中国AIの実力を正しく評価する
アリババクラウドのQwenチームが開発するQwen 3は、欧米のAIコミュニティでも高く評価されるモデルファミリーだ。偏見を排して技術的に評価すると、Qwen 3 72Bは多くのベンチマークでLlama 4 ScoutやGemma 3 27Bを上回り、一部のタスクではGPT-4oに迫る性能を示す。
KGAがQwen 3に注目する最大の理由は、日本語を含むアジア言語での性能の高さだ。Llama 4やGemma 3は英語中心の学習データであるため、日本語タスクでは英語の80-85%程度の性能しか出ない。対してQwen 3は中国語・日本語・韓国語の学習データが豊富で、日本語タスクで英語の95%以上の性能を維持する。
モデルラインナップと性能
Qwen 3は0.6B、1.7B、4B、8B、14B、32B、72Bの7サイズに加え、MoE版のQwen 3 MoE-A3Bも提供。全モデルがApache 2.0ライセンスで商用利用無制限のオープンウェイトだ。
KGAの実測ベンチマーク（日本語タスク50問セット）結果。Qwen 3 72B: 87.4%。Llama 4 Scout: 79.2%。Gemma 3 27B: 76.8%。GPT-4o: 89.6%。Claude 4 Sonnet: 91.2%。日本語タスクに限ればQwen 3 72BはオープンモデルでトップでGPT-4oに迫る。
数学タスク（MATH benchmark）ではQwen 3 72Bが82.6%を記録。Llama 4 Maverickの80.1%を上回り、オープンモデル最高峰だ。DeepSeek R1（92.1%）には及ばないが、R1は推論特化モデルであり、汎用モデルとしてはQwen 3が最強クラスだ。
Thinking Mode: 推論モードの切り替え
Qwen 3の特筆すべき機能がThinking Modeだ。通常モードとthinkingモードを切り替えでき、thinkingモードではDeepSeek R1と同様のchain-of-thought推論を実行する。これにより、同一モデルで汎用タスクと推論重視タスクの両方に対応できる。
KGAの検証では、thinkingモード使用時にMATHスコアが82.6%から89.3%に向上した。ただしトークン消費量は3-4倍に増加するため、全タスクでthinkingモードを使うのはコスト的に非現実的。KGAでは数学、論理推論、複雑なコード生成でのみthinkingモードを有効化している。
セルフホスティングの実践
Qwen 3 72Bのセルフホスティングはvllmで容易にデプロイ可能。A100 80GB 1枚でAWQ 4bit量子化版が動作し、秒間約20トークンの推論速度を達成。KGAでは日本語対応が必要なクライアント案件のデフォルトモデルとしてQwen 3 72Bを採用している。
小型モデルのQwen 3 8Bも侮れない。RTX 3060（12GB VRAM）でQ4_K_M量子化版が動作し、日本語チャットボットとして十分実用的な品質を出す。個人開発者やスタートアップがGPUコストを抑えつつ日本語AI機能を実装するなら、Qwen 3 8Bは最良の選択肢だ。
Qwen 3のリスクと注意点
中国製モデルに対する懸念は正直に記すべきだ。まずデータプライバシー。Qwen 3のAPIを使う場合、データがアリババクラウドの中国リージョンを経由する可能性がある。機密データを扱う場合はセルフホスティング一択だ。次にライセンス。Apache 2.0は制約が少ないが、米中関係の変化でモデル提供が制限されるリスクはゼロではない。KGAではQwen 3をセルフホスティングで運用し、モデルweightのローカルコピーを保持することでこのリスクを軽減している。