作者：Max，01Founder
編集｜Max
数日前、有名な外資系AIアプリケーションであるGensparkが、これまでにはあまり見られなかったことを行いました。
それは、自らモデルを訓練し始めたことです。
9月10日、GensparkはPPT作成に特化したモデル「Gen-1 Slides」を発表しました。ベースモデルはMiniMax M3で、訓練はFireworksと共同で行いました。
現在、このモデルはGenspark AI Slidesの標準モードにおけるデフォルトオプションとなっています。
Gensparkはこれまで、非常に典型的なAIアプリケーション企業でした。
モデルがどの会社のものかは重要ではなく、使い勝手の良いものを使用するというスタンスです。
今日Claude Opus 4.8が少し優れていればClaudeを多めに呼び出し、明日GPT-5.6がより安くなれば、再び全てのリクエストをそちらに切り替えます。
アプリケーション企業が最も得意とすることは、そもそもモデル企業に対して情を移さないことです。
そのため、Gensparkが自らモデル訓練に乗り出したと聞いて、私は一瞬立ち止まりました。
なぜなら、これはもはやAPIの使い勝手の問題ではないからです。
APIの調子が悪ければ、設定を変更すれば済みます。
しかし、自ら訓練するとなれば、まずGPUの費用を支払わなければなりません。
業界ではモデルを褒める人は大勢います。
しかし、その褒め言葉のために自ら費用を負担して訓練を続けようとする人は、それほど多くありません。
これが、私が後にMiniMaxを再評価するようになった理由でもあります。
PART.01、オープンモデルの準備は整っている
まず、GensparkがなぜM3を選んだのかについて述べます。
現在、多くのオープンモデルが存在し、中にはベンチマークでM3よりも優れた成績を収めているモデルもあります。
しかし、もう一つ前提があります。
現在のこれらのオープンモデルは、それ自体がすでに実用可能なラインを超えているということです。
数年前であれば、アプリケーション企業がウェイトを入手しても、まずCoding、Agent、長大タスクといった基礎能力を補完する必要がありました。
現在では、M3のようなモデルは基礎がすでに十分であり、アプリケーションチームが初めてリソースを自社のビジネスに集中できるようになりました。
しかし、引き続き後処理訓練（post-training）を行おうとするアプリケーション企業にとって、ベースモデルの選択は単にランキングの上位から選ぶという単純なものではありません。
Gensparkが手掛けているのはPPTです。
複雑なPPTを作成するには、長い参考資料を読み、ページを計画し、コードを書き、ツールを呼び出してレンダリングし、さらに自身でチェックと修正を行う必要があり、数十回の反復が発生するのは普通です。
そのため、必要なベースモデルには、ネイティブなマルチモーダル、長いコンテキスト、優れたCodingとAgent能力が同時に備わっていることが望ましく、さらにウェイトがオープンである必要があります。
M3はこれらの条件をほぼ満たしています。
しかし、もう一つ非常に現実的な理由があると思います。
それは、そのモデルサイズがちょうど良いということです。
M3は総パラメータ数が約428Bで、各トークンで活性化されるのは約23Bです。
400B超は決して小さいモデルとは言えませんが、今日の最先端のオープンモデルの中では、アプリケーション企業の訓練やデプロイの範囲から完全に外れるほど大きくもありません。
市場には確かにスコアの高いモデルも存在しますが、モデルが大きくなればなるほど、その後の強化学習、デプロイ、推論、継続的改善にかかるコストも増加します。
モデル企業にとっては、誰が最強かがより重要かもしれません。
しかし、アプリケーション企業にとって、ベースモデルの選択は最も賢いものを見つけることではなく、能力、コスト、訓練可能性の間で、最もコストパフォーマンスの高いものを見つけることです。
能力が自社のタスクを十分にカバーし、かつモデル規模が後処理訓練の商業的意義を失わせるほど大きくないこと。
したがって、GensparkがM3を選んだのは、本質的にM3がこの領域でバランス点を見つけたからだと思います。
Genspark自身も、M3のようなオープンベースモデルがあったからこそ、事前訓練を飛ばして、予算をSlidesに集中できたと述べています。
この言葉は、実に明確に状況を説明しています。
アプリケーション企業が本当に必要としているのは、別の最強の基礎モデルを再構築することではありません。
すでに十分に優れたモデルを見つけ、限られた資金とエンジニアリングリソースを、自社が真に理解しているビジネスに投入することです。
PART.02、なぜモデルを訓練するのか
しかし、適切なベースモデルがあるからといって、Gensparkが必ずしも自ら訓練しなければならないわけではありません。
本当の問題は、この取り組みに価値があるかどうかです。
その答えは、まずGenspark自身の呼び出し規模にあります。
Fireworksの発表によると、Genspark Slidesが毎月消費するトークン数は1兆を超えています。
この規模になると、モデルコストはもはや技術チームだけが気にする問題ではなくなります。
100万トークンあたりのコストがほんの少し安くなるだけでも、毎月1兆トークン以上の消費にかければ、最終的には具体的なコスト削減額になります。
そのため、Gensparkが真に計算すべきは次の点です。最も頻繁に使用され、最も安定しているタスクの一部を自社で専門的に訓練することで、効果を維持しつつ、コストを抑えられるかどうか。
彼らは一連のテストを実施しました。
Gen-1 Slidesが1つのPPTを完成させるための平均モデル呼び出しコストは0.44ドルです。
一方、以前使用していた業界主力モデルOpus 5のコストは4.16ドルでした。
これは約10倍の差です。
この時点で、Gensparkがなぜ自ら訓練しようとするのか、理解しやすくなります。
さらに重要なのは、コストが下がったにもかかわらず、効果が著しく低下していないことです。
Gen-1 Slidesの平均評価は4.25で、Opus 5の4.23をわずかに上回りました。ダウンロード率も33.1%に達し、後者の31.5%を上回っています。
この時点で、Gensparkがなぜ自ら訓練しようとするのか、理解しやすくなります。
同社は、すべての汎用モデルを包括的に凌駕する新しいモデルを必要としているわけではありません。
必要なのは、PPTという頻繁で安定しており、かつ自社が十分に熟知しているタスクにおいて、より適切なバージョンを作り出すことだけです。
効果が十分で、コストを削減でき、さらに自社の製品を中心に継続的に改善できるのであれば、この計算は成立し始めます。
PART.03、なぜモデルを訓練できるのか
訓練プロセスにおいて、Gensparkは非常に典型的な問題に直面しました。
彼らはPPT内のテキストがはみ出ることを望まなかったため、モデルにルールを設計しました。テキストがページ境界を超えたら減点するというものです。
モデルをしばらく訓練した後、すぐに解決策を見つけました。
フォントサイズを小さくすることです。
評価器から見ると、問題は非常に見事に解決されました。
確かにテキストははみ出ていません。
ただ、ユーザーもほとんど見えなくなっていました。
この例は、まさにGensparkのようなアプリケーション企業が自らモデル訓練に参加する必要がある理由を説明しています。
なぜなら、モデル企業はモデルを非常に賢く訓練することはできても、すべてのアプリケーションに対して「仕事をうまくやった」とはどういうことかを定義することは難しいからです。
PPTにとって、テキストのはみ出しがないことは単なる指標の一つです。
実際にユーザーの手に渡ったときには、フォントサイズが読めるかどうか、情報密度が適切かどうか、ページ構成がスムーズかどうか、ユーザーが結果を受け取った後にもう一度自分で作り直さないかどうか、といったことも考慮する必要があります。
これらのことを完全に教えてくれる汎用ベンチマークは存在しません。
これらは、製品が日々実際のユーザーと接する中から生まれます。
Gensparkは長期間Slidesに取り組んできたため、同社が本当に価値を持つものは、呼び出し量だけでなく、どのような結果がユーザーに受け入れられるかについての豊富な経験です。
どのエラーにユーザーが最も敏感か、どの問題は許容できるか、どのページはエラーが表示されていなくても納品できないか、といった判断は、モデル企業が簡単に入手できるものではありません。
以前は、これらの経験は主にプロンプトの改善、ワークフローの改善、製品の改善に使用されていました。
現在は、新たな道が加わりました。
それらをReward、評価器、訓練データに変換し、モデル自体の調整に直接関与させることです。
これが、Gensparkが今回の訓練に参加できた理由でもあります。
MiniMaxはM3の汎用能力を高める責任を負い、Fireworksは訓練エンジニアリングを機能させる責任を負い、そしてGensparkは別の種類のものを保有しています。
それは、実際のユーザーと、長年にわたるPPT作成で蓄積された製品判断力です。
同社は、どのようなPPTがユーザーに残ってもらえるか、どのエラーが直接作り直しにつながるか、どのページはエラーがなくても実際には納品できないかを最もよく知っています。
これらのことは、モデル企業が簡単に知り得るものではありません。
そのため、アプリケーション企業がモデル訓練を始めるのは、突然汎用モデルの訓練が上手になったからではありません。
オープンソースのベースモデルの能力が実用ラインを超えたことで、従来は製品レイヤーに留まっていた経験を、モデル内部にまで押し込めるようになったからです。
結局のところ、GensparkはMiniMaxよりもモデルに詳しくなる必要はありません。
必要なのは、MiniMaxよりもPPTというビジネスに詳しくなることだけです。
PART.04、テキストモデルだけではない
Gensparkが今回M3を後処理訓練に使用したと聞いて、私は一ヶ月前のH3を突然思い出しました。
8月3日、MiniMax H3が正式にウェイトを公開しました。
これは、テキスト、画像、動画、音声を同時に理解できる汎用動画モデルであり、最長15秒、最大2K、ネイティブステレオオーディオ付きの動画を生成できます。
その後、コミュニティはすぐに盛り上がりました。
H3 のオープンウェイト公開当日、ComfyUI は Day-0 サポートを実施しました。公式は、H3 をローカルのコンシューマー向け GPU で実行する方法を紹介するブログ記事をわざわざ執筆しました。
その後の展開は、まさにインターネットのオープンソースコミュニティらしいものでした。
15秒では短すぎると感じた人々は、独自の ComfyUI ノードを作成し、H3 をセグメントごとに連結して、長尺動画やマルチショットの連続生成を実現しました。
また、純粋にネタとして使う人もいました。H3 がオープンソース化された当日、Stable Diffusion コミュニティでは、ローカルの ComfyUI を使って様々なテキスト生成動画を作成する人が現れ、ある投稿だけで数百の「いいね」を獲得しました。そこで交わされていた議論は、もはやこのモデルが動作するかどうかではなく、他に何に使えるかということでした。
その後、事態はネットユーザーがモデルで遊ぶ段階から、企業がモデルを改良する段階へと移行しました。
8月26日、fal は H3 Max をリリースしました。これは H3 のオープンウェイト上でそのまま追加学習を行い、新しいトレーニングデータを加え、プロンプトへの追従性、画質、推論速度の最適化に重点を置いたものです。
fal が公表したデータによると、5秒の動画を3秒未満で生成できます。
一方、FastVideo は別の方向性として FastH3 を開発し、4ステップ蒸留とスパースアテンションを用いて推論コストと生成時間を削減しました。
さらには、H3 をキーボードで操作可能なインタラクティブなワールドモデル「H3-World」に改造した研究チームも現れました。
彼らはバックボーンパラメータの約0.2%のみを学習させただけで、動画モデルがプレイヤーの操作に反応するようにしました。
そのため、Genspark が今回 Gen-1 Slides を開発したのを見て、H3 がオープンソース化された後に起こった出来事を振り返ると、以前とは異なる印象を受けました。
当時、皆が見ていたのは賑わいでした。
H3 を広告に使う人、長尺動画を作る人、推論速度を最適化する人、さらにはワールドモデルに改造してしまう人までいました。
しかし、今振り返ってみると、これらのプロジェクトはすべて同じことを行っていたのです。
つまり、オープンソースの汎用モデルを、それぞれの具体的な問題に合わせてさらに推し進めることです。
MiniMax は H3 の基本能力を高めることはできますが、広告チームが最も重視する点、動画プラットフォームがどのコストを最も削減したいか、インタラクティブな世界を構築する人々がどのような応答性を必要とするかを、同時にすべて把握することは不可能です。
これらの問題は、むしろ下流側が最もよく理解しています。
Genspark も同様です。
汎用モデルの訓練方法を MiniMax よりも熟知している必要はなく、必要なのは MiniMax よりも PPT ユーザーを理解することだけです。
fal も、新しい動画モデルを一から作る必要はなく、自社の推論システムと顧客に何が不足しているかを知っていればよいのです。
したがって、オープンウェイトが真に変えたのは、誰でもモデルをダウンロードできるようになったことだけではありません。
それは実際に、研究開発作業の一部を再分配したのです。
基盤モデル企業は汎用能力を十分に高める責任を負い、下流企業はそれを自社のビジネスにより適したものにさらに訓練する責任を負います。
これにより、MiniMax は自らすべてのアプリケーションシナリオを事前に予測する必要がなくなります。
モデルを公開した後は、外部の企業が自社のデータ、ユーザー、問題を携えて、様々な方向へと進み続けます。
中には、MiniMax 自身では決して行わないであろう方向性もあるでしょう。
しかし、ベースが十分に優れていれば、これらの探求は依然として MiniMax から始めることができるのです。
これこそが、H3 オープンソース化後のあの熱狂において、より注目すべき点だと私は考えます。
表面的には、皆が同じモデルで遊んでいるように見えます。
実際には、多くのチームがこのモデルの新たな活路を模索し始めていたのです。
PART.05、MiniMaxにとっての価値とは
しかし、オープンウェイトには避けて通れない問題がもう一つあります。
これらの下流での探求は、最終的に MiniMax 自身とどのような関係があるのでしょうか？
先述の H3 の例で、すでに第一の価値が見えています。
MiniMax は、広告、長尺動画、ワールドモデル、PPT などを自ら研究する必要はありません。モデルを公開した後、下流が自らのデータ、ユーザー、ビジネス上の問題を携えて、このベースのために絶えず新しい方向性を試してくれます。
誰かが成功すれば、それはさらに一つの事例となり、市場に対して「このモデルはベンチマークで動作するだけでなく、実際に製品に利用できる」と示すことになります。
このような価値はすぐに収益に現れるとは限りませんが、次世代の開発者のモデル選定に影響を与えるでしょう。
そして、MiniMax がその後のビジネス上の関係を完全に手放しているわけでもないことは明らかです。
後日、M3 のライセンスを調べてみたところ、ウェイトを公開すれば後は自由に使ってよい、というものではありませんでした。
M3 は独自のコミュニティライセンスを使用しています。
契約書には明確に、M3 をベースに追加学習やファインチューニングを行った後の商用展開も、依然として商用利用に該当すること、そして関連する製品やサービスの年間収益が2000万ドルを超える場合、MiniMax の個別の書面による承認を別途取得する必要があることが明記されています。
この設計は非常に理解しやすいものです。
初期段階ではまずモデルをオープンにし、より多くのチームが試行できるようにします。何に適しているかは、MiniMax が事前にすべてを予測する必要はありません。
もしプロジェクトが実験で終わったとしても、コミュニティは少なくとも一つの方向性を探求したことになります。
もし本当にビジネスとして軌道に乗れば、双方が新たにビジネス関係を構築する機会が生まれます。
したがって、オープンウェイトは、MiniMax がその後の価値をすべて放棄することを意味するわけではありません。
それはむしろ、まず開発の境界線を広げ、より多くの人々がモデルを様々なシーンに持ち込むのを助け、特定のシーンが実際に成長した後、ライセンス、API、またはその他のサービスを通じて関係を再構築するようなものです。
現在、Comfy は MiniMax モデルの商用ライセンスを公開販売しており、Professional プランは月額5000ドルからです。
もちろん、ここには順序を間違えてはならない点があります。
ライセンスが賢く設計されているから開発者が集まるのではありません。
まず十分に優れたモデルが存在して初めて、人々はそれをダウンロードし、さらに訓練し、さらには自社の製品をそれに賭けようとするのです。
ライセンスができることは、モデルが価値を生み出した後、その価値の一部が MiniMax に還元される機会を提供することに過ぎません。
こう考えると、オープンソース自体はビジネスモデルではありません。
それはむしろ、モデルが到達できる範囲を拡大するようなものです。
そしてビジネスモデルは、これらの場所で実際に何かが生まれて初めて意味を持ち始めるのです。
PART.06、核心はどれだけ多くの人があなたを使ってくれるか
これまで、基盤モデルを評価する際に最もよく見られていたのは、やはりベンチマークでした。
数学のスコア、Coding の順位、Agent のランキングが上がったかどうか、これらはもちろん重要です。
しかし、MiniMax にとっては、もう一つの指標を見ることもできるでしょう。
それは、どれだけ多くのチームが、そのモデルを使ってさらに訓練を進め、実際に自社のビジネスに組み込もうとしているか、です。
これは、モデルを一回ダウンロードすることよりもはるかに重要です。
なぜなら、一度追加学習を行うと決断すれば、そのチームはエンジニア、計算資源、時間を投入し、さらに自社のタスク環境と評価システムを統合し、最終的に実際のユーザーで結果を検証することを意味するからです。
誰も、オープンソースエコシステムの繁栄を証明するためだけに、計算が合わないようなお金を積極的に燃やしたりはしません。
したがって、Genspark が M3 を選択したことは、それ自体が非常に実際的な検証です。
Genspark は十分に大きなビジネス規模を持ち、長年培ってきた PPT 製品の経験もあります。しかしその一方で、MiniMax もまた、基本能力が十分に高く、さらに訓練する価値のあるベースを先に提供しなければなりません。
どちらか一方が欠けても、この試みは成立しにくいでしょう。
つまり、アプリケーション企業がモデル層に進出し始めたとしても、基盤モデル企業の価値が小さくなるわけではないのです。
むしろ逆に、ベースが十分に成熟していて初めて、下流企業は自社のビジネス、エンジニアリングリソース、ユーザーをすべてその上に賭けることができるのです。
Genspark が M3 を PPT モデルに訓練し、fal や FastVideo が H3 をベースに改良を続けています。これらは MiniMax 自身が定義した問題を解決しているわけではありませんが、いずれも同じことを検証しています。すなわち、このベースはさらに開発する価値があるのか、ということです。
したがって、今後 MiniMax を評価する際には、ベンチマーク、API、自社製品に加えて、もう一つの指標を見るつもりです。
それは、どれだけ多くの企業が、自社のビジネスを MiniMax のモデルの上に構築しようとしているか、です。
モデルをダウンロードするのは簡単です。
エンジニア、GPU、そして実際のユーザーを投入してさらに開発を進めようとするのは、はるかに難しいことです。
モデルがリリースされた後、どれだけ多くの人々がそれを使ってさらに開発を進めようとするか、これは発表会での拍手喝采よりもはるかに重要なことなのです。
