Weights & Biasesとは？実験管理の仕組みとWeave・料金・MLflowとの使い分け【2026年版】

Weights & Biases（W&B）は、機械学習の学習ジョブを1回ごとに記録し、設定値・指標・生成物をチーム全員が同じ画面で比較できるようにするプラットフォームです。学習スクリプトに数行を足すだけで、損失曲線もハイパーパラメータも学習に使ったデータの版も1か所に残ります。手元のスプレッドシートで実験を管理していると、精度が出た条件を再現できない事故が必ず起きるものです。この記事では、Models・Weave・Inferenceという3層の構成、Artifacts と Registry による版管理、Sweeps の探索設定、無料枠の実際の上限、Dedicated Cloud の東京リージョン対応、MLflowとの分岐点までを2026年8月時点の一次情報で整理します。

まとめ｜採用してよい条件とMLflowとの分岐点

結論から示します。W&Bを入れる価値が出るのは、学習を回す人が2人以上いて、実験結果を他人に説明する必要がある場合です。1人で数本の実験を回すだけなら、ローカルのログファイルで足ります。判断の分かれ目はモデルの規模ではなく、記録を読む相手がいるかどうか。

MLflow 3.15.0（2026-07-31公開・Apache-2.0）との選択は、サーバを誰が守るかで決まります。トラッキングサーバとDBを自社で運用でき、その工数を許容できるならMLflow。運用を持ちたくないならW&Bのホスト型が向きます。なお無料枠はストレージ5GB／月・Weave取り込み1GB／月で、日本語の解説記事に残る「100GB無料」は旧プランの記述です。

Weights & Biasesの構成｜Models・Weave・Inferenceの3層

W&Bは単機能のロガーではなく、担当範囲の異なる複数の製品が同じダッシュボード上に束ねられた構成です。まず、どの製品が何を記録するのかを切り分けます。

実験管理ツールとしての位置づけ｜学習側の記録に絞られる守備範囲

W&Bが引き受けるのは、学習ジョブの実行中に発生する情報の記録と比較です。学習率を0.001から0.0003へ変えたとき検証損失がどう動いたか、そのとき使ったデータセットはどの版か。この履歴をAPI経由で残します。

逆に引き受けないものもはっきりしています。データの収集・加工パイプラインのスケジューリング、モデルを推論APIとして提供し続ける仕組みは範囲外です。機械学習全体の運用サイクルの考え方はMLOpsの仕組みと導入判断で整理しているため、本記事では学習中の記録に絞ります。学習が終わったモデルを配備する側の設計は推論APIの構成とランタイムの選定基準を参照してください。

PythonのSDKは wandb の名前で配布され、2026-08-03時点の最新は 0.28.1（2026-07-16公開）、要求Pythonは3.10以上。MITライセンスです。

Models・Weave・Inferenceの3製品が担う範囲の違い

3つの製品名は似ていますが、記録する対象がまったく違います。混同すると必要のないシートを買うことになります。

課金の単位も分かれます。Models側は有償プランでもシート数に上限がある一方、Weaveのシートは無料プランでも無制限で、代わりにデータ取り込み量で制限がかかる構造です。従来型の機械学習だけを扱うチームなら、Weaveのシート数を心配する必要はありません。

CoreWeave傘下での提供体制｜2025年5月完了後に増えた機能

W&Bは2025年5月にCoreWeaveによる買収が完了し、1,400を超える組織の顧客基盤ごと傘下に入りました。独立系SaaSではなくなった点は、調達部門への説明で必ず問われます。

買収後に追加されたのは3つ。CoreWeaveの基盤で動く W&B Inference（DeepSeek R1-0528などのオープンモデルを単一インターフェースで呼び出せる）、本番のエージェントを継続評価する Weave Online Evaluations、インフライベントを学習runに紐づける Mission Control 連携です。学習が止まった原因がコードかGPUノードかを切り分ける用途で効きます。

実験記録の単位｜run・config・Artifactsによる版管理の設計

W&Bの記録は run という単位で積み上がります。この粒度を最初に決めておかないと、あとで比較しようとしたときにダッシュボードが読めません。

runとconfigの粒度｜1実験1runで揃える記録設計の基準

wandb.init() を呼んだ時点で1つのrunが開始し、以降の wandb.log() がそのrunに紐づきます。runには config（入力となった設定値）と summary（最終的な指標）が付き、ダッシュボードの表では config を列にして並べ替えができます。

粒度の基準は単純です。1回の学習＝1run。交差検証で5分割するなら5run作り、group 引数で束ねます。ループの外側に wandb.init() を置くと、5分割ぶんの指標が1つのグラフに重なって読めなくなる典型的な失敗が起きます。

config に入れるのは、結果を再現するために必要な値だけ。学習率・バッチサイズ・乱数シード・データセットの版です。出力先のパスや実行ホスト名を混ぜると、同じ条件の実験が別条件として並んでしまいます。

Artifactsの版管理｜データセットとモデルの差分保存の仕組み

Artifacts は、データセット・学習済みモデル・評価結果といったファイル群に版を付けて保存する機能です。同じ名前で保存するたびに v0、v1 と自動採番され、中身が前の版と同一であれば実体は再アップロードされません。

この差分保存が効くのは、数十GBのデータセットに数百件だけ追加する場面です。毎回まるごと保存する運用と比べ、ストレージ消費と転送時間の両方が抑えられます。無料枠が5GB／月である以上、この挙動の理解が枠に収まるかを分けます。

run と Artifact は「どのrunがどの版を入力にし、どの版を出力したか」という有向グラフとして残ります。精度が落ちた原因を追うとき、この系譜をたどればデータ側の変更かコード側かを機械的に切り分けられます。

Registryへの昇格｜collection階層とSDK 0.18.6以上の要件

Registry は組織内で共有する成果物の中央リポジトリで、階層は Registry → Collection → Artifact Version の3段です。初期状態で Models と Datasets の2つのレジストリが用意されており、追加のレジストリも作れます。

実装上の要点は、Registry への登録が「複製」ではなく「リンク」である点です。ログ済みのArtifactに対して run.link_artifact() を呼び、対象パスに wandb-registry-model のようなレジストリ名とコレクション名を指定します。実体は動かず、ポインタだけが張られる形。この呼び出しにはSDK 0.18.6以上が必要です。

実験用プロジェクトには数百のArtifactが溜まりますが、Registryに上げるのは本番候補だけに絞ります。昇格条件を文書化しておかないと、Registryが第二のゴミ箱になります。

導入手順とSweeps｜初期設定から探索ジョブ起動までの実装

導入の作業量そのものは小さく、既存の学習スクリプトへの差分は10行前後に収まります。むしろ手間がかかるのは、記録する項目を決める設計側です。

初期導入の5手順｜インストールからダッシュボード確認までの流れ

1. pip install wandb でSDKを入れる（Python 3.10以上）
2. wandb login を実行し、発行されたAPIキーを貼り付ける
3. 学習スクリプトの冒頭で wandb.init() を呼び、project と config を渡す
4. 学習ループ内で wandb.log() に指標の辞書を渡す
5. ダッシュボードでrunが並び、config列で比較できることを確認する

CI環境やコンテナ内では対話ログインが使えないため、環境変数 WANDB_API_KEY にキーを渡す形へ切り替えます。閉域で学習するなら WANDB_MODE を offline にし、あとから同期する運用も取れます。

Sweepsの探索手法｜bayes・grid・randomと早期打ち切り設定

Sweeps はハイパーパラメータの探索を回す機能で、設定はYAMLまたはPythonの辞書で書きます。トップレベルの必須キーは program・method・metric・parameters の4つ。metric には name と goal（最小化か最大化か）を指定します。

method に指定できるのは bayes・grid・random の3種です。grid は全組み合わせを総当たりするため探索空間が小さいときだけ、random は空間が広く当たりを付けたい初期段階、bayes は過去の結果から次の候補を選ぶ方式で試行回数を切り詰めたい段階に向きます。連続値のパラメータが3つ以上あれば、grid は現実的な時間で終わりません。

無駄な試行を早く止めるには early_terminate に hyperband を指定します。設定項目は s（ブラケット数）・eta（削減係数）と、max_iter または min_iter。起動は wandb.sweep() でsweep IDを得たあと、wandb.agent() をワーカーの数だけ立ち上げる流れです。

WeaveによるLLMトレース｜weave.initと@weave.opの記録範囲

LLMアプリケーションの記録は Models ではなく Weave が担当します。SDKは weave という別パッケージで、2026-08-03時点の最新は 0.53.4（2026-07-31公開・Apache-2.0）です。

記録の書き方は2行で済みます。weave.init() にプロジェクト名を渡し、記録したい関数に @weave.op を付ける。これで入力・出力・所要時間・入れ子の呼び出し関係がトレースとして残ります。プロンプトを直した結果、応答がどう変わったかを版ごとに突き合わせる用途です。

トレースと評価をどう本番運用の型に組み込むかは、W&B単体の話ではありません。LLMOpsにおけるトレース・評価・コスト管理の実装で運用の型を整理しているため、ツール選定の前にそちらで型を固めるほうが手戻りが少なくなります。

料金体系とデータ所在地｜無料枠の上限とDedicated Cloudの東京リージョン

料金とデータの置き場所は、技術検証のあとに必ず社内で止まる論点です。先に構造を押さえます。

無料枠とProプランの上限｜シート数・ストレージ・取り込み量

クラウド版の料金は3段構成です。個人開発向けのFreeは$0で、Modelsのシートが5まで、ストレージ5GB／月、Weaveのデータ取り込み1GB／月。Proは月額$60から始まり、Modelsのシートが10まで、ストレージ100GB／月、Weaveの取り込み1.5GB／月という上限になります。

見落としやすい条件が1つあります。Proは「従業員50名未満の早期段階のチーム」向けと明記されており、規模の大きい会社がそのまま選べる枠ではありません。SSO・監査ログ・HIPAA対応が要る場合もEnterpriseに寄ります。自己ホストのPersonalは$0・1シートですが、法人利用は許可されていない点に注意してください。

Self-managedとDedicated Cloud｜東京リージョンの対応状況

デプロイ形態は3つあります。Multi-tenant Cloud はW&Bが完全管理する共用環境で、基盤はGoogle Cloudのみ。Dedicated Cloud はW&Bのクラウド内に専用の隔離環境を建てる形で、AWS・Google Cloud・Azureから選べます。Self-managed は自社が管理するインフラにW&B Serverを配置する形式で、3クラウドに加えてオンプレミスにも対応します。

日本の事業会社で問われるのはデータ所在地です。Dedicated Cloud の対応リージョンにはAWSの東京（ap-northeast-1）とGoogle Cloudの東京（asia-northeast1）が含まれており、学習データを国内に留める要件は満たせます。共用のMulti-tenant Cloudでリージョンを指定する運用ではないため、所在地が契約要件に入っているならDedicated Cloud以上を前提に見積もってください。

MLflow・ClearML・Aimとの比較｜守備範囲と移行コストの差

実験管理ツールの選択肢は複数あり、無償で自前ホストできるOSSも成熟しています。機能表の比較より、運用を誰が持つかで切り分けるほうが早く決まります。

MLflowとの機能差｜OSS自前運用とホスト型のコスト分岐点

MLflowは最新が 3.15.0（2026-07-31公開・Apache-2.0・GitHubスター27,334）で、実験管理に加えてモデルレジストリとデプロイまで含む広い守備範囲を持ちます。ライセンス費用はかかりません。

費用が発生しないのは製品代だけで、実際にはトラッキングサーバ・メタデータDB・成果物ストレージの3点を誰かが運用します。バックアップも権限管理もアップグレードも自社の仕事。W&BのProが月額$60からである以上、この運用に月1人日以上かかるなら、金額の比較で自前が勝つ場面は限られます。

逆にMLflowを選ぶ理由は明確です。データを外部SaaSへ出せない規約がある、Databricks上で完結している、社内基盤にMLflowが組み込まれている。この3つのいずれかに当たるならMLflowが素直な選択です。横断比較はMLOpsツールの主要スタックと選定基準にまとめています。

ClearML・Aim・Opikとの比較｜自前ホストで足りる条件

OSSの選択肢はほかにもあります。ClearMLは v2.1.10（2026-07-01公開・Apache-2.0・スター6,805）でオーケストレーションまで含む構成、Aimは v3.29.1（2025-05-08公開・Apache-2.0・スター6,213）で実験追跡に絞った軽量な作り、CometのOpikは 2.2.13（2026-07-31公開・Apache-2.0・スター21,067）でLLM評価とトレースに寄せた製品です。

• 実験追跡だけが要る、外部送信を避けたい → Aim
• ジョブ実行の割り当てまで含めて自前で持ちたい → ClearML
• LLMアプリの評価が主目的で学習は少ない → Opik
• チーム共有と可視化の完成度を優先する → W&B

Aimの最新リリースが2025年5月で止まっている点は、採用前に確認すべき事実です。開発が活発なリポジトリと同じ前提で長期運用を計画すると、依存ライブラリの更新で詰まるでしょう。

W&Bを採用してよい条件と見送ってよい場面｜記録が負債になる境界

ここからは判断を言い切ります。実験管理ツールは入れれば良くなる類のものではなく、記録を読む文化がないチームでは画面だけが増えます。

採用してよい3条件｜チーム人数・月間の実験本数・再現性の要件

次の3つを同時に満たすなら、W&Bのホスト型を入れて損はありません。

1. 学習を回す担当が2人以上おり、互いの実験結果を参照する必要がある
2. 月に30本以上の学習runが発生し、条件の差分を手作業で追えなくなっている
3. 「この精度を出したときの条件」を第三者へ提示する要件がある（納品・監査・論文）

3番目が実務では効きます。受託開発で精度を約束する契約なら、再現手順を示せない状態は納品リスクそのものです。1人・月10本以下・社内検証だけという条件なら、ローカルにCSVを吐く運用で足ります。ツールを入れる前に、記録を見て意思決定する習慣があるかを確かめてください。

見送ってよい2類型｜実験記録がむしろ負債になる開発フェーズの例

導入しないと決めてよい場面が2つあります。

1つは、モデルを自前で学習せず、外部APIの生成AIを呼ぶだけのアプリ開発です。学習runが存在しないため Models 側の機能はほぼ空振りし、必要なのはWeaveのようなトレース機能だけ。実験管理ツールとしてではなく、トレース基盤として最小限を選ぶべきです。

もう1つは、要件が固まらないPoCの初期2〜3週間。試行の8割が捨てられる段階で全runを記録すると、5GB／月の無料枠は画像や重みファイルですぐ埋まり、ダッシュボードは失敗runで埋まります。方向性が定まってから、記録対象を絞って入れるほうが読みやすい履歴になるでしょう。

外部委託時に見積書で確認する4項目｜データ持ち出しと監査要件

モデル開発を外部に委託する場合、実験管理ツールの扱いを契約前に詰めておくと、後工程の揉め事が減ります。見積書と体制図で確認したいのは次の4点です。

• 学習データと成果物をどのデプロイ形態に置くか（共用クラウドか東京リージョンの専用環境か）
• W&Bのアカウントを発注側と受注側のどちらが保有し、契約終了後にrunの履歴が誰に残るか
• 納品物にArtifactの版とrunのIDを含めるか（再現手順の提示範囲）
• シート費用の負担者と、プロジェクト終了後のプラン縮小の扱い

2番目を曖昧にしたまま進めると、契約終了時に実験履歴ごと参照できなくなります。当社では生成AI開発・AI受託開発として、PoCから本番までの開発と、実験記録・再現性の担保を含む体制づくりを支援しています。記録の所在と権利関係を最初に決めておくこと。これが引き継ぎ可能なモデル開発の前提です。

よくある質問

W&Bの導入検討でよく挙がる質問を、料金・比較・データの扱いの順に整理します。

Weights & Biasesは無料で使えますか？

使えます。クラウド版のFreeプランは$0で、Modelsのシートが5まで、ストレージ5GB／月、Weaveのデータ取り込みが1GB／月。ただし個人開発向けの位置づけで、法人がチームで本格運用する規模には足りません。自己ホストのPersonalプランも$0ですが、1シートかつ法人利用が認められていない点に注意してください。学術機関のメールアドレスがあれば、Proの機能・200GBストレージ・100シートまでのアカデミックライセンスを無償で申請できます。

wandbとMLflowはどちらを選ぶべきですか？

サーバ運用を自社で持てるかで決めます。MLflowは 3.15.0（2026-07-31公開）が最新のOSSでライセンス費用は不要ですが、トラッキングサーバ・メタデータDB・成果物ストレージの運用は自社の担当です。この工数が月1人日を超えるなら、月額$60からのW&B Proと比較する価値があります。外部SaaSへデータを出せない規約がある場合はMLflowが素直な選択です。

W&Bのデータは日本国内に置けますか？

置けます。Dedicated Cloudの対応リージョンにAWSの東京（ap-northeast-1）とGoogle Cloudの東京（asia-northeast1）が含まれており、専用の隔離環境として国内に配置できます。共用のMulti-tenant Cloudは基盤がGoogle Cloudのみで、リージョンを選んで所在地を指定する使い方ではありません。自社インフラやオンプレミスに置くならSelf-managedを選びます。

wandbは学習を止めずにオフラインで使えますか？

使えます。環境変数 WANDB_MODE に offline を指定すると、記録はローカルのディレクトリに書き出され、ネットワーク接続を待たずに学習が進みます。閉域のGPUクラスタで学習し、あとから同期する運用が一般的です。CI環境やコンテナでは対話式のログインが使えないため、環境変数 WANDB_API_KEY にAPIキーを渡す形へ切り替えます。SDKはPython 3.10以上が必要。

W&B ModelsとW&B Weaveの違いは何ですか？

記録する対象が違います。Modelsは学習ジョブのrun・ハイパーパラメータ・指標・Artifactsを扱い、モデルを自分で学習するチーム向け。WeaveはLLMの呼び出し1回ごとの入力・出力・所要時間・入れ子の呼び出し関係をトレースとして残すもので、外部APIの生成AIを組み込んだアプリ開発に向きます。課金構造も別で、Weaveのシートは無料プランでも無制限、代わりに取り込み量で制限がかかります。

関連記事

• RAGASとは？RAG評価フレームワークの指標・0.4系の実装手順・導入判断：Weaveで記録した評価結果をどの指標で判断するかを扱っています
• ファインチューニングの実行環境と実装｜必要GPUと学習コード：W&Bで記録する学習ジョブそのものの環境要件をまとめています
• ファインチューニング用データセットの作り方｜サンプルと件数・品質要件：Artifactsで版を付ける対象となるデータ側の要件です
• MoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断：実験対象となるモデル構造側の判断材料です