ドイツの研究コンソーシアムが、Soofi S 30B-A3Bというオープンな大規模言語モデルを公開した。これは、欧州のAIスタックにおける性能面の勝負手であると同時に、主権性のための一手として位置づけられている。The Decoderがこのモデルの事前学習報告書を引用して伝えたところによれば、このシステムはミュンヘンにあるDeutsche Telekomのインフラ上で完全に学習されており、英語やコーディングのタスクで競争力を失うことなく、ドイツ語で高い性能を発揮するよう設計されている。

この発表が重要なのは、欧州のオープンモデルの取り組みがしばしば二つの陣営に分かれてきたからだ。ひとつは、カバー範囲とガバナンスを重視する多言語の公共利益プロジェクト。もうひとつは、ベンチマークでは勝つものの、通常は米国や中国の研究所によって形作られるグローバルなオープンウェイトシステムだ。Soofi Sはそのギャップを埋めようとしている。コンソーシアムによれば、このモデルは現在、集計されたドイツ語・英語のベンチマークで完全オープンの競合群をリードしており、長いコンテキストでも効率的な推論を維持することを意図したアーキテクチャも採用している。

この組み合わせは、研究コミュニティを超えてこの公開を意味あるものにするかもしれない。企業の購入者にとって、Soofi Sは透明な学習文書を備えた地域インフラ上で動作できるモデルとして位置づけられている。開発者にとっては、オープンモデル競争が単なるパラメータ数から、データキュレーション、推論効率、法域コントロールの組み合わせへ移行しつつあることを示す、もう一つの兆候だ。

Soofi Sとは何か、誰が作ったのか

The Decoderによると、Soofi SはMixture-of-Expertsモデルで、総パラメータ数は316億だが、生成される各トークンで実際にアクティブになるのは約32億だけだ。コンソーシアムはこの疎な活性化パターンを反映して、このモデルをSoofi S 30B-A3Bと呼んでいる。実用上、これは少なくともトークン生成に関しては、密な30Bシステムよりもはるかに小さいモデルに近い計算プロファイルになり得ることを意味する。

このプロジェクトは、KI Bundesverband（ドイツAI協会）によって調整され、The Decoderが引用した報告によれば、ドイツ連邦経済・エネルギー省による欧州のIPCEI-CISプログラムを通じて資金提供を受けた。参加機関には、Fraunhofer IAIS、Fraunhofer IIS、DFKI、TU Darmstadt、ヴュルツブルク大学、L3S Research Center、ベルリン応用科学大学、Ellamind、Merantix Momentumが含まれる。

インフラ面はこの話の中心だ。The Decoderの技術報告の説明によれば、このモデルはミュンヘンのDeutsche Telekom Industrial AI Cloud上で学習され、3月から5月にかけて最大512台のNvidia B200 GPUを使って実行された。公開資料によると、この実行は約253,000 GPU時間を消費した。Deutsche Telekomの施設は、再生可能エネルギーで稼働し、運河水による冷却を行い、廃熱を周辺地区へ供給していると報告書では説明されているが、これらの持続可能性に関する詳細はプロジェクト自身の資料に基づくもので、独立検証されたものではない。

本当の製品ストーリーはアーキテクチャと学習上の選択にある

技術設計は、コンソーシアムが生のベンチマーク性能と同じくらいスループットを重視している理由を説明している。報告書によれば、Soofi SはNvidiaのNemotron 3 Nanoアーキテクチャを改変なしで採用し、Mamba-2層と従来のアテンション層を組み合わせたハイブリッド設計を使っている。

これは重要だ。長いコンテキストでの推論は、フロンティア級モデルを提供する際の最も高コストで運用上厄介な部分の一つになっているからだ。標準的なTransformerモデルは、コンテキスト長に応じて増大するキー・バリュー・キャッシュに依存する。入力が長くなり同時実行数が増えると、メモリ帯域幅とキャッシュ移動がボトルネックになる。The Decoderによると、Soofi Sの52層のうち、このキャッシュを維持するのは6層だけであり、長いプロンプト下でのスケーリングの仕方が変わる。

コンソーシアムは、40,000トークンのコンテキストと32の並列リクエストにおいて、Soofi Sは14Bから24Bの範囲の密なモデルよりも、GPUあたり毎秒約8倍多くのトークンを生成すると主張している。報告書ではまた、4,000トークンから256,000トークンまでスループットがほぼ横ばいであり、同様の挙動を示した測定済みモデルはAlibabaのQwen3.5 35B-A3Bだけだったとも述べている。これは、文書中心のワークフロー、検索パイプライン、あるいは大きな作業コンテキストを保持するエージェントシステムを構築する人にとって重要な主張だが、あくまでコンソーシアムが報告した測定であり、独立した第三者ベンチマークではない。

学習レシピも同様に注目に値する。コンソーシアムは、約27兆トークンを3段階で処理したとしている。第1段階は約20兆トークンで、Web、コード、数学、ドメイン特化テキストを広く含む。第2段階は約6兆トークンのより高品質なデータ。そして最後の短い段階は、最大100万トークンの文書でコンテキストウィンドウを拡張することを目的としていた。

Soofi Sが多くのオープンな競合と異なるのは、ドイツ語の比重が大きいことだ。The Decoderによれば、ドイツ語は第1段階で7.2％、第2段階で15.3％を占め、NvidiaのNemotron参照レシピで非英語言語全体が占める約5％を大きく上回った。学習データには、HPLT、German Commons、FinePDFs、FineWiki、商用のGeniosコーパスに加え、機械翻訳されたドイツ語テキストや合成ドイツ語テキストが含まれていたと報じられている。

ベンチマーク勝利には注意点がある

主張は明快だ。コンソーシアムは、Soofi Sが英語とドイツ語の総合ベンチマークスコアで、完全オープンな全モデルの中で首位に立っていると述べている。報告書によれば、Soofi Sが上回ったモデルには、Allen Institute for AIのOLMo 3 32Bや、ETH ZurichとEPFLのApertus 70Bが含まれる。また、比較スイートに含まれるすべてのドイツ語ベンチマークで、欧州の主権ベースラインを上回ったとも述べられている。

コーディングタスクでは、The DecoderによるとSoofi SはHumanEvalで73.8％、MBPPで70.2％、ドイツ語版MBPPで84.2％を記録した。ドイツ特有の地域知識のベンチマークであるINCLUDE-DEでは、Qwen3.5 35B-A3Bと61.2点で並んだという。報告書はさらに、Nemotronベースラインと比べて、ドイツ語中心のデータ配分により言語能力が15.1ポイント、GPQA-Diamondが9.6ポイント改善し、英語性能を損なわなかったと主張している。

これは、より広いテストで裏付けられるなら強力な結果だが、慎重に読むべきだ。このニュース群で利用できる証拠は、The Decoderがプロジェクトの事前学習報告書とWebサイト素材について報じたものに基づいている。ソース群には独立したベンチマーク監査はなく、スループットや品質の主張を外部が再現したものもない。

モデルには明確な弱点もある。The Decoderは、Soofi Sがドイツの競技数学で期待を下回り、Minerva MATH-DEで56点を記録し、Qwen3.5 35B-A3BとGemma 3 27Bの両方に後れを取ったと報じている。またNaturalQuestionsでも遅れを取り、その理由として著者は、より多くの事実知識を保持できるかもしれない密なモデルに比べてアクティブなパラメータ数が少ないことを挙げているという。

長文脈での挙動も一様に強いわけではない。RULERテストでは、長い文書内で頻繁に繰り返される単語を含む抽出タスクに苦戦したようだ。The Decoderの報告書要約によると、32,000トークンを超えるとヒット率は約3％まで落ちた一方、比較対象のNemotronモデルはなお約60〜64％を維持していた。著者らはこの差を、長文脈学習における合成的な抽出重視データの不足に起因するとしている。

オープンモデルだが、あらゆる定義でオープンというわけではない

The Decoderによれば、Soofi Sはモデル重み、一部の中間チェックポイント、学習・評価コード、詳細なデータ目録付きで公開される。この程度の開示は、「オープン」がしばしば、出所情報の限られたダウンロード可能な重みだけを意味する市場では重要だ。

コンソーシアムは、このパッケージがOpen Source InitiativeのOpen Source AI Definition 1.0を満たすと述べている。同時に、報告書は、学習ミックスの約1.3％が商用ライセンスのGeniosコーパス由来であるため、より厳格な提案中の欧州オープンデータ基準は満たさないことも認めている。チームによれば、データセットの約99％は独立に再構成可能だが、正確な公開ライセンスは報告時点でまだ最終決定されていなかった。

この細かな点は、企業調達や下流の製品チームにとって重要だ。オープンな重みとコード、文書があれば十分な利用者もいる。一方で、特に公共部門の購入者や、厳格な再配布・監査要件を持つ企業にとっては、未確定のライセンス詳細や商用ライセンスデータの混在は、意味のある制約のままであり得る。

これが開発者と企業購入者にとって重要な理由

AI開発者にとってSoofi Sから得られる主な教訓は、地域特化が今なお差を生みうるということだ。コンソーシアムは最大限の多言語性を追うのではなく、ドイツ語の品質に集中しつつ英語での広い実用性も維持したように見える。これは、規制産業、技術文書、顧客サポート、社内ナレッジワークフローを扱うチームにとって、普遍的なカバー範囲よりもローカル言語の性能が重要な場合に有効な実務戦略だ。

企業向けAI導入では、オープンな重み、ドイツ語向けに調整された性能、Deutsche Telekomのインフラ上での学習という組み合わせが、データ主権とソブリン・インフラを巡る明確な位置づけを与えている。これはコンプライアンスやリスクの懸念を自動的に解決するわけではないが、閉鎖的な米国プラットフォームや不透明なオープンウェイト公開の代替を求める組織にとって、より具体的な選択肢を作る。

アーキテクチャはベンチマークと同じくらい重要かもしれない。Soofi Sが実運用環境で非常に長いコンテキストでもスループットを維持できれば、文書レビュー、コーディング支援ワークフロー、大きな作業記憶を必要とするAIエージェントに役立つ可能性がある。しかし、その用途は、RULERで見られた抽出の弱さが顧客ワークロードにも現れるかどうかに左右される。長文脈モデルが速くても、長い文書内で重要な検索や抽出のタスクを見逃すなら、魅力は半減する。

証拠と主張

この話の実質的な証拠の大半は、コンソーシアムの事前学習報告書、プロジェクトサイト、主執筆者コメントについてのThe Decoderの報道に由来する。そのため、本記事の最も強い主張、すなわちベンチマーク首位、スループット向上、学習効率、オープンソース準拠については、独立に検証されたものではなく、プロジェクト報告ベースとして扱うべきだ。

利用可能なソースから確かだと思われるのは、公開の存在、モデルの基本アーキテクチャ、KI Bundesverband主導のコンソーシアムの関与、Deutsche Telekomインフラの使用、そして重み・コード・文書の公開だ。比較性能と運用上の利点は、外部ユーザーが再現可能な環境でSoofi SをOLMo 3 32B、Apertus 70B、Qwen3.5 35B-A3B、Gemma 3 27B、Nvidia Nemotronと比較して初めて、より確かなものになる。

次に注目すべき点

最初に注目すべきシグナルはライセンスだ。具体的な公開条件によって、Soofi Sが主に研究成果物なのか、それとも商用製品チーム向けの実用的なベースモデルなのかが決まる。

次に、独立したベンチマークと推論テストを探すべきだ。HumanEval、MBPP、長文脈ワークロード、そしてドイツ語の企業文書タスクに関する外部比較は、プロジェクト自身が公表するランキングよりも重要になる。

第三に、コンソーシアムは技術文書、コード生成、エージェントベースのシステムに関する次段階の産業パートナーを探しているという。そうした分野での実運用事例は、ベンチマーク勝利だけよりも強い証明になる。

最後に、Soofi Sが他の欧州ソブリンAIの取り組みのひな形になるかどうかに注目したい。地域データの重み付け、透明な報告、効率的な長文脈設計の組み合わせが有用だと示されれば、今後のオープンモデルがローカルクラウド基盤上でどう構築されるかに影響を与えるかもしれない。

Creati.aiの視点

Soofi Sが注目に値するのは、欧州がまた一つオープンモデルを出したからではなく、チームが多くの公共利益系AIプロジェクトよりも、より明確なプロダクト判断を行ったように見えるからだ。特定の言語市場を選び、オープンな文書化に踏み込み、長文脈コストという実際の提供課題に最適化したアーキテクチャを採用した。

未解決なのは、そうした設計判断が採用につながるかどうかだ。企業向けAIの購入者は、ライセンスの明確さ、ベンチマークの信頼性、そして混沌とした本番ワークロード下での運用挙動を重視する。Soofi Sが主権インフラ上で、ドイツ語文書パイプラインやコーディング支援シナリオで安定した性能を示せるなら、象徴的な欧州の代替以上の存在になり得る。そうでなければ、商業的な牽引力が限定された、印象的な研究公開にとどまるかもしれない。