報じられたNVIDIAの1兆パラメータモデルは未確認。確認済みモデルはより小規模

NVIDIAはGoogle Newsの見出しで、先進的なシステムに挑む1兆パラメータのオープンAIモデルを開発しているという注目を集める主張とともに取り上げられた。しかし、NVIDIAが公表した資料はその説明を裏付けていない。検証済みの主力モデルであるNemotron 3 Ultraは、総パラメータ数が5,500億で、各トークンで有効化されるのは550億だ。

この差は単なる数値の訂正にとどまらない。総パラメータ数、有効パラメータ数、学習トークン、開発計画が、いかにして一つの誤解を招く見出しにまとめられ得るかを示している。それぞれの数値はAIシステムの異なる側面を表す。

とはいえ、背景にある動きは重要だ。NVIDIAはプロセッサやソフトウェア基盤の販売にとどまらず、オープンなモデル重み、学習リソース、デプロイメントツール、そして次世代Nemotronに向けた業界連携を展開している。

真の競争は、単純なNVIDIA対OpenAI、Anthropic、Googleではない。現在の商業的な最前線の多くを形作るクローズドなモデルサービスに対し、NVIDIAがオープンかつインフラ中心の戦略で挑む構図だ。

Google Newsの見出しだけでは確立できないこと

現在、NVIDIAが公開しているリリースには、開発中の1兆パラメータNemotronモデルを裏付けるものはない。

Google Newsを通じて配信されたこの見出しは、NVIDIAの技術レポートや製品発表ではなく、出版社の掲載記事に由来する。数値を裏付ける、アクセス可能なモデルカード、名称付きのアーキテクチャ、ベンチマーク一式、リリース日、または同社声明は提示されていない。

これは、NVIDIAにより大規模な社内モデルが存在しないことを証明するものではない。企業は発表前にシステムを試験するのが一般的だ。ただし、1兆パラメータという説明は、確立した製品上の事実ではなく、未検証の報道として扱うべきことを意味する。

最も近い検証済みの参照先はNemotron 3 Ultraである。NVIDIAは2026年6月4日にこのモデルを公開し、最も高性能なNemotronリリースだと説明した。公式のモデル概要では、総パラメータ数は5,500億、有効パラメータ数は550億と明記されている。

Nemotron 3 Ultraは、Mixture-of-Expertsアーキテクチャを採用している。この設計ではモデルを専門化されたグループに分割し、各トークンでネットワークの一部のみを有効化する。このアプローチにより、応答のたびにすべてのパラメータを適用せずに総容量を増やせる。

正式名称であるNemotron 3 Ultra 550B-A55Bには、両方の数値が示されている。「550B」は総パラメータ数を表し、「A55B」は各トークンで約550億のパラメータが有効になることを示す。

この区別はデプロイメントの経済性を変える。密な5,500億パラメータモデルでは、推論中にネットワーク全体が関与する。スパースモデルでは各トークンを選択されたエキスパートに振り分けられるため、回答に必要な計算量を削減できる。

混乱のもう一つの要因として、学習コーパスが考えられる。NVIDIAによれば、Ultraの事前学習には20兆のテキストトークンを使用した。トークンは学習データの断片であり、学習済みのモデルパラメータではない。数兆トークンで学習されたモデルが、自動的に1兆パラメータモデルになるわけではない。

NVIDIAは長年にわたり、1兆規模の学習について議論してきた。2021年には、同社のエンジニアが、1兆パラメータモデルと3,072基のA100 GPUを用いた学習デモンストレーションを説明した。この取り組みは、公開対話モデルの発表ではなく、分散学習ソフトウェアを実証するものだった。

こうした数値は、元の文脈から切り離されやすい。過去のスケーリング実験、20兆トークンのデータセット、5,500億パラメータのリリースは、三つの別個の事実を説明している。

見出しは「open AI model」という表現も使っており、別の曖昧さを生み得る。この文脈での「open」は、モデルへのアクセス形態を表す。ChatGPTを手がける企業であるOpenAIとの関係を示すものではない。

Google Newsの集約は報道の到達範囲を広げることがあるが、集約自体がその中核的な主張を検証するわけではない。検証には依然として、一次資料、実名の情報源、技術的成果物、再現可能な評価が必要だ。

現時点で擁護できる結論は限定的である。NVIDIAは5,500億パラメータのオープンウェイトモデルを公開している一方、特定の1兆パラメータ後継モデルは未確認のままだ。

NVIDIAの検証済みオープンモデルはNemotron 3 Ultra

確認済みのリリースはすでに大規模モデルだが、NVIDIAはパラメータ数だけでなく選択的計算を軸に設計している。

Nemotron 3 UltraはNemotron 3ファミリーで最大のモデルだ。その前には、より小さなデプロイメント規模と異なる性能要件を対象とするNanoおよびSuperがある。

Ultraは、Mixture-of-ExpertsルーティングとMamba、アテンション層を組み合わせる。Mambaは、標準的なアテンションとは異なる計算特性で長い入力を扱うことを目的としたシーケンス処理アーキテクチャだ。

このモデルは、latent expertsとmulti-token predictionも使用する。latent expertsはネットワーク内に追加の専門化をもたらし、multi-token predictionにより、システムは生成時に複数の将来トークンを予測できる。

NVIDIAによれば、Ultraは最大100万トークンのコンテキスト長をサポートする。コンテキストウィンドウとは、一回の対話でモデルが考慮できる入力と生成済み素材の量を指す。

この能力は、短いチャットボットのやり取りではなく、長時間稼働するエージェントを対象とする。想定されるワークロードには、ソフトウェアリポジトリの分析、長期的な調査、多段階の計画立案、大量の作業コンテキストを蓄積するエンタープライズプロセスが含まれる。

同社の技術レポートによると、事前学習には20兆のテキストトークンを使用した。その後NVIDIAはコンテキスト長を拡張し、教師ありファインチューニング、強化学習、教師モデル蒸留を適用した。

教師モデル蒸留では、他のモデルの振る舞いを対象モデルへ移す。NVIDIAによれば、Ultraのポストトレーニング工程では、10以上の領域特化型教師モデルが指導に寄与した。

このリリースには、ベース、ポストトレーニング済み、量子化済みのチェックポイントが含まれる。量子化はモデル値をより少ないビットで表現することで、実用的な精度を保とうとしながらメモリおよび計算要件を削減する。

NVIDIAは、同社の4ビット浮動小数点形式であるNVFP4を使ってUltraのバージョンを事前学習した。同社はこの形式を、Blackwellハードウェア上でスループットを高める経路として位置付けている。

このハードウェアとの結び付きが中心的だ。NVIDIAは、Nemotronが企業で使われる唯一のモデルになる必要はない。開発者がNVIDIAのプロセッサとソフトウェアを使って多くのモデルを学習、適応、提供することで恩恵を受ける。

したがってUltraは、利用可能なモデルであると同時に参照実装でもある。NVIDIAの学習、最適化、推論スタック全体で、大規模スパースモデルがどのように振る舞うかを示せる。

NVIDIAによれば、Nemotron 3 Ultraは同等のオープンモデルと比べて、推論速度を最大5倍にし、コストを最大30%削減する。これらは同社による比較であり、選択したハードウェア、精度、ソフトウェア、プロンプト、出力長に左右される。

同社の研究ページは、さらに具体的なスループットの主張を示している。NVIDIAは、GLM-5.1の5.9倍、Kimi K2.6の4.8倍、Qwen 3.5の1.6倍のスループットを報告している。

これらのテストでは、GB200システム上で8,000トークンの入力と64,000トークンの出力を使用した。NVIDIAはUltraにTensorRT-LLMを使用し、比較対象モデルにはvLLMを用いたうえで、それぞれに利用可能な最も強力な構成を選んだ。

この手法は結果を無意味にするものではない。ただし、読者はこれをアーキテクチャ単体の比較ではなく、システムレベルのデプロイメント結果として解釈すべきだ。

モデル、ランタイム、数値形式、アクセラレータは一体となって動作する。NVIDIAは意図的に、その複合的なレベルで競争している。

NVIDIAがクローズドAIシステムに挑む理由

NVIDIAの戦略的優位性は、一つのアシスタントであらゆるベンチマークを制することではなく、多くのモデルの下層プラットフォームを供給することにある。

OpenAI、Anthropic、Googleは主に、先進的な汎用システムをホスト型サービスとして提供している。顧客は管理されたエンドポイントにリクエストを送り、モデル重みや中核的な学習手法は公開されないままだ。

NVIDIAはNemotronで異なる道を取っている。組織が選択した環境でモデルを検査、適応、デプロイできるよう、重みと周辺の開発資料をより多く公開している。

オープンウェイトは、自動的に完全にオープンな開発を意味するわけではない。学習データには制約が含まれる場合があり、ライセンスは条件を課す可能性があり、大規模モデルの再現には依然として高いコストがかかる。

それでも、重みへのアクセスは企業が制御できる範囲を変える。チームはモデルをファインチューニングし、非公開ワークロードで評価し、振る舞いを変更し、すべてのリクエストを外部モデル提供者経由にせずに運用できる。

この選択肢は、規制下またはデータに敏感な環境で重要になる。銀行、医療組織、政府、産業企業は、データの所在地、アクセス方針、システムの振る舞いをより明確に管理する必要がある場合が多い。

Nemotron 3 Ultraは、エージェント型ワークロードも対象とする。エージェント型システムは、モデルをツール、メモリ、実行ループと組み合わせることで、多段階のタスクを完了できるようにする。

長時間稼働するエージェントは、大きな推論需要を生む。状態を繰り返し確認し、ツールを呼び出し、結果を読み、計画を再考し、新しい行動を生成する。一つのユーザーリクエストが多数のモデル呼び出しを引き起こすこともある。

このパターンはNVIDIAの事業に有利だ。基礎となるモデル重みが自由に利用できる場合でも、エージェント活動が増えれば計算需要は増加する。

NVIDIAは、こうしたワークロードを支える周辺コンポーネントも販売している。そのポートフォリオには、アクセラレータ、ネットワーキング、DGXシステム、CUDAライブラリ、推論エンジン、モデル提供ソフトウェア、クラウド容量が含まれる。

したがって、成功したオープンモデルは、NVIDIAが各モデル応答に課金しなくても同社の市場を拡大し得る。このモデルは、学習と提供を支えるインフラへの需要を促す。

クローズドな提供者は異なる計算に直面する。彼らの優位性は、強力な性能、簡単なアクセス、安全管理、頻繁な更新を備えた統合システムを提供することにある。

多くの顧客はその形態を好む。5,500億パラメータモデルの運用には、専門的なハードウェア、運用上の知識、監視、継続的な評価プロセスが必要だ。

したがって、競争圧力は選択的である。Nemotronはすべてのホスト型アシスタントに取って代わる必要はない。制御やカスタマイズを重視する組織にとって、自己管理型デプロイメントを信頼できる選択肢にすればよい。

NVIDIAの規模も、その取り組みを小規模なオープンモデルプロジェクトと分けている。同社はモデル研究を、本番推論で使われるハードウェアとソフトウェアに直接結び付けられる。

これにより強化ループが生まれる。NVIDIAは自社の数値形式向けにモデルを設計し、そのモデル向けにランタイムを最適化し、その成果を使って最新のコンピューティングプラットフォームを実証できる。

NVIDIAの1兆パラメータモデルに関する見出しは、検証済みの内容を誇張している。しかし、その下にある戦略的な挑戦は現実のものだ。NVIDIAは、オープンモデルをNVIDIA上で運用されるコンピューティング需要の主要な源泉にしたいと考えている。

真の競争は1兆パラメータではなく効率性にある

より多い総パラメータ数が、より優れたモデルを保証するわけではない。特に、各トークンで大半のパラメータが非アクティブな場合はなおさらだ。

パラメータ数はかつて、モデル規模を示す便利な指標だった。開発者がスパースアーキテクチャ、蒸留、合成データ、より長い推論、特化型ポストトレーニングを採用するにつれ、その指標の有用性は低下した。

Kimi K2.6は、NVIDIAが比較対象の一つとして挙げるモデルで、総パラメーター数は1兆だが、トークンごとに有効化されるのは320億パラメーターである。Nemotron 3 Ultraは総パラメーター数5500億、アクティブパラメーター数550億を備える。

総数では前者のモデルが大きい。各トークンの処理時に有効化されるパラメーター数では後者が上回る。だが、どちらの事実だけでも、特定のタスクでどちらのモデルが優れているかは判断できない。

アーキテクチャ、学習データ、最適化、推論設定は、見出しで強調される規模と同じくらい重要になり得る。ポストトレーニングがより優れた小型モデルが、特定の評価ではより大型のモデルを上回ることもある。

NVIDIAの主張は、この違いに基づいている。Ultraは、NVIDIAの現行システム上でより高速に出力を生成しつつ、競争力のある精度を提供することを狙っている。

独立したテストは、ベンダー発表の結果に対する有益な対抗材料となる。Artificial Analysisはプレリリース版モデルを評価し、公開時点で米国のオープンウェイトモデルの首位と評した。

同社の独立評価では、UltraのIntelligence Indexスコアは48だった。同じ評価ではKimi K2.6が54となり、その時点でテストされた中国の最も強力なオープンウェイトモデルにはNVIDIAが及ばなかった。

この結果が裏付けるのは、NVIDIAの位置付けの一部にとどまる。Ultraは米国のオープンウェイト公開モデルの中では競争力を示し、測定上も高いサービング速度を実現した。しかし、知能面でオープンウェイト全体をリードしたわけではない。

ベンチマークの版も変化する。Artificial Analysisのライブモデルページでは後に、更新された評価スイートに基づく別のスコアが表示された。したがってランキングは恒久的な順位ではなく、時点に依存する測定値として扱うべきだ。

ここで、元のGoogle Newsの主張が論点を散漫にする。1兆パラメーターというラベルは、特定の規模に到達すればNVIDIAが主要なクローズドシステムと肩を並べることを示唆する。

その前提は、評価の問題を無視している。OpenAI、Anthropic、Googleはそれぞれ異なる能力、ツール、インターフェース、安全機構を提供している。これらの企業は一般に同等の数値を開示していないため、パラメーター数によってモデルを直接比較することはできない。

実際のエンタープライズ性能は、アプリケーション全体にも左右される。検索・取得の品質、ツールの信頼性、権限、メモリ設計、人によるレビューが、エージェントが有用な仕事を完了できるかを決定し得る。

ベンチマークスコアが高く見えても、モデルは失敗し得る。長いコンテキストは正確な想起を保証せず、優れたコーディング結果も安全なコード変更を保証しない。

運用効率にも固有の限界がある。NVIDIAの最速結果は、NVIDIA製ハードウェア、低精度フォーマット、調整されたサービングソフトウェアに依存する。他の環境を利用する組織では、同じスループットを再現できない可能性がある。

スパースモデルはルーティングの複雑さももたらす。システムは適切なエキスパートを選択し、ワークロードの均衡を取り、アクセラレーター間でモデルデータを効率よく移動させなければならない。

アクティブパラメーター数550億のモデルも依然として大規模である。本番規模でセルフホストするには、小型ローカルモデルをダウンロードする場合よりはるかに多くのインフラが必要になる。

したがって重要な比較は「5500億対1兆」ではない。比較可能なサービング条件の下、現実的なワークロードで測定した、計算資源単位当たりの有用な精度である。

NVIDIAはこの変化を理解しているようだ。同社の技術資料は、可能な限り大きな総パラメーター数を競うことよりも、スループット、アクティブパラメーター、長文コンテキストでの挙動、デプロイ効率を強調している。

Nemotron 4はモデルを連合プロジェクトへと変える

NVIDIAの次のオープンモデル施策は共同開発プログラムだが、同社はこれに検証済みの1兆パラメーター仕様を付していない。

2026年3月16日のGTCで、NVIDIAはNemotron Coalitionを発表した。創設メンバーにはMistral AI、Black Forest Labs、Cursor、LangChain、Perplexity、Reflection AI、Sarvam、Thinking Machines Labが含まれる。

連合の最初のベースモデルは、NVIDIAとMistral AIが共同開発している。他の参加者は後続の開発段階で、データ、評価、ドメイン知識を提供すると見込まれている。

NVIDIAによれば、完成するモデルはDGX Cloudで学習され、オープンエコシステムに公開される。また、今後登場するNemotron 4ファミリーの基盤にもなる。

公式の連合発表では、Nemotron 4のパラメーター数は開示されていない。1兆パラメーターの目標、チェックポイント仕様、リリース日も示されていない。

この不在は重要である。Nemotron 4は、未発表のより大規模なNVIDIAモデルに関する報道の背景にあるプロジェクトとして最も可能性が高い。すでに公表され、なお開発中であり、オープンなフロンティアシステムの前進を目的としているためだ。

しかし、可能性の高さは確認を意味しない。このプロジェクトは複数のサイズを生み出す可能性も、スパースアーキテクチャを採用する可能性も、総規模より専門的な能力を優先する可能性もある。

連合の構造は、NVIDIAのより広範な目標も示している。社内の単一研究グループにすべての目標を定義させるのではなく、NVIDIAは異なるアプリケーション要件を代表する企業を集めている。

Cursorはコーディングのユースケースに貢献できる。LangChainはツール利用や長時間稼働するエージェントに関する知見を提供できる。Perplexityは検索中心のアプリケーションでの経験を持ち、Mistralはモデル開発の専門性を提供する。

この体制により、NVIDIAはモデルがリリースされる前にワークロードからのフィードバックを得られる。また、連合メンバーが完成するオープン基盤を中心に自社製品を最適化することも促す。

明らかな商業的整合性もある。DGX Cloudで学習され、NVIDIAシステム向けに最適化された共同開発モデルは、NVIDIAインフラへの需要を高める可能性がある。

それでも、開発者にとっての潜在的な価値が失われるわけではない。共同評価とアクセス可能なウェイトは、一社のAPI経由でしか利用できないモデルと比べ、参加の裾野を広げられる。

モデルが実際にどの程度オープンかは、リリース内容に左右される。開発者はライセンス、許可される用途、学習データの開示、チェックポイント、レシピ、安全性文書、ハードウェア要件を確認すべきだ。

また、オープンウェイトと再現可能性は区別する必要がある。チェックポイントの公開はデプロイと改変を可能にするが、フロンティア規模の事前学習を独自に繰り返せる組織はほとんどない。

Nemotron 4がクローズドプロバイダーに圧力をかけるのは、連合が競争力のある性能と実用的なデプロイ選択肢を実現した場合に限られる。そうした特性がなければ、大きなパラメーター数は持続的な導入ではなく注目を生むだけだ。

連合は調整リスクももたらす。参加者は異なる製品、インセンティブ、データ方針、顧客を抱えている。共同モデル開発には、アーキテクチャ、評価、リリース時期、ガバナンスに関する意思決定が必要となる。

NVIDIAは学習プラットフォームを提供するため、強い組織的立場を維持している。ただし、このプロジェクトの信頼性は、貢献が宣伝上の提携を超えるかどうかに左右される。

公開ベースチェックポイントが最も明確な証拠となる。詳細な技術報告、再現可能な評価、利用可能なポストトレーニング資源があれば、さらに説得力が増すだろう。

こうした成果物が現れるまでは、Nemotron 4は発表済みのオープンモデルプログラムとして説明すべきである。確認済みのNVIDIA製1兆パラメーターモデルとして提示すべきではない。

開発者とエンタープライズ購入者が次に注視すべき点

NVIDIAが持続可能なオープンモデルプラットフォームを構築しているのか、それとも誇張された見出しの恩恵を受けているだけなのかを示す、3つの具体的なシグナルがある。

第1のシグナルは、Nemotron 4のモデルカードまたは技術レポートである。その文書には、総パラメーター数、アクティブパラメーター数、アーキテクチャ、学習トークン数、コンテキスト長、数値フォーマットが記載され、規模に関する疑問に答えるべきだ。

NVIDIAが1兆規模の設計を確認すれば、Google Newsの見出しは後から裏付けを得ることになる。Nemotron 4がより小さな、あるいは異なる構造のネットワークを採用する場合、元の主張はモデル指標を混同したものに見えるだろう。

第2のシグナルは、比較可能な条件下での独立した性能評価である。テストでは、複数のサービング構成にわたり、推論、コーディング、ツール利用、長文コンテキストの信頼性、スループットを評価すべきだ。

企業によるベンチマークは、意図された強みを理解するうえで有用だ。独立評価は、それらの強みが異なるプロンプト、ランタイム、ハードウェア前提でも維持されるかを明らかにする。

総パラメーター数と同じくらい、アクティブパラメーター数にも注目したい。出力長、レイテンシー、メモリ要件、失敗率、計算資源単位当たりの精度も確認すべきである。

第3のシグナルは、実際のエンタープライズ導入である。NVIDIAはエージェントフレームワークやソフトウェアパートナーの名前を挙げているが、互換性が明記されているだけでは、持続的な本番利用を示すことにはならない。

有用な証拠としては、文書化された導入事例、再現可能なワークロード改善、安定したサービングツール、ホスト型クローズドモデルではなくNemotronを選択する組織が挙げられる。

開発者は、オープン性を自動的な推奨理由と見なすべきではない。モデルへのアクセスは本番システムの一部にすぎない。セキュリティレビュー、データガバナンス、可観測性、評価、フォールバック手順は依然として必要である。

エンタープライズ購入者は、運用モデル全体を比較すべきだ。ホスト型サービスはインフラ作業を減らす一方、自己管理モデルはより大きな制御性とカスタマイズ性を提供する。

ナレッジワーカーは、これらのシステム上に構築された製品を通じて競争を体験することになる。より高速なオープンモデルは待ち時間を短縮し、ソフトウェアベンダーがよりプライベートなデプロイ選択肢を提供できるようにする。

検証済みの事実は、すでに重要な動きを裏付けている。NVIDIAは5500億パラメーターのスパースモデルをリリースし、複数の開発成果物を公開し、将来のモデルファミリーを中心にパートナーを組織した。

一方で、1兆パラメーター製品についての確実性は裏付けていない。その数字は、対応する一次資料のない主張にとどまる。

次にGoogle Newsで目を引くモデル規模の数字を見かけたら、アクティブパラメーター数、モデルカード、技術レポート、独立テストを確認したい。そうした詳細こそが、NVIDIAがフロンティアを拡大したのか、単により大きな見出しを生み出しただけなのかを示す。