
楽天AI3.0がDeepSeek-V3のファインチューニング(LoRA)適用モデルとほぼ検証されてしまった件
今回の仕切り線以下のDeepResearch出力は、たまたまMicrosoft Copilotの枠が無料5回分空いていたので、それで実行しました。Geminiと比較するとこちらの方がいいような印象を持ったのですが、たぶんCopilotで実行するのは初めてなので大きなことは言えません。とりあえず、PDFとDOCXというごく標準的なエクスポートに対応しているので、助かります。
例の国産AIプロジェクトGENIACの成果として、楽天AI3.0だけが、タイトルのような結果になってしまいました。各所で疑いをかけられて炎上していましたが、以下が頻繁に引用されている文献[14]に相当する記事で、これによってほぼ検証済みとなり落胆とともに沈静化しました。
ただ、エックス上では、以下の楽天AIブラウザ版、同アプリ版といったスクショが散見されたので、補足しておきます。以下の記事で記したように、当初GPT-4 Turboを自称しました。その後、規約でOpenAIの名称が確認できたので、OpenAI系の別物です。現時点では、決して蒸留とか量子化とかしてリソース節約しながら、楽天AI3.0を提供しているわけではありません。
もう、仕切り線以下の出力で丁寧に解説されているので、付記するとすれば、個人的に落胆したのは、HuggingFaceのRakutenのリポジトリ(?)への貢献者、確認した時点で20名だったものを確認したところ、一人も日本人と断定できる名前は含まれていませんでした。なお20名の中で実際にRakuten AI 3.0のHuggingFaceへの登録を行ったリーダーらしき方は、楽天のシンガポール開発拠点所属でした。
……これ、実際には国外で開発した国産ぽいAI?…というのが私の落胆ポイントでした。その時点では、まだ検証記事が出ていなかったので、楽天AIブラウザ版に調べさせた範囲では、アーキテクチャとしてDeepSeek-V3を用いているのは確定だけど、モデルの重みに関しては、疑いは濃厚だけど私自身での検証は技術的装置的にムリなので、もやっと感はありました。
約1年前にRakuten AI 2.0-8x7B(MoEのため掛け算にて56Bパラメータ相当らしい)をリリースして以来、約1年で10倍の約700Bを完成域にした例は、過去にニュースとして出たのはDeepSeekぐらいしかないため、規模感で考えても、やはりDeepSeekぽいが、モデルの重みを継承したというには、当初Apache2.0ライセンスとしか記されていないので、違和感だらけでした。
そもそも楽天は社内公用語として英語を指定して議論になっていたと記憶しているので、特定のプロジェクトで日本人が含まれないこともあるでしょう。でも、これは国産AI開発を売りにした国費を投じたプロジェクトでしたので、検証結果が出たときには、逆に、約10日前に発表されたデジ庁の行政AIである源内の7候補に入らなくてよかったな、というか、よくわからないけど、入らないタイミングでリリースしたのかもしれません。
深堀りしてみると、公的資金の投入としては開発段階ではGPUリソースとしていわば現物支給に近い形態であって、その規模も皮肉なことに米中での開発競争と比較すると大きいと言えるわけではないようです。なお、以下の84億円は円安進行前と思われるので、実質は海外のGPUリソースを使う限り、それでは済んでいないとみられます。
3日後の24日に既に成果を認められている企業の中からの懸賞金方式という、企業に対する成果主義を導入した総額約8億円の受賞が決まるようです。言ってみれば、GENIACは加速させるための比較的予算を抑えた布石であって、2026年度には高市内閣によって経産省だけで1兆円を超える額が半導体AI関連に投入されることになったということのようです。
https://toyokeizai.net/articles/-/926558(このURL、いま、なぜかカードとして表示されません💦)
……AIに国産という名前がつくと、これだけ話が複雑化するのに、調べていて正直おどろきました。🙇
Rakuten AI 3.0とDeepSeek-V3の依存関係に関する総合調査報告
はじめに
2026年3月、楽天グループ株式会社は国内最大規模の大規模言語モデル(LLM)「Rakuten AI 3.0」を発表し、オープンウェイトモデルとしてHugging Face上で公開しました[1][2]。本モデルは経済産業省・NEDOのGENIACプロジェクト支援の下で開発され、日本語に最適化された約7,000億パラメータのMixture of Experts(MoE)アーキテクチャを採用しています。発表直後から、技術コミュニティでは「Rakuten AI 3.0は中国DeepSeek社のDeepSeek-V3をベースにしているのではないか」という疑問と検証が急速に広がりました[3][4]。
本報告書では、Rakuten AI 3.0とDeepSeek-V3の関係性について、公式声明、技術文書、ファイル・重みレベルの検証、ライセンス・法的観点、GENIACプロジェクトの透明性要件、セキュリティ・運用面の論点まで、国内外の多様な情報源をもとに徹底的に分析します。特に、依存関係が直接的か部分的か、またはインスピレーションに留まるのか、どのような技術的・運用的・法的含意があるのかを明確にします。
1. Rakuten AI 3.0の概要と開発背景
1.1 モデルの基本仕様と開発経緯
Rakuten AI 3.0は、約7,000億パラメータ(671B)のMixture of Experts(MoE)アーキテクチャを採用した大規模言語モデルです。推論時には約37B-40Bのパラメータが活性化されることで、巨大な知識量と計算効率を両立しています[5][2]。コンテキスト長は最大128Kトークン、推論精度はFP8(e4m3)を中心に、bfloat16やfloat32もサポートされます。
開発は経済産業省・NEDOが推進するGENIACプロジェクトの第3期採択案件として進められ、楽天社内のマルチノードGPUクラスター上で大規模な分散学習が実施されました。学習には楽天独自の高品質な日英バイリンガルデータが用いられ、日本語の文脈や文化的知識に特化したファインチューニングが施されています[6][7]。
1.2 公開・運用形態
Rakuten AI 3.0はApache 2.0ライセンスでHugging Face上に無償公開されており、商用利用やローカル運用が可能です。推論にはSGLangやvLLM、TensorRT-LLMなどの最新推論エンジンが推奨されており、OpenAI互換APIサーバーとしての運用もサポートされています[8][9]。
2. DeepSeek-V3の技術的特徴と公開状況
2.1 DeepSeek-V3のアーキテクチャと性能
DeepSeek-V3は中国DeepSeek社が2025年に公開したオープンソースの大規模言語モデルで、総パラメータ671B、推論時アクティブパラメータ37B、コンテキスト長128Kという仕様を持ちます[10][11]。アーキテクチャはMulti-head Latent Attention(MLA)とDeepSeekMoEを組み合わせ、補助損失なしのロードバランシング戦略やMulti-Token Prediction(MTP)など、効率的な大規模学習と推論を実現しています。
トレーニングは14.8兆トークンの多様なデータで事前学習され、FP8混合精度トレーニングやDualPipeアルゴリズムによる通信最適化など、コスト効率と安定性が重視されています。ベンチマークではMMLU 88.5、HumanEval 65.2、MATH 61.6など、オープンソースモデルとしては最高水準の性能を示しています[10]。
2.2 ライセンスと公開範囲
DeepSeek-V3はMITライセンス(コード)および独自のDeepSeek Model License(モデルウェイト)で公開されており、商用利用・改変・再配布が広く許可されています。ただし、モデル配布時には著作権表示やライセンス文書の同梱が義務付けられています[12][13]。
3. ファイル・重みレベルの技術的検証
3.1 config.json・トークナイザーの一致
Rakuten AI 3.0のHugging Faceリポジトリ内config.jsonには、"model_type": "deepseek_v3"と明記されており、hidden_sizeやnum_hidden_layersなど全てのアーキテクチャパラメータがDeepSeek-V3と完全一致しています[14]。また、tokenizer.jsonのSHA256ハッシュ値もDeepSeek-V3と完全一致していることが独立した技術者によって検証されています。
3.2 重み(テンソル)レベルの類似度分析
10,929個のテンソル(全61層×20ファイル)を比較した結果、平均コサイン類似度は99.94%に達し、85.82%のテンソルで0.999超の極めて高い一致率が確認されています。MLP層やLayerNormはほぼ完全一致、Attention層はLoRA適用部分で97-98%の高類似度となっています[14]。
3.3 LoRA適用とファインチューニングの実態
Rakuten AI 3.0はDeepSeek-V3の重みを凍結し、Q(Query)およびKV(Key/Value)プロジェクションにLoRA(Low-Rank Adaptation)パラメータを追加学習した構成であることが判明しています。LoRAパラメータはQ:KV=3:1の戦略的ランク配分で、全体のパラメータのうち約4.4%(22億パラメータ)が追加学習対象となっています[15][16]。
LoRAパラメータは通常、アダプタとして分離配布されることが多いですが、Rakuten AI 3.0ではLoRA差分を元の重みと統合済み(merge)した状態で配布されており、ユーザーは特別なLoRAアダプタを意識せずに利用できます。これは運用上の利便性を高める一方、元モデルの実質的な改変物として法的・倫理的な位置づけが問われる要素となっています[16]。
4. 公式声明・技術文書における依存関係の記述
4.1 楽天公式プレスリリース・技術資料
楽天の公式プレスリリースや技術資料では、「オープンソースコミュニティ上の最良なモデルを基に、楽天独自の高品質なバイリンガルデータ、技術力および研究成果によって開発」と記載されており、DeepSeek-V3の名称や中国製モデルであることへの明示的な言及はありません[6][2]。
一方、Hugging Faceリポジトリのconfig.jsonやNOTICEファイルには「deepseek_v3」やMITライセンス条文(Copyright (c) 2023 DeepSeek)が記載されており、技術者がリポジトリを確認すればベースモデルがDeepSeek-V3であることは一目瞭然です[3][4]。
4.2 技術コミュニティ・独立検証レポート
技術コミュニティや独立した検証レポートでは、「Rakuten AI 3.0はDeepSeek-V3をベースにLoRAファインチューニングを施したモデルである」と明確に結論付けられています。ファイル・重みレベルの一致、LoRAパラメータの検出、アーキテクチャ設定の完全一致など、複数の独立した証拠が提示されています[14][4]。
5. 依存関係の性質と範囲
5.1 直接的な基盤モデル依存
Rakuten AI 3.0は、DeepSeek-V3のモデル構造・重み・トークナイザーをほぼそのまま継承し、LoRAによる追加学習を施した「直接的な基盤モデル依存型」のモデルです。これは、ゼロからの独自開発や部分的なインスピレーションとは明確に異なり、DeepSeek-V3の成果物を土台としていることが定量的に裏付けられています[14][3]。
5.2 LoRA適用範囲と独自性
独自性は主にLoRAパラメータによる日本語特化ファインチューニングにありますが、全体のパラメータ比で見ると約4.4%に留まります。ベースモデルの知識・構造・性能の大部分はDeepSeek-V3由来であり、楽天独自の貢献は追加学習部分に限定されます[14]。
5.3 代替モデル・他の構成要素の有無
現時点でRakuten AI 3.0がDeepSeek-V3以外のベースモデルや追加コンポーネントを利用している証拠はありません。アーキテクチャ・重み・トークナイザー・設定ファイルの全てがDeepSeek-V3と一致しており、他モデルとのハイブリッドや独自実装は確認されていません[14]。
6. ライセンス・法的・倫理的観点
6.1 DeepSeek-V3のライセンス構造
DeepSeek-V3はMITライセンス(コード)および独自のDeepSeek Model License(モデルウェイト)で公開されています。MITライセンスは著作権表示・ライセンス文書の同梱を義務付けるのみで、改変・商用利用・再配布が自由です。DeepSeek Model Licenseも商用利用を許可しますが、著作権表示・ライセンス文書の保持、利用制限(違法行為・差別等の禁止)などが求められます[12][13]。
6.2 Rakuten AI 3.0のライセンス表示と適合性
Rakuten AI 3.0はApache 2.0ライセンスで公開されていますが、初期公開時にはMIT由来の著作権表示やDeepSeek-V3への明示的なクレジットが欠如していたことが指摘されています。後にNOTICEファイルでMIT条文が追加されましたが、依然として「Based on DeepSeek-V3」等の明確な表記は見当たりません[4]。
MITライセンスの要件を厳密に解釈すれば、元著作権表示・ライセンス文書の保持は必須であり、派生物としての独立性を過度に主張することはコミュニティ的にも望ましくありません。法的にはグレーゾーンですが、倫理的・慣行的にはより明確なクレジット表記が推奨されます[17]。
6.3 LoRA適用モデルの法的位置づけ
LoRAによるファインチューニングモデルは、元モデルの重みを凍結し差分のみを追加学習するため、アダプタ単体配布なら独立性を主張しやすいですが、Rakuten AI 3.0のようにLoRA差分を統合済みで配布する場合は「元モデルの実質的改変物」と見なされる可能性が高いです[16]。
7. GENIACプロジェクトと透明性・説明責任
7.1 GENIACプロジェクトの概要と要件
GENIAC(Generative AI Accelerator Challenge)は、経済産業省・NEDOが主導する日本の生成AI基盤モデル開発力強化プロジェクトであり、計算資源・資金の提供とともに、開発ノウハウや成果の公開、技術的貢献の明示、社会還元を義務付けています[18][6]。
7.2 楽天AI 3.0の透明性と説明責任
GENIAC支援案件として開発されたRakuten AI 3.0には、より高い水準の透明性と説明責任が求められます。しかし、公式発表ではベースモデルの出自や技術的関係性が曖昧にされており、他の採択企業が基盤モデルや技術手法を明示しているのと比較して、情報開示の水準に課題があると指摘されています[4]。
納税者の資金が投入されたプロジェクトである以上、技術的成果の背景や基盤技術の活用方法について、より詳細で透明な説明が期待されます。
8. セキュリティ・データ主権・運用上の論点
8.1 中国製モデル利用のリスクと対策
DeepSeek-V3は中国企業が開発したモデルであり、中国の国家情報法やデータセキュリティ法によるリスクが指摘されています。特にクラウドAPI経由での利用時には、データが中国サーバーに送信される懸念があるため、機密情報を扱う企業や政府機関では慎重な運用が求められます[19]。
一方、オープンウェイトモデルをローカルサーバーや社内GPUで運用する場合、データは外部に出ず、情報漏洩リスクは運用次第で最小化できます。楽天API経由の場合も、サーバーは楽天管理下にあるため、中国直結のリスクは低いとされています[9]。
8.2 バイアス・文化的適合性
DeepSeek-V3ベースのモデルは、初期状態では中国寄りのバイアスや検閲挙動が指摘されていますが、楽天独自の日本語データでファインチューニングすることで、バイアスは大幅に軽減されていると報告されています。実運用では「日本視点で回答せよ」等のプロンプト工夫や、出力検証ルールの徹底が推奨されます[13]。
8.3 運用・インフラ要件
Rakuten AI 3.0のような7000億パラメータ級MoEモデルを運用するには、NVIDIA H100/A100 80GB×8-16台規模のGPUクラスタや、1TB超のVRAMが必要となります。量子化(GPTQ/AWQ)による軽量化や、vLLM・SGLang等の推論エンジンの活用が現実的な運用の鍵となります[8][9]。
9. 比較表:DeepSeek-V3・Rakuten AI 3.0・他主要モデル
表の解説:
Rakuten AI 3.0はアーキテクチャ・パラメータ・コンテキスト長・推論精度など、DeepSeek-V3と完全一致しています。独自性は主に日本語特化のLoRAファインチューニングと楽天独自データの利用にあります。他の国産モデル(Stockmark, ABEJA等)はQwenやLlama系をベースに独自ファインチューニングを施していますが、規模や日本語性能ではRakuten AI 3.0が現時点で国内トップクラスと評価されています[6][7]。
10. 再現性・検証リソース
Rakuten AI 3.0とDeepSeek-V3の関係性検証に用いられた全てのコード・データ・スクリプトはGitHub上で公開されており、第三者による再現検証が可能です。10,929テンソルの比較結果や類似度分布プロット、LoRAパラメータ検出スクリプトなどが提供されています[14]。
11. 技術的・運用的評価と今後の課題
11.1 技術的評価
Rakuten AI 3.0は、DeepSeek-V3クラスの巨大モデルに対してLoRA技術を適用し、日本語特化のファインチューニングを効率的に実現した点が高く評価されます。Q:KV=3:1のLoRAランク配分やFP8量子化との組み合わせ、重み統合済み配布による運用最適化など、実用性を重視した設計が特徴です[14]。
11.2 透明性・クレジット表記の課題
一方で、ベースモデルの出自や技術的関係性の明示、元著作権表示の保持、GENIACプロジェクトとしての説明責任など、透明性・倫理的配慮の面で課題が残ります。特に公的資金支援案件としては、より明確な情報開示とクレジット表記が求められます[4]。
11.3 セキュリティ・データ主権・サプライチェーンリスク
中国製モデルベースのAI利用には、データ主権やサプライチェーンリスクへの配慮が不可欠です。ローカル運用や出力検証ルールの徹底、社内ポリシーの策定、複数モデルの併用など、現実的なリスク低減策が推奨されます[19]。
12. 結論と提言
12.1 総合結論
Rakuten AI 3.0は、DeepSeek-V3を直接的な基盤モデルとし、LoRAによる日本語特化ファインチューニングを施したモデルであることが、ファイル・重み・アーキテクチャ・トークナイザーの全レベルで定量的に確認されました。
独自性は主に追加学習部分に限定され、全体のパラメータ比で見ると約4.4%に留まります。公式発表ではベースモデルの出自が曖昧にされており、透明性・クレジット表記の観点で課題が残ります。
12.2 今後の課題と提言
透明性の向上とクレジット表記の徹底:
公的資金支援案件やオープンソースコミュニティの慣行に則り、「Based on DeepSeek-V3 (MIT License)」等の明確な表記、元著作権・ライセンス文書の保持、技術的関係性の説明が強く推奨されます。
ライセンス遵守と法的リスク管理:
MITライセンスやDeepSeek Model Licenseの要件を厳密に遵守し、派生物としての配布時には適切な表示・文書同梱を徹底する必要があります。
セキュリティ・データ主権への配慮:
ローカル運用や出力検証、社内ポリシー策定など、現実的なリスク低減策を講じることが重要です。
技術的成果の正当な評価と社会還元:
巨大モデルへのLoRA適用や日本語特化ファインチューニングの技術的成果は高く評価されるべきですが、その背景となる基盤技術へのリスペクトと社会的説明責任を両立させる姿勢が求められます。
おわりに
本報告書は、Rakuten AI 3.0とDeepSeek-V3の関係性について、技術的・法的・運用的観点から徹底的に検証し、現時点で入手可能な最も信頼性の高い知見をまとめました。今後もモデルの透明性・説明責任・ライセンス遵守がAI業界全体の健全な発展に不可欠であることを強調し、楽天社を含む全ての開発者・運用者に対して、より誠実な情報開示と社会的責任の遂行を期待します。
References (25)
1. Rakuten AI 3.0 Now Available, Japan’s Largest High .... https://global.rakuten.com/corp/news/press/2026/0317_01.html
2. RakutenAI-3.0公開開始. https://note.com/makokon/n/n6d194afacf11
3. Rakuten AI 3.0 DeepSeek V3 由来判明、ライセンス対応に批判. https://aitoolsbee.com/ja/news/rakuten-ai-3-0-deepseek-v3-%e7%94%b1%e6%9d%a5%e5%88%a4%e6%98%8e%e3%80%81%e3%83%a9%e3%82%a4%e3%82%bb%e3%83%b3%e3%82%b9%e5%af%be%e5%bf%9c%e3%81%ab%e6%89%b9%e5%88%a4/
4. 楽天AIはDeepSeekベース?透明性問題と国産AIの行方.(掲載制限によりURL削除💦ググってください🙇)
5. Rakuten AI 3.0のconfig.jsonを開いたらDeepSeek V3が出てきた .... https://qiita.com/GeneLab_999/items/98ee926b81df797a202c
6. 楽天、「GENIACプロジェクト」の一環として国内最大規模の新た .... https://corp.rakuten.co.jp/news/press/2025/1218_01.html
7. Rakuten AI 3.0の技術アーキテクチャ完全解説:MoEで実現 .... https://www.oflight.co.jp/ja/columns/rakuten-ai-3-architecture-moe-explained
8. Practical Guide to Deploying Rakuten AI 3.0 from Hugging Face. https://www.oflight.co.jp/en/columns/rakuten-ai-3-huggingface-deployment-guide
9. 【検証】Rakuten AI 3.0はなぜ選ばれるのか?導入コストと .... https://aiagent-navi.com/generation-ai/rakuten-ai-3-how-to-use-2/
10. deepseek-ai/DeepSeek-V3 · Hugging Face. https://huggingface.co/deepseek-ai/DeepSeek-V3
11. DeepSeek-V3/README_WEIGHTS.md at main - GitHub. https://github.com/deepseek-ai/DeepSeek-V3/blob/main/README_WEIGHTS.md
12. License Information . https://deepwiki.com/deepseek-ai/DeepSeek-V3/9-license-information
13. DeepSeekのオープンソース戦略完全解説 . https://craftai.jp/deepseek-opensource/
15. Merging LoRA Weights: Technique & Impact. https://apxml.com/courses/lora-peft-efficient-llm-training/chapter-4-advanced-lora-variants/merging-lora-weights
14. GitHub - hama-jp/RakutenAI_Report. https://github.com/hama-jp/RakutenAI_Report
16. LoRA Merge Combine Multiple Models Guide 2025 - Apatero .... https://www.apatero.com/blog/lora-merge-combine-multiple-models-guide-2025
17. AIでコードを再構築することが容易になったことで「コードを .... https://gigazine.net/news/20260310-legal-legitimate/
18. 楽天、「GENIACプロジェクト」の一環として開発された国内最大 .... https://corp.rakuten.co.jp/news/press/2026/0317_01.html
20. GENIAC (METI/経済産業省). https://www.meti.go.jp/policy/mono_info_service/geniac/index.html
19. DeepSeekとは?. https://www.trendmicro.com/ja_jp/jp-security/25/c/expertview-20250325-01.html