Axion-1.0は、ByteDanceが11月2日に公開したエージェント基盤モデルで、論文、学習レシピ、コードがすべてApache 2.0ライセンスで公開されています。結論から言います。エージェントモデルがどう学習されるのかを学びたい人にとって、今いちばん読む価値のあるオープンソースプロジェクトです。すぐに使えるモデルをダウンロードして作業したい人は、まだ待ってください。重みの公開は、まだ完全な段階に達していません。
Axion-1.0は2つのモデルと1つの公開レシピ
Axion-1.0には2つのサイズがあります。35B（トークンあたり3Bを計算）と122B（トークンあたり10Bを計算）で、どちらもMixture-of-Expertsアーキテクチャです。ベースはそれぞれQwen3.6-35B-A3BとQwen3.5-122B-A10Bです。ゼロから学習した新しいモデルではなく、Qwenをベースに3段階のレシピで学習したエージェントモデルです。軽量な教師ありファインチューニングを2回、強化学習を1回行い、学習サンプルは約1.8万件、122B版では約1000 GPU時間を使っています。エージェントには4つのツールが備わっています。ウェブ検索、ウェブページの閲覧、学術論文の検索、Pythonコードの実行です。成績では、35Bが3つの研究型エージェントテストでGPT-5.5とGemini 3.1 Proを上回り、122BはHumanity's Last Examで59点を取っています。公式リポジトリはGitHubのbytedanceオーガニゼーションにあり、プロジェクト名はaxion1_0です。
デプロイの前に、自分が何を手にするのか見極める
コードとレシピはGitHubにあります。データ構築、フィルタリング、プロンプト、学習コード、評価スクリプトがすべて揃っており、その通りに進めれば学習プロセス全体を再現できます。これこそが本当の価値です。35Bの重みはHugging Faceからダウンロードできますが、プロジェクトのREADME自身が、これはコミュニティによる再現であって公式の重みではない、と明記しています。BF16形式で約70GBあり、普通のPCでは動きません。少なくとも大容量メモリのGPUか、レンタルGPUが必要です。122Bの重みには今のところ公式のダウンロードリンクがなく、使いたいならレシピに従って自分で学習するしかありません。すぐに使えるチャット画面も、ワンクリックのデプロイスクリプトもありません。今日の時点では、すぐに使える製品というより、公開された実験記録に近いものです。エージェントを実行するためのランタイムであるDeepSeek Harnessとは違い、Axion-1.0はエージェントがどう学習されるのかを研究するためのモデルです。
3つの落とし穴——始める前に読んでおく
1つ目の落とし穴は、コミュニティの重みを公式の重みと勘違いすることです。問題が起きても公式サポートはなく、更新や修正はコミュニティ次第です。2つ目は、ベンチマークのスコアに惑わされることです。HLEのようなスコアが測るのは研究型のタスクであり、日常のコーディングや調査も同じようにできるとは限りません。3つ目は、再現コストを過小評価することです。レシピが公開されているからといって安上がりというわけではなく、122Bの学習コストは依然として1000 GPU時間を超えます。向いているのは、エージェントの学習方法を研究したい研究者やエンジニアです。すぐに使えるモデルがほしいだけの人には向きません。公式の重みかコミュニティのパッケージを待つのがよいでしょう。まずMoEアーキテクチャを理解したい人は、Mixture of Expertsが計算をどう節約するのかをご覧ください。
