AI・テクノロジー
Meta は 2026 年 8 月 28 日、マルチモーダル対応のオープンウェイトモデル「Llama 4.1 Scout」を正式公開した。アクティブパラメータ 17B・MoE（Mixture of Experts）アーキテクチャにより、視覚推論ベンチマーク MMBench で 82.4 点を記録——GPT-4o（83.1 点）との差は 0.7 ポイントまで縮まった。「クローズドトップとの等価運用」が商用利用可能なオープンウェイトモデルで初めて現実的な選択肢になった。
Meta は同日、Hugging Face と GitHub に重みファイルおよびライセンスを公開した。Llama 4.1 Scout の主な仕様は以下の通り。
X では公開直後から開発者の反応が広がった。
「Llama 4.1 Scout をローカルで動かしてみた。製品に組み込めるレベルで普通に動く。クラウド API に月額払い続ける意味を再考させられた」（SWE、フォロワー 2.2 万）
Llama 4 系列は 2026 年 4 月のリリース以来、テキスト処理では既存クローズドモデルとほぼ同等の性能に達していた。しかし視覚推論については、主力の Llama 4 Maverick（70B）でも MMBench 79.1 点にとどまり、GPT-4o・Gemini 2.5 Flash との差は「実用上は無視できない水準」と評価されてきた。
今回の Scout はアーキテクチャを MoE に刷新し、推論時の計算コストを Maverick 比で約 61% 削減しながら視覚精度を引き上げた。個人 GPU（RTX 4090 × 2 以上）でも INT4 量子化版の全機能実行が可能で、データセンター外への展開の選択肢が現実的に広がった。
アクティブ 17B のモデルをセルフホストした場合、推論コストは GPT-4o API 比で約 82% 削減できると見られる（A100 × 8 構成・スループット 120 req/min 想定）。中規模 SaaS のマルチモーダル機能において、クラウド依存からの脱却が財務的に正当化される閾値を越えてきた。
4 分以内の動画を直接入力できる点は前世代の Llama 4 系列にない機能だ。監視映像の自動解析、採用面接動画のスクリーニング、ECサイトの商品動画タグ付けといった用途がオープンウェイトで実装可能になる。既存クローズド API 依存からの切り替えインセンティブは今年後半にかけて高まるとみられる。
先月公開された Hugging Face の SmolLM3（1.7B）と対照的に、Scout は「ローカルサーバー〜クラウド中間層」を担う。軽量モデルで処理しきれないタスクを Scout にフォールバックさせる階層推論パターンが開発現場に定着するとみられる。
「オープンウェイトがクローズドに並んだ」という見出しは過去にも何度か書いた。ただ今回は意味合いが異なる。動画入力は各社が「コアに近い差別化機能」として守ってきた領域だ。そこを開放した Meta の判断は、API ビジネスへの打撃より、エコシステム拡大の賭けとして読むほうが正確だろう。
同日 Meta AI Studio との連携も公表されており、Scout を核にしたプロダクト開発の促進が意図されている。開発者をエコシステムに引き込んだ上で、ソーシャルプラットフォームや広告インフラとのデータフライホイールをどう回すか——そこが本当の勝負ラインとみられる。
一点注意が必要なのは精度の実装依存だ。INT4 量子化での動画処理は長尺になるほど精度劣化が報告されており（4 分フルで約 3〜5% 低下）、本番用途ではハードウェア要件と量子化ビット数の精査が必須になる。
Llama 4.1 Scout の公開は、マルチモーダル実装における「クローズド API 一択」という前提を崩す一手となった。次の焦点は、Google と Anthropic がいつのタイミングでエッジ〜中間層向けモデルの価格・ライセンス構造を見直すかだ。オープンウェイトの圧力が上からのコスト競争を加速させる構図は、2026 年末にかけて鮮明になるだろう。
※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。
