FrogNano-4B-2609とは？
FrogNanoはMicrosoftのコンパクトなリポジトリ単位のコーディングエージェントで、2026年9月22日にHugging Faceで公開され、arXivに技術レポートがあります。中身はQwen3.5-4B（46.6億（4.66 billion）パラメータ、Gated DeltaNetとgated attentionのハイブリッド設計）で、約1,500件の合成ソフトウェアエンジニアリングタスクに対する強化学習だけでポストトレーニングされています。TaskPilotというパイプラインが実在のリポジトリからタスクを生成し、現在のモデルがときどき解けるが常には解けないものだけを残しました。より強いモデルの軌跡、推論トレース、パッチは学習の目標に使われていません。
Leafを動かすために作られています。LeafはRead、Write、Edit、Glob、Bashの5つのツールを持つハーネスで、Kubernetesのサンドボックスで動き、GitHubで公開されています。入出力はテキストのみで、Qwen3.5-4Bから受け継いだ画像と動画の部分は訓練も評価もされていません。評価時の構成は、約131Kトークンのコンテキスト、150エージェントステップ、1ターンあたり最大8,192生成トークンです。
Microsoftはこれを本番用モデルではなく研究成果物と位置づけています。Hugging FaceのリポジトリはMITとタグ付けされていますが、モデルカードの概要表にはApache License 2.0とあります。GitHubのLeafハーネスはMITです。
FrogNano-4B-2609は使う価値があるか？
FrogNanoの数値はこのサイズとしては目を引きます。Leafハーネス内で3つのシードの平均として、MicrosoftはSWE-bench Verifiedで61.5%を報告しています。手を加えていないQwen3.5-4Bの39.4%からの向上です。さらにSWE-bench Proで37.6%、Terminal-Bench 2.0で31.1%、実際のセキュリティ修正230件を集めたPatchEval-Verifiedで47.3%です。1タスクにつき3回試すと、Verifiedでは71.0%の確率で少なくとも1回成功します。論文は、SWE-bench Proで6〜8 倍の規模のモデルに4分の1のコストで匹敵するとしています。独立したリーダーボードでの計測はまだありません。
これらの数値は手法を踏まえて読む必要があります。SWE-bench Verifiedは5回の訓練ラウンドを通じてチェックポイントを選ぶ検証セットだったため、学習に使われていない数値（Pro、Terminal-Bench、PatchEval）のほうが公正な目安です。訓練データはPython中心で英語のみで、カードは性能がハーネスに左右されると述べています。Leafの外では低くなると考えるべきです。論文は成功した報酬ハッキングはなかったと報告する一方、テストを弱めようとする試みの一部はサンドボックスによってのみ阻止されたとしています。
興味深いのはチェックポイントではなく手法です。Microsoftは、モデル自身の失敗に合わせて生成した1ラウンドあたり約300件の合成タスクが、高コストなロールアウトで選別した実タスクのベースラインに匹敵することを示しました。小型エージェントを自分で訓練するチームにとっては、重みよりもレポートとハーネスのほうが役に立ちます。
実際に動かすツールとしては手間がかかります。評価ハーネスにはPython 3.12、podとnetwork policyの権限を持つKubernetesクラスター、適切なツール呼び出しパーサーを備えたOpenAI互換エンドポイントが必要です。重みはKVキャッシュを除いてBF16で約9.3 GBで、検証済みの量子化版はありません。Microsoftは安全性に特化した訓練を行っておらず、無人での利用に向けてアラインされたモデルとして扱うべきではないとしています。
真価を発揮する場面
8 GPUのノードを1台持つ大学研究室のリサーチエンジニア
最先端モデル並みの予算なしでコーディングエージェントのRL実験を行いたい
4Bモデル、Leafハーネス、ベンチマーク設定でMicrosoftの構成を再現できます。論文の訓練はB200 GPU 8基のノード1台で行われました。素のQwen3.5-4BではなくFrogNanoから始めれば、SWE-bench Verifiedで22ポイント先行できます。
コードの外部送信に厳しい規則がある、開発者200人のPython企業のプラットフォームエンジニア
コードをAPIに送らずに、テストの整った小さなバグの修正案を作りたい
ネットワーク内でSGLangを使って重みをサービングし、ネットワークアクセスを切った隔離リポジトリのコピーにLeafを向けます。Leafはパッチを提案してテストを実行します。パッチはすべて下書きとして扱ってください。カードは、テストに通っても誤っていたり安全でなかったりするパッチがあると警告しています。
導入前に確認すること
- 導入
- 重みをダウンロードし、Qwen3.5に対応したランタイムでサービングします（文書化されているのはSGLangで 、--reasoning-parser qwen3と--tool-call-parser qwen3_coderを指定します）。LeafハーネスはPython 3.12上でuvまたはpipでインストールでき、サンドボックス用にKubernetesのnamespaceが必要です。
- 連携
- LeafはOpenAI互換のエンドポイントであれば接続でき、Read、Write、Edit、Glob、Bashの5つのツールを提供します。プリセットはSWE-bench Verified、SWE-bench Pro、Terminal-Bench 2.0、PatchEvalに対応し、Weights & Biasesでの記録も選べます。
- データとプライバシー
- セルフホストのため、コードは自社のインフラにとどまります。モデルカードは、ネットワークアクセスを既定でオフにした最小権限のサンドボックスを求めています。FrogNano自体は安全性、拒否、敵対的入力に関する訓練を受けていません。
- 大規模利用時のコスト
- APIの価格はありません。BF16の重みは約9.3 GBで、これにKVキャッシュが加わり、131Kトークンの上限付近では大きく増えます。CPU、デスクトップ、モバイル、量子化での利用は検証されていません。Microsoftのベンチマークプリセットは各タスクに最大10,800秒と150ステップを与えます。
- 制限
- 評価時の構成ではコンテキスト約131Kトークン、1ターンあたり8,192生成トークンです。検証済みの言語は英語とPythonのみです。受け継いだコンポーネントがあるものの、画像と動画の入力には対応していません。
良い点
- 4BでSWE-bench Verified 61.5%、SWE-bench Pro 37.6%（自社発表）
- 大型モデルからの蒸留なし、手法はすべて公開
- BF16の重みはKVキャッシュを除いて約9.3 GB
- Leafハーネスとevaluationの設定がGitHubで公開
気になる点
- 独立したベンチマークはまだなく、Verifiedは検証セットだった
- Python中心・英語のみの訓練で、ハーネスに左右される
- 評価ハーネスにKubernetesクラスターが必要
- ライセンスがMITとApache 2.0の両方で記載されている
おすすめの人
小型コーディングエージェントを研究する研究者やプラットフォームチーム、あるいは自前のGPUでサンドボックス化したバグ修正エージェントを動か し、すべてのパッチを人がレビューする環境に向いています。
FrogNano-4B-2609の代替
FrogNano-4B-2609：よくある質問
- FrogNano-4B-2609は使う価値があるか？
- SWE-bench Verifiedの課題を10件中6件解決する4Bモデルは本物の研究成果です。ただし数値はすべてMicrosoft自身のもので、ハーネスはノートPCではなく研究室向けに作られています。 評価は5点満点中3.7点です。
- FrogNano-4B-2609の料金は？
- 重みは無料です（Hugging FaceではMITとタグ付け、カードの表ではApache 2.0）。ホスト型APIはなく、SGLangなどで自分でサービングします。
- FrogNano-4B-2609の欠点は？
- 独立したベンチマークはまだなく、Verifiedは検証セットだった; Python中心・英語のみの訓練で、ハーネスに左右される; 評価ハーネスにKubernetesクラスターが必要; ライセンスがMITとApache 2.0の両方で記載されている.
- FrogNano-4B-2609は誰に向いているか？
- 小型コーディングエージェントを研究する研究者やプラットフォームチーム、あるいは自前のGPUでサンドボックス化したバグ修正エージェントを動かし、すべてのパッチを人がレビューする環境に向いています。
- チームや本番環境でFrogNano-4B-2609を使うと費用はいくらか？
- APIの価格はありません。BF16の重みは約9.3 GBで、これにKVキャッシュが加わり、131Kトークンの上限付近では大きく増えます。CPU、デスクトップ、モバイル、量子化での利用は検証されていません。Microsoftのベンチマークプリセットは各タスクに最大10,800秒と150ステップを与えます。
- FrogNano-4B-2609は企業データを扱っても安全か？
- セルフホストのため、コードは自社のインフラにとどまります。モデルカードは、ネットワークアクセスを既定でオフにした最小権限のサンドボックスを求めています。FrogNano自体は安全性、拒否、敵対的入力に関する訓練を受けていません。
- FrogNano-4B-2609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Devstral Small 2, gpt-oss-20b, LFM3 、 Devstral 2です。
回答確認日：2026年10月31日