Solar Open 2 250B：フロンティアエージェントのスコア、実行環境なし

のHugging Faceカードは、Solar Open 2 250B 250Bサービングコマンドを提示しますが、そのコマンドは動作しません。vLLMに対して、solar_open2 という名前の推論パーサー、solar_open2 という名前のツール呼び出しパーサー、そして SolarOpen2TemplateLogitsProcessor と呼ばれるロジットプロセッサーを要求します。これら3つは、リリースされた vLLM のどのバージョンにも存在しません。このアーキテクチャのサポートは、Upstage が7月22日にウェイトを公開してから2週間後の8月5日に、未マージのプルリクエストとしてメインラインに現れました。このギャップは、今もなお Solar Open 2 に関する最も興味深い事実であり、どの発表記事もベンチマーク表を優先して省略した部分です。そこで、ここに別バージョンを示します。Upstage が実際に何をリリースしたのか、自社の数値が何を立証し、何を立証しないのか、現在記録にある唯一の外部スコアが何を変えるのか、そして、このモデルから1トークンを引き出すには何が必要なのか — 比較対象は DeepSeek V4 Flash、Upstage が主要な基準として選んだモデルです。

Upstageが実際にリリースしたもの

以下はすべて、リポジトリ自身のconfig.jsonとSolar Open 2テクニカルレポート（arXiv 2607.20062）に由来しています。一次情報源ではありますが、あくまでベンダー側の一次情報源です。このモデルについて独自の測定値を発表した独立した研究所はありません。現在、外部の数値が1つ浮上しています。政府の第2回評価におけるArtificial Analysis Intelligence Indexスコア37という報道された数値です。これは再現されたものではなく報道されたものであるため、以下のベンチマークセクションで独立した段落を割り当てています。

• サイズ — パラメータ総数250,287,794,944、トークンあたり約15Bがアクティブ

• スパース性 — 320個のルーティングエキスパートと1個の共有エキスパートを備え、トークンごとに上位8個がルーティングされます。first_k_dense_replaceは0に設定されており、混合はレイヤー0から始まり、同等のMoE設計が通常保持するデンスのウォームアップ層は一切使用されません。

• Shape — 48層、隠れサイズ4096、ヘッド次元128、64個のクエリヘッドに対して8個のキー/バリューヘッド

• 注意 — インデックス0、4、8、…、44の12層はsoftmax（GQA）注意です。残りの36層は線形注意です。スタックの4分の3にはsoftmaxが含まれていません。

• 位置 — use_rope は false です。位置エンコーディングは一切ありません。

• コンテキスト — max_position_embeddings は 1,048,576

• 語彙 — 196,608トークン（英語、韓国語、日本語）

• 重み — bfloat16、計算すると500.6 GBになります。これは2502.9億パラメータ×2バイトに相当し、Nota AIが非量子化モデルについて報告しているフットプリントと一致します。

• トレーニング — 報告書によると約11.9Tトークン: 一般的な事前学習が10T、厳選された高品質サブセットが1T、長さ拡張用が0.9T。明記されている実データ対合成データの比率は4:6で、英語が80%以上、数学とコードがそれぞれ最低15%を占める。

• ライセンス — 条件付きの Upstage Solar License（下記参照）

前身のSolar Open 1は、1月にリリースされた100Bモデルでした。Solar Open 2は、そのリフレッシュ版というよりも、むしろ別物です。

アーキテクチャこそが本当の物語だ。

レイヤーパターンは、1つのソフトマックスレイヤーとそれに続く3つの線形アテンションレイヤーからなり、これを12回繰り返します。この点はすでに報告されています。しかし、どの線形アテンションを使用するのか、そしてそれがなぜ重要なのかは、報告されていません。

線形層はKDA — Kimi Delta Attention、すなわちMoonshot AIがKimi Linear向けに導入したメカニズムです。Upstageは新しい線形アテンションを考案したのではなく、他社のものを採用して1点だけ変更しました。その変更は設定上、kda_allow_neg_eigvalがtrueに設定されていることで確認でき、レポートはそれがもたらす効果を説明しています。標準のKDAは状態遷移の固有値を[0,1]の範囲に制約するため、各ステップではリカレント状態に加算するか減衰させることしかできません。このフラグを設定すると、書き込み強度がbeta = 2·sigmoid(·)、すなわち(0,2)の範囲に広がり、これにより固有値は[-1,1]まで拡張されます。各ステップで、既に格納されている値の符号を反転できるようになります。平たく言えば、状態は単に蓄積するだけでなく、自己修正が可能になります。これは、多数のツール呼び出しにわたる長いエージェントの軌跡を維持するためにUpstageが明示したメカニズムです。

この12個のsoftmax層は、要素単位のシグモイド出力ゲートを備えたGQAであり（コンフィグではuse_gqa_gateがtrue）、レポートでは非線形性を追加しアテンションシンクを抑制するものとして評価されている。

そして、RoPEが存在しない理由は線形層に起因する。リカレント状態はトークンの順序を本質的に符号化するため、報告書は位置エンコーディングを完全に削除し、学習した長さ分布に束縛されなくなることを主張している。この枠組みでは、RoPEは外挿を制限するものであり、それを取り除けば、上限はもはや学習データの関数ではなくなる。

1Mという数字は設計上の主張であり、測定値ではありません。

その議論は洗練されており、1Mトークンという見出しの根拠のすべてでもある。テクニカルレポートには、RULERも、needle-in-a-haystackも、いかなる種類の長文コンテキスト評価スイートも掲載されていない。ウィンドウはアーキテクチャから論じられているだけで、ベンチマークで実証されてはいない。一方、我々が見つけ得た唯一の公開導入事例であるBackend.AI（2台のDGX Sparkシステム間で量子化モデルを提供する）は、max-model-lenを1,048,576ではなく200,000に設定していた。アーキテクチャ上の上限は実際に存在するのかもしれない。500Kや1Mトークンでどの品質が保たれるかは、論文には単に書かれていないのである。

効率性の主張には同じ但し書きが付く。レポートは、ハイブリッドスタックが1Mコンテキストでオールソフトマックススタックの約4分の1のメモリと計算量しか必要としないこと、また別途、ハイブリッド設計がMMLUにおいてオールソフトマックスよりも約3.2倍少ないトレーニングトークンで目標損失に到達したことを述べている。どちらもUpstage自身の数値だ。スループットやレイテンシーの数値は一切公開されていない。

ベンチマークカードを正直に読む

英語スイートでは、DeepSeek V4 Flash と比較して、Solar Open 2 250B は MMLU-Pro で 86.2 対 85.9、LiveCodeBench v6 で 92.4 対 92.3 を記録しているが、その差はスコアリングノイズにすぎないほど小さい。次に、APEX-Agents では 16.6 対 13.2 を記録しており、これが唯一の実質的な差であり、当然のことながら Upstage がリードする数字でもある。

損失は同じレポートに記載されているが、注目度は低い。SWE-Bench Verified: 70.4 対 73.8。GDPval-AA v2、ELO: 1128 対 1187。Terminal Bench Hard: 28.3、MiMo-V2.5 の 41.7 に対して。ArtifactsBench: 55.9、両方のフロンティアベースラインに及ばない。アップステージの功績として、レポートはこれらのギャップとその指す先—リポジトリレベルおよびターミナルレベルのソフトウェアエンジニアリング、オフィス成果物における数値精度—を挙げており、埋もれさせていない。

実際に印象的なのは内部比較です。Solar Open 1 と比べると、LiveCodeBench v6 は 56.5 から 92.4 へ、SWE-Bench Verified は 15.4 から 70.4 へ、APEX-Agents は 2.4 から 16.6 へ向上しています。直接対決の結果をどう解釈するにせよ、これは6か月での真の世代飛躍です。

韓国語では、スイート全体の平均は 85.4 で、DeepSeek V4 Flash の 84.9 に対して優位——だが、その平均が数字を支えている。Solar Open 2 250B は KMMLU-Pro（78.4 対 78.9）と Ko-AIME'25（97.7 対 98.0）で敗れ、Ko-GDPval（86.8 対 85.0）で勝利している。そのリードは知識や数学によるものではなく、成果物（deliverable）ベンチマークによるものだ。

そして、最も遠くまで伝わった主張に話を移そう。それは、Solar Open 2 250Bが、その6倍以上の規模のモデルに匹敵するというものだ。その根拠はKo-GDPvalで、同ベンチマークでは86.8を記録し、DeepSeek-V4-Proの86.9に迫る。これは韓国語のベンチマーク1件であり、対決での勝利というよりは引き分けに近い。一方、英語スイートでは、V4-Proの小型版がすでにSWE-Bench VerifiedでSolar Open 2 250Bを上回っている。1つのベンチマークをもって、サイズ効率の法則に一般化することはできない。関連する注意点として、APEX-Agentsのベースライン数値は、論文と二次情報で若干異なる（同じモデルで13.2対13.4）。したがって、その順位は厳密なものではなく、方向性を示すものとして捉えるべきだ。

嗜好性に関しては、835件の韓国語会話を対象としたブラインドペアワイズテストで、Solar Open 2 250Bが44.1%対26.6%でリードした。レポートは、その整合性と誠実性における勝利を、追加の安全性トレーニングではなく文化的基盤に帰している。注目に値するのは欠けている点である。このレポートには、いかなる種類の定量的な有害性評価、拒否評価、ジェイルブレイク評価も一切含まれていない。

Hugging Faceカードはその後、評価結果セクションにさらにいくつかの数値 — GPQA Diamond 86.3、HLE 28.8、MathArena AIME 2026 95.7 — が追加されました。しかし、これらは独立した実行からではなくモデルカード自体から抽出されたものであるため、上記のすべてと同じラベルが付いています：Upstageの数値であり、再現されていません。

Upstageのラボに由来しない外部の数字が1つ、今になって浮上した。8月13日、韓国の金融メディア（Edaily、Seoul Economic Daily、ITDaily、iNews24がすべて同じ数字を報じた）は、政府のソブリンAIプログラムの第2回評価スコアを報じた。これはArtificial Analysisのインテリジェンス指数（AAII v4.1.1）で測定されたもので、Motif 3が47、Solar Open 2 250Bが37、SK TelecomのA.X-K2が35、LG AI ResearchのK-EXAONE 2.0 0803が31だった。この37により、Solar Open 2 250Bは韓国の4ファイナリスト中2位となり、Motif 3に10ポイント差をつけられた。正確に言えば、これは報道による数字だ。このスコアはArtificial Analysis自身のリーダーボードには載っておらず、同モデルに対してはまだ何も表示されない。また、同じ報道はAAIIに韓国語ベンチマークが含まれていないことも指摘している。これは、国内での実績が売りの中心であるモデルにとって、まさに盲点である。しかし、これはSolar Open 2 250Bに関する、Upstageに由来しない初めての評価であり、この記事の他の内容とも一致している。つまり、エージェントとデリバラブルのスコアは強いが、それ以外の多くはベンダー外部の誰にもまだ実証されていない。

なぜ誰もそれを標準ソフトウェアで提供できないのか。

モデルカードは、どんな解説よりもストーリーを物語っている。先月のダウンロード数は26,000を超え、743件のいいね、16件のコミュニティ量子化、3件のファインチューンが並ぶ。そしてInference Providersボックスには、「このモデルはどのInference Providerによってもデプロイされていません」という行が今も残り、プロバイダーサポートを求めてカードに問い合わせている人々が十数人リストアップされている。本物の関心はあるのに、ホストされたエンドポイントはゼロ。

動作中のデプロイメントを辿っていくと、すべてが一つのフォークに辿り着く。Nota AIのNVFP4ビルドは、インストール先をgit+https://github.com/UpstageAI/vllm.gitのタグv0.22.0-solar-open2に固定している——これはUpstage自身のvLLMだ。Backend.AIのDGX Sparkに関する解説記事では、そのフォークに加えてパッチ適用済みのFlashInferが必要だった。なぜなら、アップストリームのFlashInferにはエキスパート並列（expert-parallel）のサポートがなく、compressed-tensors形式も受け入れなかったからだ。

Mainlineサポートは、vllm-project/vllmに対するpull request 51129であり、8月5日にoesniというコントリビューターによって開かれました。これはまだオープンのままです。8月10日にmergifyがコンフリクトをフラグ立てしたため、このPRには現在needs-rebaseラベルが付与され、まだレビュー待ちの状態です。そのPRが構築しなければならなかったものこそ、このモデルの難しさについて公に存在する最も正直な説明です。

• 新しいsolar_open2.py内のSolar専用KimiGatedDeltaAttention層。負の固有値変更から2·sigmoid(b)ベータを引き継いでいます。

• オペレーション vllm::solar_open2_kda_attention は CUDA グラフ分割演算子として登録されています。

実プリフィルがこのウォームアップなしでは約23%遅くなっていたため、プロファイル時のKDAプリフィルウォームアップ（最大2048トークン）が特別に追加された。

• ストリーミングモードと非ストリーミングモードの両方に対応した、推論出力およびツール呼び出しのパーサー

• 8×B200上でのサービング検証：KVキャッシュのランクあたり107.02 GiBを報告、463件のユニットテスト合格と併せて

これらはPR作成者の数値であり、他の誰にも再現されておらず、コードはマージされる前にまだ変更される可能性がある。しかし、そのリストをアーキテクチャのセクションと並べて読めば、問題の構造は明らかだ。Solar Open 2 250Bを長いコンテキストで安価に実行できるようにする2つの選択肢、すなわちレイヤーの4分の3におけるKDAとRoPEなしは、まさに汎用推論スタックに既存のコードパスが存在しない選択肢なのだ。重みの公開と、それらを実行する経路の公開は別物であり、そのうちの1つだけが7月22日にリリースされた。

立ち上がるためのコスト

メモリの下限から始めよう。bfloat16の重み500.6GBに対して、H200の141GBでは、GPU4基で564GBになる——つまり、単一のリクエストが到着する前に、ノード全体で約63GBがKVキャッシュとアクティベーション用に残るだけだ。だからこそ、カードは最小構成としてH200を4基、推奨として8基を挙げており、FlexAIはこれを共有のトークン単位APIではなく、価格は要相談の専用8×H100エンドポイントとして提供している。

量子化によってその下限は大きく下がります。Nota AIのNVFP4ビルド（4ビットの重みとアクティベーション、グループサイズ16、compressed-tensors形式）は、モデルを{{1}}500.6 GBから153.3 GB{{/1}}に縮小します。同社自身の評価では、精度コストは4つのベンチマーク平均で{{2}}0.22ポイント{{/2}} — {{3}}81.57から81.35へ、Tau2-Benchは75.20から75.08へ、GPQA-Diamondは86.26から85.45へ、MMLU-Proは86.19から86.15へ、そしてLiveCodeBenchは逆方向に87.03から88.55へ{{/3}}。これは{{4}}改善ではなく量子化ノイズです{{/4}}。難点はハードウェアです。{{5}}NVFP4はBlackwellで導入されたFP4テンソルコアを必要とする{{/5}}ため、対応するのは{{6}}B200またはGB200のみで、Hopperでは動作しません{{/6}}。{{7}}H100{{/7}}を使用している場合、おすすめのバリアントは同社の{{8}}INT4グローバルプルーニング済みビルド{{/8}}です。{{9}}枝刈り後は117.8 GBで、2枚に収まるサイズ{{/9}}です。

{{1}}さて、それを決定づける計算を見てみよう{{/1}}。DeepSeek V4 Flash — {{2}}繰り返すが、Upstageが比較対象として選んだモデルだ{{/2}} — は、OrcaRouter上では入力100万トークンあたり0.15ドル、出力100万トークンあたり0.29ドルで、{{3}}これはDeepSeekのリスト価格をマークアップ0%でそのまま転嫁したものだ{{/3}}。入出力比3:1でブレンドすると、100万トークンあたりおよそ0.185ドルになる。{{4}}一例として、8基のGPUノードで1GPU時間あたり2ドルを仮定しよう{{/4}}。すると、誰もリクエストを送らなくても月額およそ11,700ドルかかる。{{5}}これはブレンド換算でおよそ630億トークンのAPIトラフィック、つまり毎日21億トークンを休みなく処理してようやく損益分岐点に達する量だ{{/5}}。量子化して2基のGPUノードに落とせば、損益分岐点は月間およそ160億トークンまで下がる。自分のGPUレートを代入しても、{{6}}その構図は変わらない{{/6}}。250Bモデルのセルフホスティングは、割引の問題ではなく、稼働率と制御の問題だ。

正確に言うと、何が利用可能で何が利用できないかについて：Solar Open 2 250BはOrcaRouterにはなく、そのモデルカードによれば、どの推論プロバイダーにもホストされていません。OrcaRouterにあるのは、それと比較される側のモデル群——DeepSeek V4 Flash、Qwen3.8-Max、そしてその他数百のモデルで、1つのキーでプロバイダーのリスト価格にアクセスでき、いずれかのプロバイダーがダウンした場合にはプロバイダー間でフェイルオーバーします。これがここで重要となるのは、狭く実用的な理由からです：実際に答えたい質問が「エージェントチューニングされたモデルが、本番環境で既に採用しているものを上回るか」であるなら、比較のその半分は今日の午後にモデル文字列を変更するだけで実行できますが、もう半分のGPUの見積もりはまだ調達中です。

ライセンス上の2つの文字列

Upstage Solar ライセンスは商用利用、ファインチューニング、蒸留を許可しており、Upstage はこれを Apache-2.0 をベースにブランド条項を追加したものと説明しています。追加された2つの義務は注意深く読むべきものです。派生モデルは名前に「Solar」プレフィックスを含めなければならず、「Built with Solar」という帰属表示を表示しなければなりません。

内部展開に関しては、それは大した問題ではありません。これを自社の製品ブランドで出荷するものへと製品化する予定があるなら、命名条項はライセンス条項を装ったブランディング上の決定であり、トレーニング実行を始める前に弁護士の20分を費やす価値があります。リポジトリ上の条項を読んでください。それに関する報道を信頼するのではなく——このライセンスに関する報道はいい加減で、少なくとも1件、それを単にApache 2.0と記述した記事があります。

今、動くべきなのは誰か、そして待つべきなのは誰か

韓国語または日本語の出力品質がそのまま製品であり、すでに所有しているハードウェアにウェイトを載せられるなら、移行すべきです。その組み合わせこそが「オープンウェイト、エンドポイントなし」が得意とする用途であり、Upstage自身の説明でも、主権とは単に国内で学習されたという事実ではなく、自分でモデルをデプロイして検証できることを意味すると明確に述べられています。アイドル状態のGPUと、それを埋められる十分な量のエージェントワークロードがあるなら移行すべきです。実際の稼働率では、トークンあたりのコスト計算が逆転するからです。監査やデータ所在地の要件により、APIがそもそも選択肢になかった場合も移行すべきです。

ちょっと待って、もしトークン単位のエンドポイントが欲しいなら。UpstageはSolar Open 2 250Bをサードパーティのプラットフォームに掲載する意向を示しているが、本稿執筆時点ではまだ実現していない——Playgroundのトライアルは7月31日までしか実施されず、モデルカードには今もプロバイダーが表示されていない。ちょっと待って、もしHopperを使っていて4ビット版を当てにしていたなら、NVFP4版はBlackwellが必要だから。そして、1Mコンテキストという数字を前提に何かを設計する前にちょっと待って。それは現時点では測定結果ではなく、アーキテクチャの特性にすぎないから。

注目すべきはプルリクエスト51129です。これは8月10日に、Mergifyがマージ競合を指摘した後、needs-rebaseラベルが付けられました。Solar Open 2 250Bがタグ付けされたvLLMリリースに登場する日こそ、それがインフラプロジェクトではなくなり、誰でも簡単に試せるモデルになる日です。報道で伝えられたAAII 37は出発点に過ぎません。これは最初の外部評価であり、暫定的なものではありますが、Artificial Analysis自身のリーダーボードにはまだ掲載されていません。本当の試練は素のソフトウェア上で動作するテストであり、その日付はまだ決まっていません。