# 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）

> MetaのオープンウェイトLLM『Llama』を公式ドキュメント（llama.com・Meta AI・Hugging Face）に忠実に解説。Llama 4 Scout/Maverickの仕組み、Llama API（OpenAI互換）とAWS Bedrock・Ollama/vLLMの実装、型安全な構造化出力、ライセンス（700M MAU・Built with Llama）、Muse Spark時代の選び方まで、本番運用のコードで示します。

- 公開日: 2026-06-24
- 著者: 友田 陽大
- タグ: Llama, 生成AI, LLM, AWS Bedrock, オープンウェイト, RAG, Python, TypeScript
- URL: https://tomodahinata.com/blog/meta-llama-open-weight-llm-production-guide

## 要点

- Llama 4 は Meta 初の『ネイティブマルチモーダル × MoE』オープンウェイトモデル。Scout は 17B active/16 experts で業界最長クラスの 10M トークン文脈、Maverick は 17B active/128 experts・総 400B。どちらも“賢い部分だけ”動かすので推論が軽い
- 最速で試すなら Llama API（OpenAI 互換・`/compat/v1`）、本番フルマネージドは AWS Bedrock の Converse API、自前運用は Ollama / vLLM / transformers——用途で3択
- オープンウェイトの価値はデータ主権・微調整・原価最適化・ロックイン回避。クローズドAPI（Claude 等）との“使い分け”を設計判断として示す
- 2026年4月の Muse Spark（プロプライエタリ）で Meta は方針転換したが、ダウンロードして所有・自前運用できる開放系の本命は依然 Llama 4
- 商用利用は可能。ただし Llama Community License の罠（700M MAU 閾値・『Built with Llama』表示・派生モデル名の “Llama” 接頭辞・AUP）は必ず踏む

---

## 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](https://www.llama.com/) / [Meta AI Blog](https://ai.meta.com/blog/llama-4-multimodal-intelligence/) / [Llama Developer Docs](https://llama.developer.meta.com/docs/overview/) / [Hugging Face](https://huggingface.co/meta-llama)）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](/case-studies/ai-voice-chatbot)、[Bedrock×pgvector の RAG 設計](/blog/production-voice-ai-sales-agent-bedrock-pgvector)、[pgvector 本番 RAG](/blog/pgvector-postgres-production-rag-hybrid-search)）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](#出典公式リソース)に置きます。

---

## 30秒のまとめ（結論を先に）

| 観点 | 結論 |
| --- | --- |
| **何か** | Meta の**オープンウェイト LLM**。重みを DL して所有・微調整・自前運用できる |
| **最新の本命** | **Llama 4**（2025/04 公開）。Meta 初の**ネイティブマルチモーダル × MoE**。Scout / Maverick がDL可 |
| **超長文脈** | **Llama 4 Scout は最大 10M トークン**（公式・オープン/クローズド通じて最長クラス） |
| **軽さの理由** | MoE（Mixture-of-Experts）で**総パラメータの一部（17B）だけ起動**。だから速く安い |
| **試すだけ** | **Llama API**（Meta公式ホスト・**OpenAI 互換** `https://api.llama.com/compat/v1/`）。コード3行差し替え |
| **本番** | **AWS Bedrock**（フルマネージド・Converse API）。既存 AWS なら最短で本番品質 |
| **自前運用** | **Ollama**（ローカル）/ **vLLM**（高スループット）/ **transformers**（微調整基盤） |
| **クローズド勢との差** | 最前線の推論力は専有モデル（Claude 等）に一歩譲るが、**所有・微調整・原価・データ主権**で勝つ |
| **2026年の地殻変動** | Meta は **Muse Spark**（プロプライエタリ）へ軸足を移したが、**所有できる開放系の本命は依然 Llama 4** |
| **商用利用** | 可能。ただし **Llama Community License**（700M MAU 閾値・`Built with Llama` 表示・派生名 “Llama” 接頭辞・AUP）に従う |

「**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](#使い方allama-apiopenai-互換最速で試す) 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）

| モデル | active / 総パラメータ | experts | 文脈長（モデル本来） | モダリティ | 入手性 | 位置づけ |
| --- | --- | --- | --- | --- | --- | --- |
| **Llama 4 Scout** | **17B / 109B** | 16 | **最大 10M トークン** | テキスト＋画像 | **DL可**（HF・llama.com） | 単一 H100（Int4）。超長文脈の主役 |
| **Llama 4 Maverick** | **17B / 400B** | 128 | 〜1M トークン | テキスト＋画像 | **DL可** | 単一 H100 DGX ホスト。汎用フラグシップ |
| **Llama 4 Behemoth** | 288B / 約2T | 16 | 非公開 | マルチモーダル | **学習中・未公開** | 教師（蒸留元）モデル |
| **Llama 3.3 70B Instruct** | 70B（dense） | — | 128k トークン | テキストのみ | DL可・Llama API | 枯れたテキスト常用 |
| **Llama 3.3 8B Instruct** | 8B（dense） | — | 128k トークン | テキストのみ | Llama API | 低レイテンシ・低コスト |

> ⚠️ **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](#他モデルとの比較正直版)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](/blog/vercel-ai-sdk-production-llm-apps-streaming-tools-rag)、[Claude API の実装記事](/blog/claude-api-ai-sdk-v6-production-ai-features) 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](https://llama.developer.meta.com/docs/overview/) 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）

```ts
// 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）

```python
# 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。

```python
# 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。

```python
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。

```bash
# 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
```

```ts
// 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。

```bash
# 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。

```python
# 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,
)
```

| 方法 | 何 | 前提 | 向く場面 | 原価感 |
| --- | --- | --- | --- | --- |
| **Ollama** | ローカル/単機 | GPU/大容量メモリ | 開発・PoC・**データ非送出** | 自前ハード |
| **vLLM** | 高スループット自前サーブ | 複数 GPU（TP） | 大量・低レイテンシを自前で | 自前 GPU |
| **transformers** | 研究・**微調整の基盤** | 8GPU（Maverick） | fine-tune・実験 | 自前 GPU |

---

## 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](/blog/typescript-type-safety-discipline-zod-nevererror-no-any) 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。

```ts
// 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](/blog/pgvector-postgres-production-rag-hybrid-search) / [LangChain×Pinecone](/blog/langchain-pinecone-production-rag-system) 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。

```ts
// 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。

```ts
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](/blog/ai-agent-tool-use-function-calling-production-design)）、**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](/blog/opentelemetry-observability-production-tracing-metrics-logs) 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](/blog/retry-backoff-circuit-breaker-resilience-patterns-guide)）。
- **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。

```ts
// 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](/blog/aws-sqs-lambda-eventbridge-idempotent-async-processing-guide) 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。

| 項目 | 内容 | 実務上の意味 |
| --- | --- | --- |
| **700M MAU 閾値** | 直近暦月の MAU が**7億**を超える製品/サービスは、別途 Meta の許諾が必要 | 大半の企業は無関係。**超巨大サービスのみ**該当（GAFA級の競合排除条項） |
| **Built with Llama** | サイト/UI/ブログ/about/製品ドキュメントに**明示** | Llama を含む製品/サービスを配布・提供するなら**必須表示** |
| **派生モデルの命名** | 配布する派生（fine-tune 等）モデル名は **“Llama” を先頭に** | 例：`Llama-MyCompany-7B`。勝手な独自名で配布しない |
| **同梱義務 ＋ Notice** | ライセンス本文の複製と Notice 文を同梱 | 再配布時に LICENSE / NOTICE を添付 |
| **AUP（許容利用ポリシー）** | 違法・有害用途の禁止（参照組込み） | 違反は**契約違反**。生成物の用途も縛られる |

Notice 文は公式に定型があります。

```text
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](https://www.llama.com/llama4/license/) / [Acceptable Use Policy](https://www.llama.com/llama4/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。

| モデル | 種別 | 強み | 弱み | 向く場面 |
| --- | --- | --- | --- | --- |
| **Llama 4（Scout/Maverick）** | オープンウェイト | **所有・微調整・超長文脈・原価制御・データ主権** | 自前運用の負荷。最前線の推論は専有勢に一歩譲る | データ主権/微調整/オンプレ/量で殴る |
| **Claude（Opus/Sonnet）** | クローズドAPI | **最前線の推論・コーディング・エージェント・安全性** | 重み非公開・ロックイン | 高難度推論・実装支援・難所 |
| **GPT-5.x** | クローズドAPI | 総合力・エコシステム | 同上 | 汎用 |
| **Gemini** | クローズドAPI | 長文脈・Google 統合 | 同上 | GCP・長文脈 |
| **Mistral / Qwen 等** | オープンウェイト | 軽量・多言語・寛容ライセンス | エコシステム規模 | 軽量自前・特定言語 |
| **Muse Spark（参考）** | **クローズド**（Meta新系列） | 省コンピュートな推論 | **重み非公開**＝所有要件を満たさない | Llama の代替には**ならない**（評価軸が別） |

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。

---

## よくある質問（FAQ）

**Q. Llama は商用利用できますか？**
A. できます。ただし OSI の“オープンソース”ではなく **Llama Community License** です。**700M MAU 閾値・`Built with Llama` 表示・派生モデル名の “Llama” 接頭辞・AUP** を守る必要があります。大半の企業に 700M MAU は無関係ですが、**表示と命名は普通に該当**します。必ず[一次情報](https://www.llama.com/llama4/license/)を確認してください。

**Q. 日本語は使えますか？**
A. 使えます。Llama 3.x 以降は多言語性能が向上しており、Llama 4 もネイティブに多言語対応です。とはいえ「英語ほど安定はしない」場面もあるので、**日本語の重要タスクは自分の評価セットで検証**してから載せてください。

**Q. どれくらいの GPU が要りますか？**
A. **Scout は単一 H100（Int4 量子化）**、**Maverick は単一 H100 DGX ホスト**が公式の目安。手元GPUが無ければ **Llama API か Bedrock**（GPU 不要）で始め、量が増えてから自前運用へ移すのが王道です。

**Q. fine-tuning できますか？**
A. できます。重みが手元にあるのがオープンウェイトの核心です。LoRA など軽量手法から始めるのが現実的。**配布する場合は派生モデル名を “Llama” で始める**命名規約に注意。

**Q. API と自前運用、どちらが安い？**
A. **少量なら API**（環境構築ゼロ）。**定常的に大量**なら、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。**まず API で品質と需要を確かめ、量が増えたら Bedrock 専有 or 自前**へ、が損益分岐の定石です。

**Q. Muse Spark が出たので Llama はやめるべき？**
A. 要件次第です。**重みを所有・微調整・自前運用したい**なら、Muse Spark は**重み非公開で要件を満たしません**——本命は依然 Llama 4。Muse Spark は「もう一つのクローズドAPI」として、Claude / GPT と同じ土俵で評価する対象です。

**Q. Claude と Llama、どちらを選ぶべき？**
A. **最前線の推論・コーディング・エージェントは Claude**、**所有・微調整・データ主権・原価最適化は Llama**。私は両方を Bedrock の同一 API の裏で併用し、**難所は Claude・量は Llama**で組みます。二者択一ではなく**使い分け**が正解です。

---

## 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](/case-studies/ai-voice-chatbot)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](https://www.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](https://ai.meta.com/blog/llama-4-multimodal-intelligence/) — Scout/Maverick/Behemoth のスペック・MoE・マルチモーダル
- **Llama Developer Docs**：[overview](https://llama.developer.meta.com/docs/overview/) / [models](https://llama.developer.meta.com/docs/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](https://huggingface.co/meta-llama) — 重み配布・`transformers` 利用
- **AWS Bedrock（Meta）**：[Meta's Llama in Amazon Bedrock](https://aws.amazon.com/bedrock/meta/) — Bedrock のモデルID・Converse API
- **ライセンス**：[Llama 4 Community License](https://www.llama.com/llama4/license/) / [Acceptable Use Policy](https://www.llama.com/llama4/use-policy/) — 700M MAU・Built with Llama・命名規約・AUP
- **LlamaCon 2025 まとめ**：[Everything we announced at LlamaCon](https://ai.meta.com/blog/llamacon-llama-news/) — Llama API の発表
- **Muse Spark（参考）**：[Introducing Muse Spark](https://ai.meta.com/blog/introducing-muse-spark-msl/) — 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.**