本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

Oumi

オープンモデルのデータ合成、ファインチューニング、評価、推論提供をまとめた Apache 2.0 のライブラリで、ツール利用の学習と RL 環境にも対応しました。

レビュー: ReviewRamble editors · 更新

GitHubで見る オープンソース

このページを共有:XLinkedInFacebookRedditWhatsAppメール

当サイトの評価

4.0/5

Oumi は合成データから推論用エンドポイントまで、ファインチューニングを取り巻く流れ全体を扱い、v0.9 からはツールを使うエージェントを最初から最後まで学習させられます。ただしまだベータ扱いです。

Oumiとは?

Oumi は、オープンモデルのポストトレーニングの流れ全体を扱うオープンソースの Python ライブラリです。LLM ジャッジによるデータの合成と選別、学習、ベンチマークやルーブリック型ジャッジによる評価、推論の実行までをカバーします。各工程は一つの YAML レシピで動き、`oumi train`、`oumi evaluate`、`oumi infer`、`oumi launch` の各コマンドで実行します。README によると、Llama、Gemma、Qwen、DeepSeek、GLM、Phi などテキストとマルチモーダルの 10M から 400B+ パラメーターまでのモデルに対応します。

学習手法は SFT、LoRA、QLoRA、DPO、KTO、GRPO で、規模の拡大には FSDP、DeepSpeed、DDP を使います。2026年9月16日に公開されたバージョン 0.9 で、エージェント向けに舵を切りました。ツール呼び出しの SFT と DPO、データベース、HTTP エンドポイント、参照テーブル、シミュレーション用モデルを裏側に持つ実行可能なツール環境、verl を使ったそれらの環境上での GRPO、複数の基準で採点する RubricJudge が加わりました。

推論はローカルでは vLLM か SGLang、リモートでは OpenAI、Anthropic、Vertex AI、Together、Fireworks などで動きます。`oumi deploy` は Fireworks と Parasail に専用エンドポイントを作り、`oumi-mcp` サーバーを使えば Claude や Cursor から操作できます。ジョブは AWS、Azure、GCP、Lambda、Modal、Slurm で起動できます。Python 3.10〜3.14 が必要で、同じレシピを動かす有料プラットフォームを持つ Oumi PBC が保守しています。

Oumiは使う価値があるか?

Oumi の強みは守備範囲の広さです。Axolotl や Unsloth が学習の実行に集中するのに対し、Oumi はデータの生成と選別、LLM ジャッジによる結果の採点、モデルの提供まで、同じ YAML レシピ形式と一つの CLI で行います。そのため、ボトルネックが学習そのものではなく学習を取り巻く流れにある場合には自然な選択肢になります。

今注目する理由は、2026年9月16日に公開されたバージョン 0.9 です。ツール呼び出しの SFT と DPO が加わり、ツール呼び出しが実際に実行される環境として、データベースのセッション(エピソードごとにロールバック)、HTTP エンドポイント、決定的な参照テーブルが使えるようになり、verl を通じてそれらのどの環境でも GRPO を回せます。エージェント向けのデータ合成、実行可能な環境、強化学習を一か所でつなぐオープンなライブラリは多くありません。

普及度はそこそこです。GitHub のスターは 9,437 で、Axolotl(12,728)や、一部の土台になっている Hugging Face TRL(19,744)に及びません。README はプロジェクトをまだベータとし、高度な機能は変わる可能性があると注意しています。リリースはおよそ 4 か月ごとで、2026年は 1 月に v0.7、5 月に v0.8、9 月に v0.9 が出ました。未解決の issue とプルリクエストは合わせて 26 件で、これだけ範囲の広いプロジェクトとしては少ない数です。

二つの既定値に注意が必要です。DO_NOT_TRACK=1 を設定するか ~/.oumi/telemetry.json を編集しない限り、匿名の利用状況分析がオンになります。ドキュメントによると対象はコマンド、ハードウェア、パッケージのバージョン、スタックトレースで、学習データ、重み、ファイルパスは含みません。また、このライブラリは商用プラットフォームのオープンなコア部分なので、実行計画を立ててくれる FAiE エージェント、管理された GPU、ホスト型エンドポイントは有料側にあります。

真価を発揮する場面

  • チケットを振り分けるエージェントを持つ、従業員 25 人の SaaS 企業の ML エンジニア

    小さなオープンモデルに社内ツールを正しく呼び出させたい

    ツールを使う複数ターンの会話を合成し、ツール呼び出しの SFT を行い、次にステージング API にアクセスする EndpointEnvironment に対して GRPO を回し、RubricJudge で採点します。ライブラリは無料で、費用は `oumi launch` の行き先のクラウドでの GPU 時間です。

  • 視覚言語モデルを比較している大学の研究室

    複数のオープン VLM を同じレシピ形式でファインチューニングして評価したい

    同梱の Qwen、Gemma、InternVL 向けレシピから始め、Slurm クラスターで `oumi train` と `oumi evaluate` を実行し、再現できるよう各 YAML を結果と並べて保存します。共有マシンでは DO_NOT_TRACK=1 を設定します。

  • 商品説明の学習データを整えている EC 企業のデータチーム

    ファインチューニングの前に、ノイズの多い数千件の例をふるい分けたい

    組み込みの LLM ジャッジをローカルの vLLM モデルか商用 API キーで使って弱い行を採点して除き、長いバッチが途中で失敗しても途中結果を残せるよう `infer_partial()` を使います。

導入前に確認すること

導入
`uv pip install oumi`(または `oumi[gpu]`)、Docker イメージ ghcr.io/oumi-ai/oumi、または試験的なインストールスクリプトを使います。クイックスタートでは `oumi train` コマンド一つで 135M の SmolLM レシピを学習させ、Colab のノートブックで LoRA、蒸留、GRPO、ジャッジを試せます。
連携
Hugging Face のモデルとデータセット。vLLM、SGLang と、OpenAI、Anthropic、Vertex AI、Together、Fireworks、Parasail、OpenRouter 向けのリモートエンジン。RL 用の verl。AWS、Azure、GCP、Lambda、Modal、Slurm 向けの `oumi launch`。Fireworks と Parasail への `oumi deploy`。Claude と Cursor 向けの `oumi-mcp`。
データとプライバシー
自分のハードウェアかクラウドアカウントで動きます。匿名のテレメトリー(コマンド、ハードウェア、バージョン、スタックトレース)は既定でオンで、DO_NOT_TRACK=1 でオフになります。リモートの推論エンジンに送るデータは、そのプロバイダーの規約に従います。Apache 2.0 は商用利用を認めますが、ベースモデルのライセンスは引き続き適用されます。
大規模利用時のコスト
ライブラリは無料で、費用は GPU の時間です。Oumi は VRAM の表を公表していないので、試しの実行からジョブの規模を見積もります。管理された GPU が欲しければ、同社のホスト型プラットフォームが有料の選択肢です。
制限
ベータの段階です。Python 3.10〜3.14 と 2.13 未満の PyTorch が必要です。非常に大きなモデルには、自分で設定するマルチノードの FSDP や DeepSpeed の構成が必要です。

良い点

  • データ合成、学習、ジャッジ、評価、提供を一つのレシピ形式で扱えます
  • v0.9 からツール呼び出しの SFT、実行可能な環境、verl による GRPO に対応
  • AWS、Azure、GCP、Lambda、Modal、Slurm で起動できます
  • Apache 2.0 で、Claude と Cursor 向けの oumi-mcp サーバーがあります

気になる点

  • ベータ扱いで、高度な API は変わる可能性があります
  • 匿名のテレメトリーが既定でオンです
  • スターとコミュニティのレシピは Axolotl や TRL より少ないです
  • 範囲が広い分依存関係が多く、PyTorch は 2.13 未満に固定されています

おすすめの人

合成データ、ファインチューニング、ジャッジ、推論提供を一つのオープンなツールでまとめたい ML エンジニア、特にツールを使うモデルを扱う人。

Oumiの代替

Oumi:よくある質問

Oumiは使う価値があるか?
Oumi は合成データから推論用エンドポイントまで、ファインチューニングを取り巻く流れ全体を扱い、v0.9 からはツールを使うエージェントを最初から最後まで学習させられます。ただしまだベータ扱いです。 評価は5点満点中4.0点です。
Oumiの料金は?
Apache 2.0 ライセンスの無料オープンソースです。同じレシピを動かす Oumi のホスト型プラットフォームは別の有料製品です。
Oumiの欠点は?
ベータ扱いで、高度な API は変わる可能性があります; 匿名のテレメトリーが既定でオンです; スターとコミュニティのレシピは Axolotl や TRL より少ないです; 範囲が広い分依存関係が多く、PyTorch は 2.13 未満に固定されています.
Oumiは誰に向いているか?
合成データ、ファインチューニング、ジャッジ、推論提供を一つのオープンなツールでまとめたい ML エンジニア、特にツールを使うモデルを扱う人。
チームや本番環境でOumiを使うと費用はいくらか?
ライブラリは無料で、費用は GPU の時間です。Oumi は VRAM の表を公表していないので、試しの実行からジョブの規模を見積もります。管理された GPU が欲しければ、同社のホスト型プラットフォームが有料の選択肢です。
Oumiは企業データを扱っても安全か?
自分のハードウェアかクラウドアカウントで動きます。匿名のテレメトリー(コマンド、ハードウェア、バージョン、スタックトレース)は既定でオンで、DO_NOT_TRACK=1 でオフになります。リモートの推論エンジンに送るデータは、そのプロバイダーの規約に従います。Apache 2.0 は商用利用を認めますが、ベースモデルのライセンスは引き続き適用されます。
Oumiの代わりになるものは?
当サイトでレビューした中で最も近い代替はAxolotl, TRL, Unsloth 、 LlamaFactoryです。

回答確認日:2026年11月16日

Oumiの開発元の方へ:この評価をサイトに掲載できますReviewRambleでのOumiの評価�:5点満点中4.0点