Maxwell-V1.0-Flashとは?
Maxwell-V1.0-Flashはテキスト専用のmixture-of-experts言語モデルで、総パラメータ数35B、トークンあたりのアクティブパラメータ3B(いずれも埋め込みを除く)、コンテキストウィンドウは256Kトークンです。層は45で、3つの密な層のあとに256個のルーティング型エキスパートを持つ42層が続き、トークンごとに12個が働き、さらに2個の共有エキスパートがあります。アテンションにはMaxwell Block Sparse Attentionを使い、128トークンのブロックをプレフィックス8個、ローカル8個保持し、学習済みのインデクサーで最大16個を追加で選ぶことで、主たるアテンションをKVグループあたり4,096トークンに抑えます。モデルカードによれば、カーネルは256Kで密なアテンションより6.7x高速です。
事前学習には約26兆の多言語トークンとMuonオプティマイザーを使い、トークナイザーはタイ語、ラオ語、ミャンマー語、クメール語、シャン語でもコンパクトになるよう設計されています。その後、教師ありファインチューニング、一般・推論・エージェントのタスクごとに分けた強化学習、複数の教師モデルを一つにまとめる蒸留で事後学習しました。重みはApache 2.0です。公開元は「Maxwell Team」で、モデルカード、技術レポート、ウェブサイトのいずれにも企業名、所在地、出資者は書かれていません。
Maxwell-V1.0-Flashは使う価値があるか?
目立つ成績はエージェント系です。事後学習後の表では、BrowseCompで76.30を記録し、Qwen3.6-35B-A3Bの47.00、Muse Glimmer-30Bの55.60を上回り、DeepSearchQAでは83.30、Terminal-Benchでは58.65でQwen3.6の47.42を上回ります。Claude Codeのハーネスで測ったSWE-Bench Verifiedでは、65.40対63.40でQwen3.6をわずかに上回ります。6つの数学ベンチマークの平均は92.61(mean@8)で、長文コンテキストの平均でも76.94で首位です。
指示に従う力は弱めです。IFBenchは64.80で、Muse Glimmerの83.20、Gemma 4 26B-A4Bの79.10に及ばず、指示追従の平均も両者を下回ります。ベースモデルは中国語でQwenのベースモデルより低く(CMMLUで79.41対87.41)、一方で東南アジア言語のベースベンチマーク4つのうち3つで首位に立ち、トークナイザーの工夫が表れています。
注意点:スコアはすべてチーム内部の評価によるもので、設定も自分たちで選んでいます(温度0.6、32Kから256Kのコンテキスト、アスタリスク付きの検索結果ではコンテキスト管理を有効化)。独立したリーダーボードへの掲載はまだありません。背後の組織は特定されていません。76人の著者リスト、連絡先メール、ウェブサイトはありますが、企業名、国、資金源はありません。実行にはリポジトリのPythonを手元のマシンで動かすtrust_remote_codeと、NVIDIAドライバー580以降向けの専用vLLMイメージが必要です。safetensorsには約36.8BのBF16パラメータが入っており、KVキャッシュを除いても約74 GBになります。さらにモデルカードはRoPEベースを10,000,000としていますが、config.jsonでは20,000,000で、急いだ公開であることをうかがわせます。
普及はまだ控えめで、Hugging Faceでのいいねは215、ダウンロードは1,052、第三者によるGGUF版は4,437です。重みはApache 2.0なので、障害はライセンスではなく、出所と検証の難しさです。
結論:自前のGPUで検索やリサーチのエージェントを動かしているなら、Maxwellは自分のタスクでQwen3.6-35B-A3Bと比べて試す価値があります。規制のかかる用途では、名乗らない開発元とリモートコードの実行は、外部の評価を待つ理由になります。
真価を発揮する場面
市場調査会社のMLエンジニア
Webを巡回して出典を示すリサーチエージェントを自社ハードウェアで動かしたい
maxwellmodel/vllm-openaiイメージとqwen3のツール呼び出しパーサーでモデルを配信し、OpenAI互換APIで既存のエージェントにつなぎます。切り替える前に、過去のリサーチ課題を使ってQwen3.6-35B-A3Bと比べます。
タイ語とベトナム語の顧客向けにサポートアシスタントを作る開発者
長いプロンプトに費用をかけずに、東南アジア言語で良い回答を得たい
技術レポートの表では、東南アジア言語のテキストでこのトークナイザーが最もコンパクトなので、同じプロンプトでもトークンとコンテキストの消費が少なくなります。多言語のスコアは自己申告なので、自社の会話データで品質を確かめます。
導入前に確認すること
- 導入
- hf downloadで重みを取得し、maxwellmodel/vllm-openai:v0.30.0のDockerイメージから--trust-remote-codeを付けてvLLMを起動します。NVIDIAドライバー580以降(CUDA 13.0)が必要で、古いドライバーでは互換フラグを使います。
- 連携
- vLLM経由のOpenAI互換チャットAPIで、ツール呼び出しに対応し、思考モードは既定で有効です。Hugging FaceにはコミュニティによるGGUF版があります。
- データとプライバシー
- Apache 2.0のもと自前のハードウェアで動きます。読み込み時にリポジトリ独自のモデルコードが実行されます。ウェブのプレイグラウンドでのデータの扱いは公開されていません。
- 大規模利用時のコスト
- 重みは無料です。KVキャッシュを除いてもBF16の重みが約74 GBあるため、データセンター向けの大型GPU 1枚か、小さめのGPU数枚が必要です。READMEの例ではtensor-parallel sizeを1にしています。
- 制限
- テキストのみです。ベンチマークは内部評価で、一部はコンテキスト管理を使っています。開発元の正体と所在地、学習に使った計算量は公開されていません。
良い点
- 比較表でBrowseComp、DeepSearchQA、Terminal-Benchの首位
- アクティブ3Bで、256Kまでのブロック疎アテンション
- 東南アジア言語に強いコンパクトなトークナイザー
- Apache 2.0の重みと38ページの技術レポート
気になる点
- ベンチマークはすべて自己申告
- 公開元の企業名と国が公開されていない
- trust_remote_codeと専用のvLLMイメージが必要
- 指示追従はGemma 4とMuse Glimmerに劣る
おすすめの人
検索・リサーチ用のエージェントを作り、約74 GBのモデルをホストでき、Qwen3.6-35B-A3Bに代わるアクティブ3Bのモデルを試したいチーム。
Maxwell-V1.0-Flashの代替
Maxwell-V1.0-Flash:よくある質問
- Maxwell-V1.0-Flashは使う価値があるか?
- 開発者自身のテストでは、Maxwellはエージェント型検索で最も強いアクティブ3Bのモデルですが、数値はすべて自己申告で、背後にいる企業は名乗っていません。 評価は5点満点中3.7点です。
- Maxwell-V1.0-Flashの料金は?
- Apache 2.0の無料オープンウェイトです。ウェブのプレイグラウンドがありますが、有料APIや料金は公開されていません。
- Maxwell-V1.0-Flashの欠点は?
- ベンチマークはすべて自己申告; 公開元の企業名と国が公開されていない; trust_remote_codeと専用のvLLMイメージが必要; 指示追従はGemma 4とMuse Glimmerに劣る.
- Maxwell-V1.0-Flashは誰に向いているか?
- 検索・リサーチ用のエージェントを作り、約74 GBのモデルをホストでき、Qwen3.6-35B-A3Bに代わるアクティブ3Bのモデルを試したいチーム。
- チームや本番環境でMaxwell-V1.0-Flashを使うと費用はいくらか?
- 重みは無料です。KVキャッシュを除いてもBF16の重みが約74 GBあるため、データセンター向けの大型GPU 1枚か、小さめのGPU数枚が必要です。READMEの例ではtensor-parallel sizeを1にしています。
- Maxwell-V1.0-Flashは企業データを扱っても安全か?
- Apache 2.0のもと自前のハードウェアで動きます。読み込み時にリポジトリ独自のモデルコードが実行されます。ウェブのプレイグラウンドでのデータの扱いは公開されていません。
- Maxwell-V1.0-Flash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Qwen3.6, Muse Glimmer 、 Gemma 4です。
回答確認日:2026年11月18日