチの数値は条件で変わるので、結局は自分のタスクで一度試すのがいちばん早いです。
30B-A3Bと4Bが示した効率の話
室谷代表取締役面白いのはそこじゃなくて、30B-A3Bの方なんですよ。有効パラメータが3Bしかないのに、10倍の有効パラメータを持つQwQ-32Bを上回る、と書かれている。
テキトー教師DotAI 認定講師初めて触る人は「30Bって書いてあるのに3Bって何？」となるんですよ。総パラメータと、実際に計算で使う有効パラメータが別物だ、というところで一回つまずく。
室谷代表取締役これは業界構造として大きいんですよね。同じ性能を出すのに必要なGPUが減るなら、推論コストの前提が変わる。
MYUUUでもモデル選びの軸が「賢いかどうか」から「賢さをコストで割る」に移ってます。
MYUUUでもモデル選びの軸が「賢いかどうか」から「賢さをコストで割る」に移ってます。
テキトー教師DotAI 認定講師4BがQwen2.5-72B-Instructに匹敵する、というのも同じ話で。手元のマシンで動くサイズが実用品になってきた、というのが現場の実感ですね。
3段階の事前学習と4段階の事後学習
室谷代表取締役この性能、学習の作り込みがかなり効いてるみたいで。事前学習が3段階、事後学習が4段階という構成なんですよ。
テキトー教師DotAI 認定講師事前学習は4Kコンテキストで30兆トークン超を回して、そのあとSTEM・コード・推論のデータを5兆トークン足して、最後に長文データで32Kまで伸ばす。段階を分ける意味は地味ですが大きいんですよ。
室谷代表取締役事後学習の方が面白くて。long CoTでのコールドスタート、ルールベース報酬による強化学習、思考と非思考の統合、20以上の汎用タスクでの強化学習。
この4段目で「考える／考えない」を1つのモデルに同居させてるわけです。
この4段目で「考える／考えない」を1つのモデルに同居させてるわけです。
テキトー教師DotAI 認定講師だから切り替えが自然につながるんですね。別々のモデルを2つ抱える運用じゃない、というのが使う側からすると大きいです。
ライセンスはApache 2.0、商用利用して大丈夫？
Apache 2.0でできること・守るべきこと
室谷代表取締役ライセンスの話、先に結論を置くと Apache License 2.0 です。商用利用も再配布も改変も、条件付きで自由。
ここは素直に読みやすい部類なんですよね。
ここは素直に読みやすい部類なんですよね。
テキトー教師DotAI 認定講師最初に戸惑うのが「じゃあ何を守ればいいのか」なんですよ。実は2点だけで、改変したファイルに変更したことを明示することと、著作権表示とライセンス表示を残すことなんです。
室谷代表取締役表示を残すだけ、と聞くと現場は油断しがちで。MYUUU だと外部のモデルを組み込むときは、表記をどこに置くかまで先に決めます。
後から追うのが一番コストかかるので。
後から追うのが一番コストかかるので。
テキトー教師DotAI 認定講師たしかに。制限はその2点以外に無いという整理なので、身構えるほど重くはないです。
ただ運用に落とす段階で忘れられるので、リリース手順に組み込んでおくのが現実的ですね。
ただ運用に落とす段階で忘れられるので、リリース手順に組み込んでおくのが現実的ですね。
「Qwen」の商標は使えないという落とし穴
まとめ
Apache 2.0での商用利用の要点
- ライセンスはApache License 2.0。商用利用・再配布・改変は条件付きで自由
- 守るべきは2点：改変したファイルに変更したことを明示する／著作権表示とライセンス表示を残す
- 「Qwen」の商標はライセンス対象外（第6条で商標の使用権は許諾されない）。サービス名に冠するのはアウト
- 表記は「Qwen3をベースにしています」程度に留める。ロゴや「Powered by」的な見せ方は別途許諾が必要
- 組み込む際の確認点は3つ：ベースモデルの出所／ライセンス表示の同梱／自社利用規約との整合
- どのモデルを使ったか記録を残す。重みの再配布かAPI越しかで確認範囲が変わる
- ライセンス全文は公式リポジトリで一度目を通す
室谷代表取締役ただ、ここに一つ落とし穴があって。「Qwen」の名前はライセンスの対象外なんですよ。
Apache 2.0 の第6条で、商標の使用権は許諾されないと明記されてます。
Apache 2.0 の第6条で、商標の使用権は許諾されないと明記されてます。
テキトー教師DotAI 認定講師これ、ハマる人多いんですよ。無料で使えるなら自社サービス名に Qwen を入れていいんだ、と思ってしまう。
実際は別の話で、名前の扱いは許諾の範囲外という整理になります。
実際は別の話で、名前の扱いは許諾の範囲外という整理になります。
室谷代表取締役業界的にもここは厳しめで、モデル名を冠したサービス名は普通にアウトなんですよね。表記は「Qwen3をベースにしています」程度に留めるのが無難です。
テキトー教師DotAI 認定講師そうですね。ロゴや「Powered by」的な見せ方も、許諾が別途必要なものとして考えたほうが安全です。
ここは許可されているとは書かれていないので、確認を挟む前提で。
ここは許可されているとは書かれていないので、確認を挟む前提で。
自社サービスに組み込むときの現実的な確認点
室谷代表取締役組み込む前提だと、確認点は大きく3つで。ベースモデルの出所、ライセンス表示の同梱、それから自社の利用規約との整合ですかね。
テキトー教師DotAI 認定講師現場感覚で言うと、一番抜けやすいのが「どのモデルを使ったか記録が残っていない」ケースです。後から差し替えるときに、どの配布物に何が入ったか追えなくなるんですよ。
室谷代表取締役そこは開発より経理が困るやつで。ライセンス条件が変わったときの再確認コストを見積もっておくと、ROI の話としても社内に通しやすいんですよね。
テキトー教師DotAI 認定講師あと、モデルの重みをそのまま再配布するのか、API越しに使うのかで確認すべき範囲が変わるので、そこは先に揃えておくと後が楽です。ライセンス全文は公式リポジトリで一度目を通しておくのが確実ですね。
手元で動かすには、どのツールを選べばいい？
まずはQwen Chatで触ってから考える
室谷代表取締役最初に言っておくと、いきなりローカル構築から入らないほうがいいんですよね。Qwen Chat なら chat.qwen.ai でWeb版もモバイルアプリも無料で触れるので、Thinking と Non-Thinking の手触りを先に確かめるのが早いです。
テキトー教師DotAI 認定講師たしかに。初めて触る人がいきなり環境構築から始めると、モデルの良し悪しを判断する前に疲れちゃうんですよ。
チャットで「このサイズで自分に足りるか」を見てから戻ってくるほうが結局早いです。
チャットで「このサイズで自分に足りるか」を見てから戻ってくるほうが結局早いです。
室谷代表取締役オープンウェイトって無料で試せるぶん「じゃあ自前で持とう」に飛びやすいんですけど、用途が固まってない段階でGPUを積むのは順番が逆で。MYUUU でも、まず hosted で検証してから自前ホスティングに移す流れにしてます。
テキトー教師DotAI 認定講師その順番いいですね。チャットで当たりを付けて、手元で再現したい人が次にOllamaへ進む、という段階が自然だと思います。
Ollamaで動かす手順とタグの罠
手元で動かすまでの流れ
- 01Qwen Chatで試すchat.qwen.ai でWeb版・モバイルアプリを無料で触り、Thinking/Non-Thinkingの手触りを確認
- 02Ollamaで動かすv0.9.0以上を導入し、ollama serve → ollama run qwen3:8b。タグの実体はtagsページで確認
- 03環境別ツールを選ぶ汎用はllama.cpp、GUIはLM Studio、Macはmlx-lm、IntelはOpenVINO、モバイル/エッジはExecuTorch・MNN
- 04本番基盤へ移行複数人利用・API公開の段階でvLLM・SGLang・TensorRT-LLMに寄せる
- Ollama を導入する（公式では v0.9.0 以上が推奨）
ollama serveでサービスを起動するollama run qwen3:8bのようにサイズ別タグを指定して動かす- 対話中は
/set think・/set nothinkでモードを切り替える - 使う前に ollama.com/library/qwen3/tags でタグの実体モデルを確認する
- 必要に応じて num_ctx（既定2048）と num_predict（既定-1）を調整する
テキトー教師DotAI 認定講師手順だけ見ると素直なんですけど、タグが一番の罠で。Ollama のタグは Qwen 公式の命名と一致しない場合があって、2025年8月時点だと qwen3:30b-a3b が thinking 系の量子化モデルを指していた、という例が公式READMEに書かれています。
室谷代表取締役それは事故のもとですよね。「30b-a3b って書いてあるから指示追従のほうだろう」と思って組み込んだら中身が違った、みたいな。
タグの実体は tags ページで確認するのが前提になる。
タグの実体は tags ページで確認するのが前提になる。
テキトー教師DotAI 認定講師あと既定値も地味に効きます。num_ctx が 2048、num_predict が -1 のままだと長い入力を扱いにくいので、用途に合わせて調整を。
ここを見落として「精度が出ない」と感じる人は多いです。
ここを見落として「精度が出ない」と感じる人は多いです。
室谷代表取締役推論基盤の設定値って、後から原因を探すのが一番高くつく部分なので、最初に軽く目を通しておくのが安上がりですね。
llama.cpp・LM Studio・mlx-lm・OpenVINOの使い分け
| 環境 | 使うもの | 前提・注意 |
|---|---|---|
| 汎用 | llama.cpp（b5401以上推奨） | GGUFを指定、llama-server で OpenAI 互換API |
| GUIで手軽に | LM Studio | 公式GGUFをそのまま読み込めば追加設定不要 |
| Mac（Apple Silicon） | mlx-lm（0.24.0以上） | MLX接尾辞付きモデルを使用 |
| Intel CPU/GPU | OpenVINO | Intel系向けツールキット |
| モバイル/エッジ | ExecuTorch、MNN | iOS/Android/Mac/Linux など |
テキトー教師DotAI 認定講師現場でよく聞くのは、GPUメモリに収まるサイズから選ぶ、という順番です。GGUFの量子化を選べば小さく動かせますが、そのぶん重さは変わります。
室谷代表取締役llama.cpp はコマンドが長くて最初は引くんですけど、
llama-server で立てれば localhost:8080 に OpenAI 互換APIが立つ。ここが分かると、アプリ側は接続先を差し替えるだけで済むんですよね。テキトー教師DotAI 認定講師LM Studio は公式の GGUF を読み込ませれば動くので、まず動くものを見たい人向け。mlx-lm は Apple Silicon、OpenVINO は Intel の CPU/GPU と、端末で道具が分かれます。
室谷代表取締役環境ごとに道具が変わるのは、裏を返すと「どの端末でも同じ速度」にはならないということで。検証に使うマシンを最初に決めておくのが、結局は一番安いです。
本番はvLLM・SGLang・TensorRT-LLMに寄せる
室谷代表取締役複数人で使う、あるいはAPIとして外に出す段階になると、Ollama のままでは物足りなくなります。ここで vLLM、SGLang、TensorRT-LLM に寄せる。
どれも OpenAI 互換のエンドポイントを立てられるので、アプリ側はほぼそのまま移せます。
どれも OpenAI 互換のエンドポイントを立てられるので、アプリ側はほぼそのまま移せます。
テキトー教師DotAI 認定講師前提バージョンがそれぞれ違うので、そこは公式READMEの確認が要りますね。SGLang は 0.4.6.post1 以上、vLLM は 0.9.0 以上が推奨で最低 0.8.4、TensorRT-LLM は 0.20.0rc3 以上。
Huawei の Ascend NPU なら MindIE という選択肢になります。
Huawei の Ascend NPU なら MindIE という選択肢になります。
室谷代表取締役この層の選定は、そのままGPUの枚数とコストに跳ね返るので経営判断に近いんですよ。乗り換え前提でアプリを OpenAI 互換で作っておくと、後から基盤だけ差し替えられる。
テキトー教師DotAI 認定講師最初からそこまで作らなくてもいいですけど、接続先を設定ファイルに切り出しておく、くらいはやっておくと後で楽ですね。
2025年8月のQwen3-2507で何が変わった？
Instruct-2507とThinking-2507に分かれた理由
室谷代表取締役2507の一番わかりやすい変化は、InstructとThinkingでモデル自体が分かれたことなんですよね。1個のモデルが頭の中で切り替える形から、用途別に2本出す形に振り切ったと。
テキトー教師DotAI 認定講師最初に戸惑うのがまさにそこです。前は1つのモデルに思考モードのオンオフがあったのに、2507ではどっちを使うかを先に選ぶ形になったんですね。
室谷代表取締役Instruct側はenable_thinkingの指定が要らなくなって、デフォルトでthinkブロックを出さない。運用で考えると分岐が減るのは地味に効きます。
ワークフローに組み込む側の手間が減るので。
ワークフローに組み込む側の手間が減るので。
テキトー教師DotAI 認定講師現場感覚で言うと、思考ログが勝手に混ざらないのは大きいです。後段の処理に渡す文字列が安定しますから。
256Kから最大100万トークンへ広がった長文対応
室谷代表取締役長文側も動いてます。Instruct-2507もThinking-2507も256Kコンテキストを最大100万トークンまで拡張できる形になった。
100万トークン入力の対応が発表されたのは2025年8月8日です。
100万トークン入力の対応が発表されたのは2025年8月8日です。
テキトー教師DotAI 認定講師数字だけ見るとピンとこないんですけど、仕様書を丸ごと放り込む発想が現実になる規模ですよね。ただ「拡張できる」という表現なので、実際に何トークンまで通るかは手元で確かめたほうがいいです。
室谷代表取締役そこは大事で。拡張可能と、常にその長さで安定して回るのは別の話なので。
MYUUUだと長文を扱う案件は限られるので、まずは256Kで足りるかを先に見ますね。
MYUUUだと長文を扱う案件は限られるので、まずは256Kで足りるかを先に見ますね。
テキトー教師DotAI 認定講師たしかに。上限を追うより、自分の用途で扱う文書がどれくらいの長さかを見るほうが早いです。
Qwen-Max／Plus／Turbo／Flash／Coderは別系列という整理
室谷代表取締役ここで一度、名前の整理をしておきたいんですよ。Qwen-Max、Qwen-Plus、Qwen-Turbo、Qwen-Flash、Qwen-Coder。
これらはAlibaba Cloud Model Studioで提供される商用系列で、Qwen3とは別名称・別世代として案内されてます。
これらはAlibaba Cloud Model Studioで提供される商用系列で、Qwen3とは別名称・別世代として案内されてます。
テキトー教師DotAI 認定講師初めて触る人は同じQwenが付いてるので同じものだと思うんですよね。でもQwen3はオープンウェイトで配布されているモデル群、こちらはクラウド側の提供メニュー、という住み分けなんです。
室谷代表取締役性格も違って、TurboとFlashは最大1Mコンテキスト、Coderは最大480B-A35Bでエージェント型コーディング特化、コンテキストは256Kから1M。Plusは128K。
用途で選ぶ表になってるんですよね。
用途で選ぶ表になってるんですよね。
テキトー教師DotAI 認定講師用語が混ざると、調べた情報が自分の使ってるモデルの話なのか分からなくなるのが一番の罠ですね。
Qwen3.5・Qwen3.8は後継世代、情報の混在に注意
室谷代表取締役さらに2025年後半にはQwen3.5、Qwen3.8という新世代が出てます。Qwen3.8-2.4T-A95B、Qwen3.8-Flash-Next、Qwen3.8-27Bあたりが並んでて、検索結果ではQwen3の情報と混ざりやすい。
テキトー教師DotAI 認定講師現場でよく聞くのが、記事によってモデルの数が違うという戸惑いです。世代が違えば並んでるモデルも変わるので、読んでる情報がどの世代のものか先に確認するのが近道ですね。
室谷代表取締役ここは対象をはっきりさせたほうがいい。この記事は2025年4月公開のQwen3と、その2507アップデートまで。
後継世代の詳細は別で追う形が正確です。Qwen3.5についてはQwen3.5とは？モデル一覧・性能・ローカル導入・料金を公式情報で整理で整理してます。
後継世代の詳細は別で追う形が正確です。Qwen3.5についてはQwen3.5とは？モデル一覧・性能・ローカル導入・料金を公式情報で整理で整理してます。
テキトー教師DotAI 認定講師世代を分けて読むだけで、混乱の大半は消えますから。
エージェント利用とビジネス活用、日本語モデルはどうなってる？
MCPとFunction Callingは何で試すのが早いか
室谷代表取締役Qwen3って、コーディングとエージェント能力を強化してて、MCP対応も入ってるんですよね。ツール呼び出しを試すなら何に乗せるのが早いんでしょう。
テキトー教師DotAI 認定講師公式が推してるのはQwen-Agent経由なんですよ。MCPの設定ファイルにも対応してるので、まずそこから触るのが迷わないと思います。
室谷代表取締役自前で配線を書くと、だいたい初日にハマって2日目に工数見積もりが崩れるんですよ。既成のフレームワークに乗せた方が、結果的に安く上がるんですよね。
テキトー教師DotAI 認定講師現場でよく聞くのもそこです。「モデルは動いたのに、ツール呼び出しの定義で止まった」というパターンが多いので、順番としてはモデル単体→Qwen-Agent→MCP、が素直だと思います。
公式に載っている導入事例は医療・化粧品・ヘルスケアに寄っている
室谷代表取締役Alibaba Cloudの公式ページに導入事例が並んでるんですけど、アストラゼネカ・チャイナが医療文献から有害事象レポートを生成する業務に使ってたり、資生堂チャイナがカスタマー体験の領域で使ってたりするんですよ。
テキトー教師DotAI 認定講師化粧品と医療が同じ土俵に出てくるのが面白いですね。Haleonの事例はナレッジグラフと組み合わせたAI栄養アシスタントなので、要は「文章を書かせる」より「社内の知識と繋ぐ」用途なんですよ。
室谷代表取締役これって業界構造として読み解くと、汎用チャットで完結しない領域から導入が進んでるということなんですよね。規制が重くて、用語が固くて、社内文書が多いところ。
そういう場所ほどオープンウェイトのモデルを自社環境に置きたい動機が強いんですよ。
そういう場所ほどオープンウェイトのモデルを自社環境に置きたい動機が強いんですよ。
テキトー教師DotAI 認定講師たしかに。現場感覚で言うと、その手の部署は「データを外に出せない」が最初の条件なので、クラウドAPIか自前かの判断が先に来るんだと思います。
日本語で使うならQwen3 Swallowという選択肢
テキトー教師DotAI 認定講師初めて触る人が必ず気にするのが日本語の精度なんですよ。Qwen3は119言語対応と言われても、じゃあ日本語はどうなの、という話になりますよね。
室谷代表取締役そこは派生モデルがあって、東京科学大学の岡崎研究室・横田研究室と産業技術総合研究所の研究チームが、Qwen3の8B・30B-A3B・32Bをベースに継続事前学習と教師ありファインチューニング、強化学習をかけて日本語能力と推論力を強化したQwen3 Swallowを公開してるんですよね。ライセンスはApache 2.0で、商用も研究も個人利用も無料で使えると。
テキトー教師DotAI 認定講師公式の導入事例側にも日本語の話が出ていて、Axcxept社は日本語LLM開発のベースにQwen2.5系を選んで、代表者が日本語処理性能の高さを評価してます。Lightblue社のシニアリサーチャーも、公開モデルの中では日本語サポートが最良という評価を寄せてるんですよ。
室谷代表取締役日本語で業務に載せるなら、素のQwen3で試して足りない部分をSwallowで埋める、という順番が現実的だと思います。ライセンスも含めて最新の条件は公式で確認しておいてください。
よくある質問
Q1. 旧世代のQwenから乗り換える価値はある？
室谷代表取締役旧世代から乗り換える価値、ありますかね。
テキトー教師DotAI 認定講師現場感覚で言うと、目的次第なんですよ。多言語を同じモデルで回したいなら、新しい方を試す意味は大きいです。
逆に今のモデルで十分結果が出ている業務を、わざわざ入れ替える必要はないと思います。
逆に今のモデルで十分結果が出ている業務を、わざわざ入れ替える必要はないと思います。
室谷代表取締役移行コストを考えると、全部置き換えじゃなくて新規のユースケースから試すのが現実的ですね。
Q2. 量子化したモデルを使うと精度は落ちる？
テキトー教師DotAI 認定講師量子化はよく聞かれます。モデルを軽くする代わりに、細かいニュアンスの再現性はどうしても落ちます。
室谷代表取締役経営目線だと、精度が落ちるなら安いGPUで動かす意味は？ となるんですけど・・・
テキトー教師DotAI 認定講師そこは用途の切り分けなんですよ。要約や分類のようなタスクなら十分実用になります。
長い推論をさせるなら、量子化していない方が無難ですね。
長い推論をさせるなら、量子化していない方が無難ですね。
Q3. プロンプトは日本語と英語、どちらで書くべき？
室谷代表取締役日本語で書くか英語で書くか、これ地味に迷うんですよね。
テキトー教師DotAI 認定講師最初に戸惑うのがそこなんですよ。指示の意味が曖昧にならないなら、日本語で問題ないです。
ただ、構造化された出力を狙うときは英語のテンプレの方が安定する場面はあります。
ただ、構造化された出力を狙うときは英語のテンプレの方が安定する場面はあります。
室谷代表取締役現場で使うなら、日本語で書いて崩れたところだけ英語に寄せる、みたいな運用が現実的ですかね。
Q4. 独自データでファインチューニングはできる？
室谷代表取締役独自データで追加学習、できます？
テキトー教師DotAI 認定講師できますが、まずプロンプトと例示で足りるかを試すのが先なんですよ。追加学習はデータ整備のコストが本体なので。
室谷代表取締役そこはROIで見たいところですね。月何時間分の作業が減るのか、先に見積もらないとデータ作成で終わりますから。
テキトー教師DotAI 認定講師たしかに。まず小さめのモデルで検証して、効くなら本番モデルに広げる順番が安全です。
Q5. 中国発のモデル、導入時に何を確認すべき？
室谷代表取締役中国発のモデルを業務で使うとき、何を確認すべきですか。
テキトー教師DotAI 認定講師現場でよく聞くのは、配布元とライセンス表記の確認ですね。あとは機密データを外に出さない構成にできるか。
ローカルで閉じられるなら、そこは大きな利点になります。
ローカルで閉じられるなら、そこは大きな利点になります。
室谷代表取締役調達の観点だと、情シスの稟議が通るかどうかも含めて設計しないといけないですからね。
まとめ
室谷代表取締役というわけで、Qwen3は8モデルを使い分けて、Thinkingの切り替えで推論と速度を選べる、というのが実務的なポイントなんですよね。
テキトー教師DotAI 認定講師そうですね。最初から全部を理解しようとしなくて大丈夫です。
まず小さいモデルを手元で動かして、ThinkingとNon-Thinkingの違いを体感するのが一番早いと思います。
まず小さいモデルを手元で動かして、ThinkingとNon-Thinkingの違いを体感するのが一番早いと思います。
室谷代表取締役ライセンスがApache 2.0なのは大きいですけど、表記の義務は確認してくださいね。商用で使うなら、そこだけは最初に潰しておく。
テキトー教師DotAI 認定講師たしかに。動かす前にライセンス、動かした後に用途の切り分け。
この順番で進めると迷わないですよ。
この順番で進めると迷わないですよ。
