Llama 完全ガイド：MetaのオープンウェイトLLMを公式準拠で本番投入する（Llama 4・Bedrock・Llama API）

この記事のゴール

Llama は Meta が公開しているオープンウェイトの大規模言語モデル（LLM）の総称です。GPT や Claude のように API の向こうにある“借り物”ではなく、重み（weights）をダウンロードして自分のものとして所有・改造・運用できる——これが Llama の本質です。

本稿は、その公式ドキュメント（llama.com / Meta AI Blog / Llama Developer Docs / Hugging Face）の内容に厳密に基づきつつ、公式には散らばっている「どのモデルを・どこで動かし・どの場面でどう使い・どこで詰まるか」を、実際に動くコードで一本に束ねるものです。読み終えたとき、次の3つができる状態を目指します。

1. Llama 4 が何のモデルで、なぜ“軽くて長い”のか（MoE と 10M トークン文脈）を人に説明できる。
2. Llama API・AWS Bedrock・セルフホストのどれを選ぶべきか判断し、今日中に手を動かせる。
3. デモではなく本番——型安全な構造化出力・冪等性・可観測性・回復性・そしてライセンスの地雷——に耐える実装を組める。

筆者について（信頼性の開示）：私は AWS Bedrock と Vercel AI SDK を土台に、RAG・音声エージェントなどの生成AIシステムを単独で設計・実装し、本番運用しています。Bedrock 上では Claude と Llama が同じ Converse API の裏に並ぶため、「クローズドAPI と オープンウェイトのどちらを選ぶか」は、毎案件で実際に下している判断です。本稿のコードと設計原則は、その実運用（音声エージェント事例、Bedrock×pgvector の RAG 設計、pgvector 本番 RAG）から抽出したものです。Llama 固有の“盛った数字”は出しません——出典は全て末尾の公式リソースに置きます。

30秒のまとめ（結論を先に）

「まず自分のプロンプトで賢さを確かめたい」なら、この後すぐの Llama API 章 に飛んでください。OpenAI SDK の baseURL を差し替えるだけで動きます。

Llama 4 とは何か：ネイティブマルチモーダル × MoE

2025年4月、Meta は Llama 4 “herd”（群れ） を公開しました。公式ブログの言葉どおり「ネイティブにマルチモーダルな AI イノベーションの新時代」を掲げた世代で、過去の Llama と決定的に違う点が2つあります。

1. ネイティブマルチモーダル：テキストと画像を、後付けではなく最初から同じモデルで扱う（early fusion）。
2. MoE（Mixture-of-Experts）：巨大な総パラメータのうち、入力ごとに必要な“専門家”だけを起動する。総量は大きいのに、1トークンあたりの計算（=コスト）は小さい。

この MoE が「Llama 4 は大きいのに軽い」のからくりです。たとえば Scout は総 109B のうち実際に動くのは 17B。だから単一 GPU でも回り、推論が安く速い。

群れの構成（公式スペック）

⚠️ 最重要の注意点：「モデル本来の文脈長」と「ホストが実際に出す文脈長」は別物。Scout は本来 10M ですが、Llama API では 128k、AWS Bedrock では Scout が約 3.5M・Maverick が 1M（公式記載、今後拡大予定）です。「10M トークン使えるはず」と設計すると、ホストの実効上限で詰みます。使う場所の上限を必ず確認してください。

Behemoth（約2兆パラメータ）は本稿執筆時点でも学習中で未公開です。Scout / Maverick は Behemoth からの蒸留（distillation）で底上げされている、というのが公式の説明です。つまり「巨大な親が小さな子を賢くした群れ」という構図です。

なぜ「オープンウェイト」を選ぶのか（Claude / GPT との使い分け）

Llama を語るうえで一番大事なのは、性能の数字ではなく「重みを所有できる」という一点です。ここが Claude や GPT との分水嶺で、用途で使い分けるのが正解です。万能の1つはありません。

Llama（オープンウェイト）が勝つ場面：

• データ主権・コンプライアンス：入力を外部APIに出せない（医療・金融・自治体・社外秘）。重みを自社VPC / オンプレに置き、データを外に出さずに推論できる。
• 微調整（fine-tuning）：自社ドメインに重みごと特化させたい。LoRA / フルFTのベースにできるのは重みが手元にあるオープンウェイトだけ。
• 原価の最適化：定常的に大量推論するなら、トークン単価×無限回の従量より、GPUを埋めて回す自前運用が1リクエスト単価で有利になりやすい。MoE で active が 17B と小さいのも効く。
• ロックイン回避：API の値上げ・仕様変更・提供終了に事業を人質に取られない。重みは消えない。
• エッジ / 隔離環境：ネット接続のない現場・端末で動かす。

クローズドAPI（Claude 等）が勝つ場面：

• 最前線の推論力・コーディング・エージェント：高難度のタスクでは、専有フロンティアモデルがまだ一枚上手（後述のベンチ比較参照）。
• 運用ゼロで始めたい：GPU 調達も MLOps も要らない。叩けば動く。
• 安全機構・ツール群が成熟：モデレーション・ツール実行・マルチエージェントの作り込み。

私の実務では、この2つを同じ抽象の裏で併用します。Bedrock なら Claude も Llama も Converse API で叩けるので、「難所は Claude、量で殴る前処理・抽出・分類は Llama」というコストと品質の二段構えが自然に組めます（その設計思想は Vercel AI SDK の本番記事、Claude API の実装記事 に通じます）。

2026年の現在地：Muse Spark で Llama は終わるのか

正直に、いま誰もが気にしている点に答えます。2026年4月、Meta Superintelligence Labs は Muse Spark を公開しました。これは Meta 初のプロプライエタリ（重み非公開）・API限定の推論モデルで、すでに Meta AI のスマートグラスは Llama 4 から Muse Spark に置き換わっています。一部メディアは「Meta がオープンソース Llama を捨てた」と報じました。

ここで設計判断を誤らないために、事実だけを切り分けます。

• Muse Spark は重みが手に入らない。所有・微調整・自前運用・データ主権という、あなたが Llama を選ぶ理由そのものを満たさない。Meta は「将来版のオープンソース化を望む」と述べていますが、現時点では希望にすぎません。
• 一方、Llama 4 Scout / Maverick は今もダウンロードでき、Hugging Face・Bedrock・Ollama で動き続けています。重みは回収不能——一度配られたオープンウェイトは消せません。
• つまり「所有して動かす」要件があるなら、2026年6月時点の本命は依然 Llama 4です。Muse Spark は「もう一つのクローズドAPI（Claude / GPT の競合）」として評価軸が違います。

結論：Muse Spark の登場は Llama を捨てる理由にならない。むしろ「オープンウェイトが必要な案件」と「最前線のクローズド推論が必要な案件」の線引きが、これまで以上にはっきりしただけです。本稿はその前者、所有して本番に載せる側の地図です。

使い方A：Llama API（OpenAI 互換・最速で試す）

「自分のプロンプトで賢さが通用するか、まず確かめたい」段階では、GPUを用意せず Meta 公式の Llama API を叩くのが最短です。最大の利点は OpenAI SDK 互換——baseURL を差し替え、鍵を LLAMA_API_KEY にするだけで、既存の OpenAI コードがそのまま動きます。

• OpenAI 互換エンドポイント：https://api.llama.com/compat/v1/
• 認証：LLAMA_API_KEY（Bearer トークン）
• モデルID：Llama-4-Maverick-17B-128E-Instruct-FP8 / Llama-4-Scout-17B-16E-Instruct-FP8 / Llama-3.3-70B-Instruct / Llama-3.3-8B-Instruct（API 上はいずれも 128k 文脈）

📌 正確性のための注記：Llama API は本稿執筆時点でプレビュー提供（ウェイトリスト制）です。モデルID・エンドポイント・パラメータは更新されうるため、最新は必ず 公式ドキュメント で確認してください。本稿のコードは構造を示すものです。

TypeScript（OpenAI SDK をそのまま使う）

// scripts/llama-quickstart.ts
import OpenAI from "openai";

// Llama API は OpenAI 互換。baseURL を /compat/v1 に向け、鍵を差し替えるだけ。
const client = new OpenAI({
  apiKey: process.env.LLAMA_API_KEY,
  baseURL: "https://api.llama.com/compat/v1/",
});

const completion = await client.chat.completions.create({
  model: "Llama-4-Maverick-17B-128E-Instruct-FP8",
  messages: [
    { role: "system", content: "あなたは事実の正確さを最優先する技術アシスタントです。推測は推測と明示します。" },
    { role: "user", content: "Llama 4 Scout の文脈長を一文で。" },
  ],
});

console.log(completion.choices[0]?.message.content);

Python（同形）

# pip install openai
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["LLAMA_API_KEY"],
    base_url="https://api.llama.com/compat/v1/",
)

resp = client.chat.completions.create(
    model="Llama-4-Scout-17B-16E-Instruct-FP8",
    messages=[{"role": "user", "content": "MoE を3行で説明して"}],
)
print(resp.choices[0].message.content)

「OpenAI 互換」が効くのは、プロバイダ切り替えのコストがほぼゼロになる点です。プロトタイプは Llama API、本番は Bedrock、ローカル検証は Ollama——baseURL と model を変えるだけで同じコードが回ります。この“差し替え可能性”こそ、ベンダーロックインを嫌う人が Llama を選ぶ実利です。

使い方B：AWS Bedrock（本番・フルマネージド）

既存スタックが AWS なら、Bedrock が最短で本番品質です。GPU 調達も MLOps も不要で、IAM・VPC・監査ログ・課金が AWS に統合されます。Llama は Bedrock の Converse API（モデル横断の統一インターフェース）で叩けるため、Claude と Llama をワンコードで差し替えられます。

• モデルID（基盤モデル）：meta.llama4-scout-17b-instruct-v1:0 / meta.llama4-maverick-17b-instruct-v1:0
• クロスリージョン推論プロファイル（可用性向上・推奨）：us.meta.llama4-scout-17b-instruct-v1:0 / us.meta.llama4-maverick-17b-instruct-v1:0
• 文脈長（Bedrock 実効）：Scout 約 3.5M / Maverick 1M（公式記載・今後拡大予定）

本番品質の最小実装（型安全・回復性・可観測性）

“動く”コードと“本番で落ちない”コードの差は、境界の検証・リトライ・トークン課金の可視化にあります。

# llama_bedrock.py — Bedrock 経由で Llama 4 を本番品質で叩く
import logging
import boto3
from botocore.config import Config

logger = logging.getLogger("llama")

# 認証はIAMロール/環境に委譲（鍵をコードに置かない＝CLAUDE.md準拠）。
# リトライは指数バックオフ。スロットリング(429)・一時障害を正常系として吸収する。
_bedrock = boto3.client(
    "bedrock-runtime",
    region_name="us-east-1",
    config=Config(retries={"max_attempts": 4, "mode": "adaptive"}, read_timeout=60),
)

# クロスリージョン推論プロファイル（us. 接頭辞）で可用性とスループットを底上げ。
MODEL_ID = "us.meta.llama4-scout-17b-instruct-v1:0"


def ask_llama(system: str, user: str, *, max_tokens: int = 1024) -> str:
    """単発の質問応答。Converse API はモデル非依存なので Claude へも一行で差し替え可能。"""
    resp = _bedrock.converse(
        modelId=MODEL_ID,
        system=[{"text": system}],
        messages=[{"role": "user", "content": [{"text": user}]}],
        inferenceConfig={"maxTokens": max_tokens, "temperature": 0.2, "topP": 0.9},
    )
    # 可観測性：トークン課金を構造化ログに残す（本文＝PIIは出さない）。
    usage = resp["usage"]
    logger.info(
        "llama.converse",
        extra={"in_tokens": usage["inputTokens"], "out_tokens": usage["outputTokens"], "model": MODEL_ID},
    )
    return resp["output"]["message"]["content"][0]["text"]

ストリーミング（体感レイテンシを削る）

対話 UI では、全文を待たずトークンを逐次表示するだけで体感が一変します。Converse はストリーミング版を持っています。

def stream_llama(system: str, user: str):
    """生成を逐次 yield。UI 側はそのまま流し込めば“タイプしている”体験になる。"""
    stream = _bedrock.converse_stream(
        modelId=MODEL_ID,
        system=[{"text": system}],
        messages=[{"role": "user", "content": [{"text": user}]}],
        inferenceConfig={"maxTokens": 1024, "temperature": 0.2},
    )
    for event in stream["stream"]:
        if delta := event.get("contentBlockDelta"):
            yield delta["delta"]["text"]

💡 Converse API を選ぶ理由：InvokeModel はモデルごとに入出力 JSON 形状が違います。Converse はモデル横断で同一形状。だから「Llama でコスト、難所だけ Claude」を条件分岐ひとつで切り替えられ、ベンダー比較や A/B が一気に楽になります。

使い方C：セルフホスト / ローカル（所有して動かす）

データを外に出せない、原価を1リクエスト単位で削りたい、微調整したい——所有して動かすなら3択です。

Ollama（ローカル開発・PoC・データ非送出）

ローカルで ollama を立てれば、ネットにデータを出さずに Llama が動きます。ollama は OpenAI 互換サーバ（http://localhost:11434/v1）も兼ねるので、本番コードのまま検証できます。

# テキストの常用（70B・枯れていて扱いやすい）
ollama run llama3.3

# Llama 4 Scout：109B MoE / 17B active（約 67GB）
ollama run llama4:16x17b

# Llama 4 Maverick：400B MoE / 17B active（約 245GB・要大容量メモリ）
ollama run llama4:128x17b

// 本番コードを一切変えず、ローカル Ollama に向けて検証する
import OpenAI from "openai";
const local = new OpenAI({ baseURL: "http://localhost:11434/v1", apiKey: "ollama" });
const r = await local.chat.completions.create({
  model: "llama3.3",
  messages: [{ role: "user", content: "RAG のチャンク戦略を3点で" }],
});
console.log(r.choices[0]?.message.content);

vLLM（高スループットな自前サーブ）

大量・低レイテンシを自前で捌くなら vLLM。OpenAI 互換エンドポイント（:8000/v1）を立て、テンソル並列で複数 GPU に分散します。

# Scout を 8 GPU にテンソル並列で配置し、長文脈を許可してサーブ
vllm serve meta-llama/Llama-4-Scout-17B-16E-Instruct \
  --tensor-parallel-size 8 \
  --max-model-len 1000000

transformers（微調整の基盤・研究）

重みに直接触れて fine-tune したい・内部を調べたいなら transformers。v4.51.0 以降が必要で、Llama 4 専用クラスを使います。

# Maverick は 8GPU 構成が前提（torchrun --nproc-per-instance=8 script.py）
from transformers import AutoProcessor, Llama4ForConditionalGeneration
import torch

model_id = "meta-llama/Llama-4-Scout-17B-16E-Instruct"
processor = AutoProcessor.from_pretrained(model_id)
model = Llama4ForConditionalGeneration.from_pretrained(
    model_id,
    attn_implementation="flex_attention",  # 長文脈を効率的に処理
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

実務パターン：どの場面でどう使うか

公式は「動かし方」までしか書きません。ここからは実際の案件でどう効かせるかを、Vercel AI SDK（このサイトの AI 群の中心スタック）で示します。鍵は出力を型で縛ることです。LLM の生出力は信頼境界の外側——Zod で parse して初めて安全になります（型安全の徹底は TypeScript 型安全の記事 に詳述）。

パターン1：型安全な構造化抽出（請求書・帳票・問い合わせ）

「非構造テキスト → 構造化JSON」は Llama の最頻出ユースケースです。Maverick の安さで大量に回し、Zod スキーマで境界検証します。

// lib/extract-invoice.ts — Llama 4 で型安全に構造化抽出する
import { bedrock } from "@ai-sdk/amazon-bedrock";
import { generateObject } from "ai";
import { z } from "zod";

// 出力の“あるべき形”を単一の真実源として宣言する。
const InvoiceSchema = z.object({
  vendor: z.string().min(1),
  total: z.number().nonnegative(),
  currency: z.enum(["JPY", "USD", "EUR"]),
  issuedAt: z.string().date(), // YYYY-MM-DD
  lineItems: z.array(z.object({ name: z.string(), amount: z.number() })).max(200),
});

export async function extractInvoice(text: string) {
  const { object, usage } = await generateObject({
    model: bedrock("us.meta.llama4-maverick-17b-instruct-v1:0"),
    schema: InvoiceSchema, // ← LLM 出力はここで検証される。形が違えば例外で弾く
    system: "請求書テキストから構造化データのみ抽出する。値を推測・捏造しない。",
    prompt: text,
  });
  // object は InvoiceSchema 準拠が“型レベルで”保証された安全な値。
  return { invoice: object, usage };
}

ポイントは、モデルが何を返そうと、InvoiceSchema を通った値しか後段に流れないこと。これで「LLM がたまに崩れた JSON を返す」問題が構造的に消えます。usage（トークン数）を返しているのは、後述のコスト可視化のためです。

パターン2：超長文脈 RAG（Scout の 10M を活かす）

Scout の長文脈は「チャンク分割を粗くできる」のが実利です。とはいえ「全部入れれば良い」わけではない——検索 → 圧縮 → 投入の RAG 設計は依然として効きます（pgvector 本番 RAG / LangChain×Pinecone を参照）。長文脈は「取りこぼしの保険」として使い、根拠の引用まで型で縛るのが筋です。

// 検索ヒットを根拠として渡し、回答 + 引用元を型で強制する
import { bedrock } from "@ai-sdk/amazon-bedrock";
import { generateObject } from "ai";
import { z } from "zod";

const Answer = z.object({
  answer: z.string(),
  citations: z.array(z.string()).min(1), // 引用ゼロを許さない＝ハルシネーション抑止
});

export async function answerWithRag(question: string, chunks: { id: string; text: string }[]) {
  const context = chunks.map((c) => `[${c.id}] ${c.text}`).join("\n\n");
  const { object } = await generateObject({
    model: bedrock("us.meta.llama4-scout-17b-instruct-v1:0"),
    schema: Answer,
    system: "提供された根拠のみで答える。根拠に無いことは『分からない』と返す。citations には使った [id] を必ず列挙。",
    prompt: `# 質問\n${question}\n\n# 根拠\n${context}`,
  });
  return object;
}

パターン3：Vercel AI Gateway でプロバイダ非依存にする

Vercel 上なら、AI Gateway 経由で "provider/model" 文字列を使うのが最も疎結合です。プロバイダSDKを直接持たず、フェイルオーバーと使用量計測を Gateway に寄せられます。

import { generateText } from "ai";

// プロバイダ非依存。Gateway 側でフォールバックや可観測性を一元管理できる。
const { text } = await generateText({
  model: "meta/llama-4-maverick", // ← 文字列を変えるだけで Claude 等にも切替可
  prompt: "オープンウェイトを選ぶ判断基準を箇条書きで",
});

その他、エージェント / tool calling（ツール実行の設計記事）、画像理解（Scout/Maverick はネイティブマルチモーダル）、入力モデレーションの一次分類器（安いモデルでゲートを作る）も、同じ「境界を型で縛る」発想で組めます。

本番運用の設計原則（型安全・冪等性・可観測性・回復性・コスト）

LLM を“動く”から“本番で稼ぐ”へ引き上げるのは、モデル選定ではなく周辺の設計です。Llama でもクローズドAPIでも、効く原則は同じです。

• 型安全（境界検証）：LLM 出力は信頼境界の外。Zod で parseしてから後段へ。any で受けない。
• 冪等性：高コスト/長時間の生成は、sha256(モデル + プロンプト + パラメータ) をジョブキーにキャッシュ。再送・連打・リトライで二重課金しない。
• 可観測性：呼び出しごとにモデルID・入出力トークン・レイテンシ・温度を構造化ログへ。「なぜこの回答だけ高コストか/崩れたか」を後から追える状態にする（PII＝プロンプト本文は出さない。OpenTelemetry 記事 参照）。
• 回復性：スロットリング・タイムアウト・一時障害を正常系として扱う。指数バックオフ＋フォールバック（Maverick → Scout → 3.3 8B、あるいは Bedrock → Llama API）で止めない（リトライ/サーキットブレーカー記事）。
• コスト効率：① モデルルーティング（簡単な分類は 8B、難所だけ Maverick）② MoE で active が小さい Llama を量側に当てる ③ 冪等キャッシュで再生成ゼロ。この3段で単価を刻む。

冪等性つきの本番ルートハンドラ（Next.js）

外部入力の検証・二重課金防止・フォールバックを1つに束ねた最小形です。

// app/api/generate/route.ts
import { NextResponse } from "next/server";
import { createHash } from "node:crypto";
import { generateText } from "ai";
import { z } from "zod";

// ① 外部入力は境界で必ず検証する（信頼境界はサーバー側）。
const Body = z.object({
  prompt: z.string().min(1).max(20_000),
  quality: z.enum(["fast", "best"]).default("fast"),
});

// ② 入力から決定的キーを作る。同じ入力＝同じ結果を返し、二重課金しない。
const keyOf = (s: string) => createHash("sha256").update(s).digest("hex");

// ③ 品質要件でモデルをルーティング（コスト最適化）。
const MODEL = {
  fast: "meta/llama-4-scout",
  best: "meta/llama-4-maverick",
} as const;

export async function POST(req: Request) {
  const parsed = Body.safeParse(await req.json());
  if (!parsed.success) {
    return NextResponse.json({ error: parsed.error.flatten() }, { status: 422 });
  }
  const { prompt, quality } = parsed.data;
  const key = keyOf(`${quality}:${prompt}`);

  const cached = await cache.get(key);
  if (cached) return NextResponse.json({ text: cached, cached: true });

  try {
    const { text, usage } = await generateText({ model: MODEL[quality], prompt });
    await cache.set(key, text);
    // usage を計測へ（トークン課金の可観測性）。PII は載せない。
    metrics.record({ model: MODEL[quality], tokens: usage.totalTokens });
    return NextResponse.json({ text, cached: false });
  } catch (err) {
    // ④ 回復性：失敗したら一段安いモデルへフォールバックして“止めない”。
    const { text } = await generateText({ model: MODEL.fast, prompt });
    return NextResponse.json({ text, degraded: true });
  }
}

sha256(入力) をキーにするだけで「ユーザーが送信を連打しても1回しか走らない」「同じ依頼はキャッシュが返る」という冪等性とコスト効率が同時に手に入ります。失敗時に安いモデルへ落とす degraded 経路が、SLO を守る最後の砦です（非同期・大量化したら SQS/Lambda の冪等処理 へ寄せます）。

ライセンスの落とし穴（商用前に必読）

Llama の商用利用は可能ですが、ライセンスは OSI 準拠の“オープンソース”ではありません。Llama 4 Community License という独自ライセンスで、踏みやすい地雷が4つあります。「無料だから自由」ではないことを、案件に入る前に必ず確認してください。

Notice 文は公式に定型があります。

Llama 4 is licensed under the Llama 4 Community License,
Copyright © Meta Platforms, Inc. All Rights Reserved.

⚖️ ここが信頼の分かれ目：受託で「Llama で安く作りました」と納品して、Built with Llama 表示も派生モデルの命名規約も知らなかった——これは事故です。オープンウェイトを商用に載せるなら、ライセンス遵守までが実装。私は案件で、この表示義務・命名規約・AUP・（必要なら）データ取扱いまでを設計に含めます。ライセンスは更新されるため、本番投入前に必ず一次情報（Llama 4 License / Acceptable Use Policy）で確認してください。

他モデルとの比較（正直版）

「結局どれを使う？」に、用途で答えます。性能の絶対値だけで選ぶと外します。

実務の意思決定はおおむねこうです。

• 重みを所有したい/微調整したい/データを外に出せない → Llama 4。
• 最高難度の推論・コーディングを任せたい → Claude（私は Claude Code を実装の主役に使っています）。
• 量で殴る前処理・抽出・分類はオープンウェイト、難所だけクローズド → 両建てが原価と品質の最適点。

ベンチの数字（Artificial Analysis 等）や各社モデルは毎月動きます。固定値で意思決定せず、自分のタスクで小さく評価してから本採用してください。

まとめ：Llama を「所有」から「本番で稼ぐ」へ

Llama の本質は、性能の数字ではなく「重みを所有して、改造し、自分の環境で動かせる」ことにあります。だからこそ、データ主権・微調整・原価・ロックイン回避が要件の案件で、クローズドAPIにはできない選択肢になります。

実装の道筋はシンプルです。

1. Llama API（OpenAI 互換） でまず賢さを確かめる（baseURL 差し替えだけ・GPU 不要）。
2. 本番は AWS Bedrock の Converse API へ（Claude と一行で差し替え可能）。量が増えたら vLLM / 専有へ。
3. 型安全・冪等性・可観測性・回復性・コストを設計に織り込み、ライセンス遵守（Built with Llama・命名・AUP）まで実装する。

ここまでやって初めて、デモではなく「顧客の制約（データを出せない・原価を削りたい・特化させたい）で落ちない」プロダクトになります。そして、ここが一番伝えたい点ですが——モデルを繋ぐだけのデモは誰でも作れますが、オープンウェイトとクローズドAPIを使い分け、ライセンスと原価とデータ主権まで設計するのは、実運用で判断を重ねた数がそのまま品質になります。

私は AWS Bedrock × Vercel AI SDK を土台に、Llama を含む生成AIシステムを本番運用しています。オープンウェイト/クローズドの選定、RAG、エージェント、コスト最適化、ライセンス対応まで一気通貫でお考えなら、実績をご覧のうえ、お気軽にご相談ください。一人 × 生成AIで、PoC から本番運用まで、速く・安く・安全に作ります。

出典・公式リソース

• 公式サイト：llama.com — モデル一覧・ダウンロード・ドキュメント
• Llama 4 発表（Meta AI Blog）：The Llama 4 herd — Scout/Maverick/Behemoth のスペック・MoE・マルチモーダル
• Llama Developer Docs：overview / models — Llama API のモデルID・エンドポイント・OpenAI 互換
• Hugging Face（Meta 公式）：meta-llama — 重み配布・transformers 利用
• AWS Bedrock（Meta）：Meta's Llama in Amazon Bedrock — Bedrock のモデルID・Converse API
• ライセンス：Llama 4 Community License / Acceptable Use Policy — 700M MAU・Built with Llama・命名規約・AUP
• LlamaCon 2025 まとめ：Everything we announced at LlamaCon — Llama API の発表
• Muse Spark（参考）：Introducing Muse Spark — Meta の方針転換（プロプライエタリ）

※ バージョン・モデルID・文脈長・料金・ライセンスは更新されます。実装前に必ず一次情報を確認してください。本稿の数値（Scout 17B active/16 experts/総109B/最大10M、Maverick 17B/128 experts/総400B、Bedrock 実効 Scout 約3.5M・Maverick 1M、Llama API 128k など）は本稿執筆時点（2026年6月）の公式情報に基づきます。This site is "Built with Llama"–aware: when you ship a product containing Llama, display the required attribution.