1月 無料

-
開発元 メンロリサーチ
公式サイト https://jan.ai/

Jan はオープンソースのローカル AI デスクトップ クライアントであり、公式には「オープンソース ChatGPT の代替品」として位置付けられています。 Llama、Gemma、Qwen などのオープンソース モデルをローカルおよびオフラインで実行でき、GPT や Claude などのクラウド モデルにもアクセスできます。また、ローカルの OpenAI 互換 API および MCP 機能も提供し、データをローカル マシン上に保持するというプライバシー最優先のエクスペリエンスを強調します。

1月 製品インターフェース

1月

コアパラメータと統計

Jan は、オープンソースのローカル AI デスクトップ クライアントです。 GitHub と公式 Web サイトでは正式に「オープンソース ChatGPT の代替品」として位置づけられており、「自分のコンピュータ上で 100% オフラインで実行できる」と強調されています。 「オープンソース モデルをローカルにダウンロードして実行」「クラウド商用モデルにアクセス」「ローカル OpenAI 互換 API」「MCP エージェント機能」を同じデスクトップ アプリケーションに統合します。

プロジェクト 広報
公式の位置づけ オフラインで実行できるオープンソースの ChatGPT 代替手段
操作方法｜オープンソース モデルをローカルで実行 + クラウド モデルに接続
ローカルモデル Llama、Gemma、Qwen、GPT-oss など (Hugging Face からダウンロード)
クラウドアクセス OpenAI、Anthropic (Claude)、Mistral、Groq、MiniMax など
ローカルAPI OpenAI 互換、デフォルト localhost:1337
エージェントの機能 モデル コンテキスト プロトコル (MCP) をサポート
オープンソースライセンス アパッチ2.0
コミュニティの規模 GitHub 約 43,000 のスター、2,900 のフォーク、159 人の寄稿者
ダウンロード 公式ウェブサイトは 570 万回以上ダウンロードされています
最新バージョン v0.8.2 (2026-06-01、GitHub リリース、合計 102 リリース)
サポートされているプラ​​ットフォーム Windows、macOS、Linux

展開形式: Jan はデスクトップ ネイティブ アプリケーションです (Tauri に基づいて構築されています)。その核となる価値は、「局所的推論」を一般のユーザーが使用できる製品の形にすることにあります。プライバシーに敏感なシナリオやネットワークが制限されたシナリオでは、ローカル モデルを完全にオフラインで使用できます。より強力な機能が必要な場合は、クラウド モデルに切り替えると、2 つが同じインターフェイス内に共存します。

インターフェイスの値: Jan は、OpenAI 互換 API をローカル (「localhost:1337」) に公開します。これは、OpenAI インターフェイス用に作成された既存のスクリプトとアプリケーションが、呼び出し構造を変更せずにリクエストをローカル モデルに送信できることを意味し、クラウドからローカルへの移行コストを削減します。

反復リズム: GitHub Releases によると、このプロジェクトは累計 102 回のリリースを行っており、2026 年 5 月には 0.8.0、0.8.1、および 0.8.2 が継続的にリリースされており、まだ高頻度の配信段階にあることが示されています。

ユーザーと市場の認識

Jan の知名度は主に、公開収益の数字ではなく、オープンソース コミュニティの人気と実際のダウンロード サイズによってもたらされています (後者は公式には公開されていません)。

コミュニティとダウンロード: GitHub リポジトリ janhq/jan には、約 43,000 のスター、2,900 のフォーク、および 159 人の寄稿者が公開されています。公式ウェブサイトのホームページには、累計 570 万以上のダウンロードと 15,000 人以上のコミュニティ メンバーのデータが表示されます。 「大規模なモデルをローカルで実行する」ことがセールスポイントであるデスクトップ ツールとしては、この規模は初期の実験段階を通過し、安定したユーザー グループを形成していることを示しています。

口コミの位置付け: 公式 Web サイトで収集された公開ユーザーのフィードバックでは、一般的に Jan を Ollama や LM Studio などのローカル推論ツールと比較し、「フレンドリーなインターフェイスと非エンジニアリングユーザー向け」という点での違いを強調しています。同時に、プロジェクトによって自己開発された Jan-V1-4B などのモデルも、ローカル テストのためにコミュニティによって使用されます。この情報は公開ソースから得られており、具体的なパフォーマンスはマシンの構成によって異なります。

実装の前提条件: モデルをローカルで実行する実際のエクスペリエンスは、ハードウェアに大きく依存します。公式のシステム要件は公表されています。macOS 13.6 以降の 3B モデルには約 8GB のメモリが必要で、7B には 16GB、13B には 32GB が必要で、Windows/Linux は NVIDIA/AMD/Intel Arc GPU で高速化できます。構成が不十分な場合は、主にクラウドモデルを利用してアクセスするのが適しています。

コストメリット

Jan のコスト上の利点は、「サブスクリプションが安い」ということではなく、推論プロセスをローカルに移動し、呼び出し量に応じて請求されるクラウド API の請求を構造的に回避できることです。

ソフトウェア自体は無料でオープン ソースです: Jan は Apache 2.0 ライセンスを採用しており、デスクトップ クライアントは無料でダウンロードして使用でき、公式 Web サイトには明確に「無料 & オープン ソース」とマークされています。これは、ソフトウェアのサブスクリプション料金がかからず、自己監査や二次開発も許可されていることを意味します。

ローカル推論の通話料ゼロ: ローカル モデルを使用する場合、推論は自分のデバイス上で完了し、トークンに基づいてクラウド料金は請求されません。長期にわたる高頻度の使用シナリオでは、限界費用はゼロに近く、コストは 1 回限りのハードウェア投資と電力に振り替えられます。

クラウド モデルは会社ごとに請求されます: ユーザーが OpenAI、Anthropic、Mistral、Groq などのクラウド モデルへのアクセスを選択すると、対応するサービス プロバイダーによってその価格設定に応じて関連料金が請求されます。 Jan は統一クライアントとして機能するだけで、価格自体は値上げされません。

真のコスト構造: 個人やチームにとって、総コストに実際に影響を与えるのは、「ローカル ハードウェアがターゲット モデルの規模を推進できるかどうか」です。プライバシー要件が高く、通話量が多いタスクをローカルに配置し、時折発生する困難なタスクをクラウド モデルに引き渡す方が、より実用的なコストの組み合わせです。

主な機能

Jan の機能は、「1 つのデスクトップ アプリケーションでローカル モデルとクラウド モデルを同時に管理する」ことを中心に設計されています。パブリック関数は次のカテゴリに要約できます。

  • ローカル モデルの実行: Llama、Gemma、Qwen、GPT-oss、およびその他のオープン ソース モデルを Hugging Face からローカルにダウンロードして実行し、ダウンロードの一時停止/再開をサポートします。
  • クラウド モデル アクセス: 同じインターフェイス上で OpenAI、Anthropic (Claude)、Mistral、Groq、MiniMax などのクラウド モデルにアクセスし、必要に応じて切り替えます。
  • カスタム アシスタント: さまざまなタスク用に特別な AI アシスタントを作成し、システム プロンプトとパラメータを固定します。
  • OpenAI 互換 API: 他のアプリケーションが標準の OpenAI 呼び出しメソッドを通じてローカル モデルにアクセスできるように、「localhost:1337」 サービスをローカルで開始します。
  • MCP 統合: モデル コンテキスト プロトコルを通じてツール呼び出しとエージェント機能を拡張します。
  • プライバシー第一: ローカル モデルを使用する場合、会話とデータは完全にマシン上に保持されます。

これらの機能の実際の利点は、ターゲット モデルのサイズがローカル ハードウェアと一致するかどうか、ローカル モデルを既存の OpenAI エコロジカル アプリケーションに接続する必要があるかどうか、そして「データがローカル マシンから出ない」という厳格な要件の強さという 3 つの重要なポイントによって決まります。

モデルとバージョンの進化

Jan はまだ高頻度の反復段階にあります。 GitHub Releases には合計 102 のリリースが公開されており、主な内容はローカル モデル管理、クラウド アクセス API サービス、MCP 機能に焦点を当てています。

最近のメインバージョン

  • v0.8.2 (2026-06-01): 最新の安定版である「v0.8.2 is now live on GitHub」が公式 Web サイトのトップに同時にマークされます。
  • v0.8.1 (2026-05-29): 0.8 シリーズの反復修復バージョン。
  • v0.8.0 (2026-05-22): 0.8 メジャー バージョン ノード。モデル ハブ、ダウンロード、およびアシスタント機能を促進します。
  • v0.7.9 (2026-03-23): 集中的なリリース リズムを反映して、0.8 より前の 0.7.x 後期バージョンに入ります。

自社開発モデルライン

デスクトップ クライアントに加えて、チームは Jan-V1-4B (Hugging Face でホストされている約 123 のモデル エントリ) などのモデルも公開し、コミュニティがローカルでの実際のテストに Jan クライアントと組み合わせて使用しました。モデルとクライアントのラインは並行して実行されるため、Jan は「ランナー」であると同時に、モデル自体のオープンソース構築への参加者でもあります。

技術的な利点

Jan の技術的な選択は常に、「大規模なローカル モデルを一般ユーザーが利用できる製品に変える」という目的に沿って行われます。

  • ローカルファースト アーキテクチャ: Tauri に基づいてデスクトップ アプリケーションを構築します (ウェアハウス言語は主に TypeScript と Rust)。純粋な Electron ソリューションと比較すると、これらは軽量であり、3 つの主要なデスクトップ プラットフォームでの配布が容易です。
  • 成熟した推論バックエンド: 公式承認には、llama.cpp などのオープンソース推論エンジンに基づいていることが明確に記載されており、これにより消費者グレードのハードウェア上で主流のオープンソース モデルを実行でき、GPU アクセラレーションをサポートします。
  • インターフェイスの標準化: OpenAI 互換 API をローカルに公開し、「ローカル モデル」を業界の事実上の標準インターフェイスにパッケージ化し、既存のツール チェーンとの統合の摩擦を軽減します。
  • 拡張可能なエージェント機能: MCP を通じて外部ツールにアクセスできるため、ローカル モデルは会話できるだけでなく、ツール呼び出しによるタスクも実行できます。

これらの設計は、「なぜより経済的でプライベートであるのか」を共に説明しています。推論ローカライゼーションにより継続的な API 料金が不要になり、データ ローカライゼーションによりプライバシー コンプライアンスが満たされ、標準インターフェイスにより移行コストが削減されます。

使い方

Jan は、純粋なローカル用途と混合用途をカバーするさまざまな入り口を提供します。

入口 該当するシナリオ 説明
デスクトップクライアント 個人的な日常使用 公式 Web サイトまたは GitHub リリース から Windows/macOS/Linux バージョンをダウンロードします。
ローカルモデルハブ オフライン推論 アプリケーション内の Hugging Face からオープン ソース モデルをダウンロードし、ローカルで実行します。
クラウドモデルへのアクセス より強力な機能が必要 OpenAI、Anthropic、その他のサービスプロバイダーの API キーを設定 に入力します。
ローカルAPIサービス 二次開発/統合 localhost:1337 を開始して、OpenAI と互換性のある方法でローカル モデルを呼び出します。

開始するための一般的な手順: 対応するプラットフォームのクライアントをダウンロードしてインストールします → ハブのローカル メモリに一致するオープン ソース モデル (3B/7B など) をダウンロードします → ローカル会話を直接開始するか、設定でクラウド モデルにアクセスします → 他のアプリケーションと統合する必要がある場合は、ローカル API サーバーを開いて「localhost:1337」をポイントします。

製品の価格設定

Jan のクライアント自体は無料でオープンソース (Apache 2.0) です。公式 Web サイトには「無料 & オープンソース」と明記されており、ソフトウェアのサブスクリプション料金はかかりません。

  • クライアントおよびローカル モデル: 無料。ローカル モデルを使用する場合、通話ごとの料金はかかりません。費用は主にローカルのハードウェアと電気代です。
  • クラウド モデル コール: OpenAI、Anthropic、Mistral、Groq、MiniMax およびその他のサービスにアクセスする場合、関連料金は各サービス プロバイダーによって正式な価格設定に従って個別に請求され、1 月とは関係ありません。
  • エンタープライズ/ビジネス: 正式なビジネス連絡先電子メール アドレス hello@jan.ai が提供されます。企業協力の具体的な条件は公開されておらず、公式発表の対象となります。

アプリケーションのシナリオ

  • プライバシーに配慮したローカル Q&A: ローカル モデルを使用して、インターネットに接続されていない環境、またはデータの送信を望まない環境でドキュメントの Q&A、執筆、およびコード支援を処理します。
  • 開発者ローカル統合: OpenAI インターフェイス用に作成されたアプリケーションをローカルの「localhost:1337」に切り替え、推論とデバッグをローカルで完了し、開発期間中の API コストを削減します。
  • マルチモデル統合ワークベンチ: 同一クライアント内でローカルオープンソースモデルとクラウド商用モデルの効果を比較し、タスクの難易度に応じて柔軟に切り替えます。
  • オフラインおよびネットワーク限定のシナリオ: 出張中、イントラネット上、またはネットワークが弱い場合は、ダウンロードしたローカル モデルを利用して基本的な AI 機能を維持します。

該当する人

  • プライバシーを重視する個人ユーザー: 会話やデータをローカルに保ち、フレンドリーなインターフェイスを必要とする非エンジニアリング ユーザーにとって、Jan はエンジニアリング指向の同様のツールよりも使いやすいです。
  • 開発者および技術チーム: ローカル推論、プロトタイプ検証、または開発期間中の通話コストの削減には、ローカルの OpenAI 互換 API、MCP、セルフホスト ソリューションが必要です。
  • 構成が制限されているユーザーの境界: ローカルの大規模モデルにはメモリと GPU の明確なしきい値があり、ローエンド デバイスでは大規模モデルをスムーズに実行することが困難です。このようなユーザーは、クラウド モデルにアクセスするか、より小規模なローカル モデルを選択するのに適しています。

概要と展望

Jan の中核的な競争力は、「大規模なモデルをローカルで実行する」というエンジニアリング指向のタスクを、オープンソースで無料のクロスプラットフォームでユーザーフレンドリーなデスクトップ製品に変え、OpenAI 互換の API と MCP を通じてローカル モデルを既存のエコシステムに統合することです。約 43,000 の GitHub スター、570 万以上のダウンロード、102 件のリリースは、GitHub が安定したコミュニティ基盤と配信リズムを持っていることを示しています。

現在の制限も明らかです。ローカル推論エクスペリエンスは明らかにハードウェアによって制限されており、モデルが大きくなるとメモリ/GPU 要件も高くなります。クラウド モデルは依然として各サービス プロバイダーのアカウントと請求に依存しています。今後は、自社開発モデルライン（Jan-V1シリーズ）とクライアント機能との連携によるMCPエコシステムの成熟度や、エンタープライズセルフホスティングの方向での進展に注目する必要がある。低コストでローカル AI を試行したい個人やチームの場合は、まずミッドエンドからハイエンドのデバイスを使用して 7B モデル検証エクスペリエンスを実行し、その後、より多くのシナリオでクラウド呼び出しをローカル推論に置き換えるかどうかを決定することをお勧めします。エンタープライズレベルの民営化導入が関係する場合は、ライセンスとサポートの条件を事前に確認する必要があります。

関連ツール: ハグフェイス、replicate

技術的な利点と能力の限界

AI モデルおよび API 製品として、Jan のコア機能は次の側面を通じて深く理解でき、テクノロジーの選択と実装の効果に直接影響します。

推論パフォーマンスとベンチマーク パフォーマンス モデルの推論パフォーマンスは、標準的な NLP タスク (テキスト生成、コード補完、意味理解、マルチターン対話、情報抽出など) のパフォーマンスに反映されます。公開されているベンチマーク テスト リスト (MMLU、HumanEval、GSM8K など) を通じて水平比較を行うことをお勧めしますが、ベンチマーク テストのスコアと実際のビジネス シナリオのパフォーマンスの間にはギャップがある可能性があることに注意してください。実際のユーザー エクスペリエンスに影響を与える主な指標には、推論速度 (トークン/秒または応答遅延。ユーザー エクスペリエンスの滑らかさを直接決定します)、コンテキスト ウィンドウの長さ (一度に処理できる入力サイズを決定し、処理できるタスクの複雑さに影響します)、出力品質の一貫性 (同じ入力の複数の出力の結果の安定性。信頼性の認識に影響します) が含まれます。

API の互換性と開発エコシステム 主流の開発フレームワーク (LangChain、LlamaIndex、セマンティック カーネルなど) との API 互換性の深さは、統合開発のコストとサイクルに直接影響します。次の統合の側面に注意することをお勧めします: SDK でサポートされる言語タイプの範囲 (Python、JavaScript、Go、Java などの主流言語に公式 SDK があるかどうか)、ストリーミング出力のサポート (SSE/WebSocket プロトコルの互換性)、関数呼び出しとツールの使用機能 (モデル出力の構造化関数呼び出しへのマッピングをサポートするかどうか)、構造化出力の柔軟性 (JSON モード)、エンタープライズ レベルのインフラストラクチャとの統合機能 (VPC デプロイメント、プライベート)リンク、統一 ID 認証）。完全な API ドキュメントと豊富なコード サンプルにより、開発への参入障壁が大幅に下がり、統合の時間とコストが削減されます。

導入の柔軟性とコストのトレードオフ Jan は、データ プライバシー要件、遅延の感度、使用規模に応じて、クラウド API 呼び出しまたはオンプレミス展開オプションのいずれかを選択できます。クラウド展開の利点は、運用とメンテナンスのコストがゼロであること、および柔軟な拡張性であることです。これは、使用量の変動が大きいシナリオや迅速なプロトタイプ開発に適しています。ローカル展開では、完全なデータ主権と低遅延 (ネットワークの往復オーバーヘッドなし) が提供されますが、GPU などのハードウェアの購入コストと運用および保守の人件費を負担する必要があります。月間 API 呼び出し量 100 万回または月額料金 1,000 ドルを基準分割線として使用することをお勧めします。このしきい値を下回ると、クラウド API の方が費用対効果と柔軟性が高くなります。このしきい値を超えた後は、ハードウェアの減価償却費、電気代、運用保守の人件費などの要素を考慮して、自己展開ソリューションの総所有コストを総合的に評価する必要があります。

モデルの選択とバージョン戦略

Jan シリーズ モデルを選択する場合は、特定の使用シナリオに応じて、さまざまなバージョンのモデル機能を一致させることをお勧めします。パラメータが大きいバージョンは、複雑な推論や複数ステップのタスクのパフォーマンスが向上しますが、コストが高く、遅延が長くなります。小さなパラメータのバージョンは、日常会話や簡単な質疑応答などのシナリオですでに満足のいく出力品質を提供でき、コストは大きなバージョンの数分の一にすぎません。推奨される選択戦略は、コストを削減するために標準シナリオでは小規模および中バージョンを使用し、複雑な推論タスクを処理する必要がある場合にのみ大きなバージョンのモデルを呼び出すことです。この階層的な呼び出し戦略により、出力品質に大きな影響を与えることなく、全体的な API コストを 40 ～ 60% 削減できます。

バージョン情報

  • 1 月 v0.8.2 ：GitHub Releases によってリリースされた最新の安定バージョンは、ローカル モデルの操作、OpenAI 互換 API へのクラウド モデル アクセス、および MCP 統合の主要なラインに沿って反復され続けており、デスクトップ側は Windows、macOS、Linux をカバーしています。
  • 1 月 v0.8.1 ：0.8.x シリーズの反復バージョンでは、0.8.0 メジャー バージョン以降も引き続き問題が修正され、ローカル モデルとダイアログ エクスペリエンスが改善されています。
  • 1月v0.8.0 ：0.8 メジャー バージョン ノードは、デスクトップ クライアントのモデル管理ハブのダウンロードおよびアシスタント機能を促進します。
  • 1 月 v0.7.9 ：0.7.x シリーズのそれ以降のバージョンは、0.8 に入る前にプロジェクトが維持していた高頻度のリリース リズムを反映しています (GitHub には 100 以上のリリースが蓄積されています)。

ユーザーレビュー

  • レビューを読み込み中...