---
title: "BroadNet の不採用モデル：LLM・音声・OCR・埋め込み | BroadRouter"
description: "BroadNet はテストして不採用にしたモデルを理由付きで公開しています。認証情報の安全性テストに通らなかったチャットモデルや、選ばれなかった音声・OCR・埋め込みモデルです。"
url: https://broadrouter.com/ja/blog/models-broadnet-ruled-out/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/models-broadnet-ruled-out/)（2026-11-16 更新）。

# BroadNet が評価して不採用にしたモデルとその理由

BroadNet Inference チーム · 約 4 分で読めます · 公開日 2026-11-15 · 更新日 2026-11-16

BroadNet のモデルカタログでは、自社ラボでのテスト後、約 30 のモデルと手法が不採用とされています。理由は主に 5 つです。同じ用途でより強いモデルに負けた、認証情報の安全性テスト、API 提供を認めないライセンス、直接比較で負けた量子化形式、アラビア語での性能低下です。いずれも 2026 年 9 月の BroadNet 自身の測定です。

## 要点

-   BroadNet のカタログは各モデルに PROD、SERVED、BENCH、QUANT、FT、RULED OUT のラベルを付け、不採用ごとに理由を示しています。
-   BroadNet の認証情報安全性テストにより、3 つのチャットモデル（Qwen3.5 35B A3B と、GLM 4.7 Flash、Nemotron 3 Nano 30B A3B）がセキュリティ用途から外されました。これらは RULED OUT ではなく SERVED のラベルのままです。
-   EAGLE3 による投機的デコーディングは、同時 32 リクエストでスループットが 69% 低下したため不採用になりました。
-   それまで使っていた文書解析の LlamaParse は不採用になりました。表が失われ、BroadNet によればセルフホストのほうが 1,000 ページあたり 98% 安かったためです。
-   いくつかの埋め込みモデルは、公開リーダーボードでの勝利が BroadNet の実際のアラビア語トラフィックでは再現されませんでした。

**このページの内容**

1.  BroadNet はどのチャットモデルを不採用にしましたか？
2.  どの音声モデルが不採用になりましたか？
3.  選ばれなかった文書・埋め込み・画像モデルは？
4.  不採用の理由から何を学べますか？

BroadNet の[モデルカタログ](https://www.broadnet.ai/inference/models)には、自社ハードウェアで実行、ベンチマーク、量子化、ファインチューニングしたとするすべてのモデルが掲載されており、不採用にしたものには理由が付いています。約 30 のモデルと手法に RULED OUT（不採用）のラベルが付いています。以下の数値は 2026 年 9 月に BroadNet のラボで測定されたもので、私たちではなく BroadNet の結果です。

カタログでは 6 つのラベルを使っています。PROD（本番トラフィックを処理した）、SERVED（カタログの言葉では “ran on our fleet”（訳：自社のフリートで動かした））、BENCH（ベンチマークした）、QUANT（BroadNet が量子化した）、FT（BroadNet がファインチューニングした）、RULED OUT（不採用）です。

## BroadNet はどのチャットモデルを不採用にしましたか？

| モデル | BroadNet が行ったこと | 不採用の理由 |
| --- | --- | --- |
| Qwen3.5 35B A3B（AWQ 4-bit） | 速度重視の枠として提供、約 164 tokens/s | セキュリティ用途で BroadNet の認証情報安全性テストに不合格 |
| GLM 4.7 Flash（AWQ） | 試験的に提供 | ラベルは RULED OUT ではなく SERVED。BroadNet によれば認証情報安全性テストによりセキュリティ用途から外され、本番未満にとどめられた |
| Nemotron 3 Nano 30B A3B（NVFP4） | 独自の推論（reasoning）パーサーで提供 | ラベルは RULED OUT ではなく SERVED。BroadNet によれば認証情報安全性テストによりセキュリティ用途から外され、本番未満にとどめられた |
| Qwen3.6 35B A3B | RTX 5090 と GB10 で提供 | チャットボットの枠で Gemma 4 26B に負けた |
| Gemma 4 E4B（AWQ INT4） | GB10 で同居させて提供、約 94 tokens/s | チャットボットの枠で Gemma 4 26B に負けた |
| Gemma 4 26B A4B NVFP4（3 つの公開元） | 量子化を評価 | sm\_120 と sm\_121 の GPU での直接比較の結果、AWQ に切り替えて廃止 |
| EAGLE3 による投機的デコーディング | 高負荷時のサービングでテスト | 同時 32 リクエストでスループットが 69% 低下。マルチトークン予測のドラフターを継続 |

このパターンは、オープンモデルを選ぶ人にとって重要です。不採用のうち 3 件は品質ではなく安全性が理由でした。速度は十分でも、認証情報を繰り返してしまうモデルです。これは、アクティブパラメータの少ない Mixture of Experts モデルで最も多く見られた失敗パターンだと、BroadNet の [Safety Map の研究](https://broadrouter.com/ja/blog/llm-safety-map-39-models/)が報告しています。チャットボットの枠を勝ち取った Gemma 4 26B A4B は、BroadNet が [Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) として販売しているモデルです。

## どの音声モデルが不採用になりましたか？

| モデル | 不採用の理由 |
| --- | --- |
| Gemma 4 E2B、Gemma 4 12B（文字起こし用途） | 代わりに E4B の音声版を採用 |
| Omnilingual ASR 300M、1B、3B と CTC 版（Meta） | 7B 版がその枠を獲得 |
| Voxtral Mini 3B / 4B Realtime（Mistral） | アラビア語向けとして不採用 |
| ArTSTv3（MBZUAI 系） | アラビア語の枠で不採用。Cohere Transcribe Arabic を継続 |
| FireRedVAD、DeepFilterNet、BNR（前処理） | 直接比較の結果、Silero の音声区間検出を採用 |

BroadNet の報告では、採用したモデル Cohere Transcribe Arabic 07-2026 は、自社のテストで MASC の方言音声に対して単語誤り率 21.1 を記録しました。ElevenLabs Scribe v2 は 22.3、Whisper large-v3 は 31.5 です。BroadNet はこのモデルを [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) として提供しています。カタログによれば、Whisper large-v3 はフォールバック候補としてベンチマークされました。

## 選ばれなかった文書・埋め込み・画像モデルは？

**OCR と文書解析**

-   それまで使っていた API の **LlamaParse** は、BroadNet の OmniDocBench サブセットで 16.6 でした。BroadNet が不採用にした理由は “it loses tables, and self-hosting is 98% cheaper per 1,000 pages”（訳：表が失われ、セルフホストなら 1,000 ページあたり 98% 安い）です。
-   **olmOCR-2、HunyuanOCR、GOT-OCR 2.0、Nanonets OCR2** は評価の結果不採用となり、Nanonets はライセンス条件が理由でした。PaddleOCR-VL 1.6 のほうがスコアは高かった（94.74 対 86.81）ものの、文書の解析と図の説明の両方ができる dots.mocr が本番用に選ばれました。

**埋め込み**

-   **gemini-embedding-2** は gemini-embedding-001 より性能が下がった（BroadNet の検索ベンチマークで 0.767 対 0.824）ため、アラビア語向けとして不採用になりました。
-   それまで使っていた **nomic-embed-text v1.5** は全体で 0.468、アラビア語で 0.130 となり、廃止されました。
-   **Octen 8B、Harrier 0.6B、Nemotron Embed 1B** は実際に提供したうえで、アラビア語の実トラフィックで不採用になりました。“where our podium held despite their public-board wins”（訳：公開ボードでは勝っていたにもかかわらず、私たちの上位陣は入れ替わらなかった）とのことです。

BroadNet はモデル選びより大きな影響があった知見も 1 つ挙げています。ワークロードに合わせたクエリ指示によって検索品質（nDCG）が 0.048 変わり、埋め込みモデルを 4B から 8B にした場合より大きな差になりました。

**画像生成と安全性**

-   **Cosmos3 Super 64B と HunyuanImage 3.0 80B** は、ハードウェアとの適合とライセンス条件を理由に不採用になりました。
-   **openai/privacy-filter 1.5B** は、BroadNet の漏えいコーパスで認証情報は 100% 検出しましたが、給与額は 0% しか検出できず、ファイアウォールとしては不採用になりました。

## 不採用の理由から何を学べますか？

BroadNet 自身の構成を超えて通用する教訓が 4 つあります。

1.  \*\*リーダーボードではなく、自分の用途でテストする。\*\*公開ボードで勝っていた埋め込みモデルのいくつかが、アラビア語の実トラフィックで負けました。
2.  \*\*安全性は別の関門。\*\*高速で高性能なモデルでも、認証情報のテストに落ちることがあります。モデルに秘密情報を見せる前にテストしてください。BroadNet の[評価手法](https://broadrouter.com/ja/blog/llm-sensitive-data-safety-evaluation-method/)が出発点になります。
3.  \*\*何を提供できるかはライセンスで決まる。\*\*Voxtral 4B TTS や Higgs Audio v3 などの非商用モデルは、カタログでは品質の上限としてのみ登場します。
4.  \*\*サービングの選択も測定で決める。\*\*量子化形式やドラフト手法は、既定でではなく直接比較の数値で不採用になりました。[BroadNet の GPU ハードウェアとサービング](https://broadrouter.com/ja/blog/broadnet-gpu-fleet-and-serving/)を参照してください。

ここにある数値はすべて、1 社のラボとトラフィックから得たものです。テストすべき候補リストとして使い、乗り換える前に[自分のデータで評価](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)してください。また、不採用やベンチマークのみの行は API で呼び出せるものではありません。[モデルカタログの読み方](https://broadrouter.com/ja/blog/understand-model-status/)で、提供中、要相談、研究用の項目の見分け方を説明しています。

関連する無料ツール（英語）

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[エンベディング（埋め込み、embeddings）](https://broadrouter.com/ja/glossary/embeddings/)

エンベディング（埋め込み）とは、テキストや画像などの入力を表すためにモデルが出力する浮動小数点数のリスト（ベクトル）です。意味の近い入力ほどベクトルも近いので、その距離で検索結果の順位付け、文書の分類、関連項目の発見ができます。

[AWQ（Activation-aware Weight Quantization）](https://broadrouter.com/ja/glossary/awq/)

AWQ（Activation-aware Weight Quantization）とは、LLM の重みを低い精度、通常は 4 ビット整数に圧縮する学習後量子化の手法です。小さなキャリブレーションセットの活性化の統計から最も重要な重みのチャネルを見つけ、精度が落ちにくいようにスケーリングします。誤差逆伝播は不要です。

[混合エキスパート（MoE）](https://broadrouter.com/ja/glossary/mixture-of-experts/)

混合エキスパート（MoE）とは、層の中に多数のエキスパート（サブネットワーク）を持ち、学習済みのルーターが各トークンを少数のエキスパートだけに送る設計です。MoE の言語モデルは総パラメータ数が大きくても、トークンごとに使うのは一部だけです。

[INT4（4 ビット量子化）](https://broadrouter.com/ja/glossary/int4/)

INT4 とは、16 段階を表せる 4 ビットの整数形式です。LLM の推論では通常、4 ビットの重みのみ量子化（W4A16）を指します。重みをスケール係数とともに INT4 で保存し、計算時に 16 ビットに戻すため、メモリは 16 ビットの重みの約 4 分の 1 で済みます。

[LLM ベンチマーク（LLM benchmark）](https://broadrouter.com/ja/glossary/llm-benchmark/)

LLM ベンチマークとは、知識問題、コーディング、音声認識など 1 つの能力で言語モデルを測り比べるための、固定された（通常は公開の）タスクと採点方法です。スコアはそのテストでの相対的な能力を示し、自社のワークロードでの実力は示しません。

[OCR（光学文字認識）](https://broadrouter.com/ja/glossary/ocr/)

OCR（光学文字認識）とは、画像、スキャン、PDF 内の印刷文字や手書き文字を検出し、機械で読める文字に変換する技術です。従来の OCR は文字とページ上の位置を出力し、視覚言語モデルは文字を読んでその内容についての質問に直接答えられます。

[オープンウェイトモデル（open-weight model）](https://broadrouter.com/ja/glossary/open-weight-model/)

オープンウェイトモデルとは、学習済みの重みが公開され、誰でもダウンロードして実行できるモデルで、通常は条件付きのライセンスで提供されます。学習コードや学習データの詳細も公開し、他者が検証・再現できる完全なオープンソース AI とは別物です。

## よくある質問

### BroadNet はなぜ不採用にしたモデルを公開しているのですか？

カタログには “what we rule out as carefully as what we ship”（訳：提供するものと同じくらい丁寧に、不採用にしたものも公開する）とあり、購入者が各推奨の根拠を確認できるようにしています。理由付きの不採用は、自分のワークロードで検証できる証拠になります。

### 「不採用」はモデルの性能が悪いという意味ですか？

いいえ。不採用の多くは、BroadNet 自身のパイプラインの 1 つの枠について、BroadNet が報告している環境とトラフィックで判断したものです。Qwen3.6 35B A3B と Gemma 4 E4B はチャットボットの枠で Gemma 4 26B に負けましたが、あなたの用途には合うかもしれません。

### 認証情報の安全性テストとは何ですか？

モデルが目にした認証情報を繰り返してしまうかどうかを調べる BroadNet のテストで、公開している機密データ評価手法に基づいています。不合格のモデルは、セキュリティ用途では本番に投入されません。

### ライセンスが理由で不採用になるのはなぜですか？

Voxtral 4B TTS や Higgs Audio v3 のような強力なモデルの一部は非商用ライセンスのため、BroadNet は品質の上限としてベンチマークするだけで、有料 API では提供できません。

### 不採用のモデルは BroadNet Inference で使えますか？

使えません。API で販売しているのは 6 モデルで、ほかに 3 モデルが要相談で利用できます。不採用と記載されたモデルは提供されていません。

## 続けて読む

-   [BroadNet の GPU ハードウェアとサービング方式（BroadNet の説明による）](https://broadrouter.com/ja/blog/broadnet-gpu-fleet-and-serving/)
-   [プロバイダーを乗り換える前に LLM を評価する方法](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)
-   [Safety Map：39 の LLM は機密データをどう扱うか](https://broadrouter.com/ja/blog/llm-safety-map-39-models/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [提供中・要相談・研究用：モデルカタログを正しく読む](https://broadrouter.com/ja/blog/understand-model-status/)
-   [Artificial Analysis の代替サイト：2026 年に LLM を比較できる場所](https://broadrouter.com/ja/blog/artificial-analysis-alternatives/)
-   [LLM API の SLA 比較：Azure、Bedrock、Google、OpenAI は何を約束しているか](https://broadrouter.com/ja/blog/llm-api-sla-uptime-compared/)
-   [ガイド：BroadNet Inference をアカウントなしでブラウザから試す](https://broadrouter.com/ja/guides/try-broadnet-inference-playground/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**出典**

-   [BroadNet モデルカタログ：実行、ベンチマーク、量子化、ファインチューニングしたすべてのモデル（不採用モデルを含む。2026 年 9 月測定、2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models)
-   [BroadNet Research：投機的デコーディングとサービングに関する知見（2026-11-15 取得）（英語）](https://www.broadnet.ai/research)
-   [BroadNet Gemma 4 VL 26B モデルページ（2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [BroadNet Transcribe Arabic モデルページ（2026-11-15 取得）（英語）](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
