Heronとは？TuringのGitHubリポジトリ一覧と現状・NVILA-Lite 4モデル・商用ライセンス

Heron（ヘロン）は、自動運転開発のTuring株式会社が公開している日本語向け視覚言語モデル（VLM）の名前です。英単語のheronは鳥のサギ、数学の「ヘロンの公式」は古代の数学者ヘロンを指しますが、この記事で扱うのはAIのHeronだけです。そのAIのHeronも、GitHubの学習ライブラリ、Hugging Faceで配布されるモデル群、日本語VLMの評価ベンチマークの3つが同じ名前を共有しています。しかも中心だったGitHubリポジトリは2024年6月13日で更新が止まり、現行モデルはそのリポジトリを使いません。どれが現役で、どこから入手し、どの条件で商用に使えるかを、2026年11月5日時点の一次情報で整理します。

まとめ：Heronの現在地

• 「Heron」は3つの対象を指します。学習ライブラリ turingmotors/heron、現行モデル群 Heron-NVILA-Lite、評価データセット Japanese Heron-Bench です。
• GitHubの turingmotors/heron は最終コミットが2024年6月13日で、タグもリリースも0件です。動くのは2023〜2024年のGIT／BLIP系モデルまでで、現行のHeron-NVILA-Liteは対象外です。
• いま使うなら2025年10月17日公開の -hf 版4種です。transformers==4.57.1 の AutoModelForImageTextToText で読めますが、trust_remote_code=True は引き続き必要です。
• 報道で見かける「Heron-Bench 73.5」とモデルカードの「59.6」は、採点に使ったGPT-4oの版が違う別の評価実行です。数字を並べて比べないでください。
• Heron-NVILA-Liteの重みはApache License 2.0で商用利用できます。ただしGPT-4生成の合成データを含むため、OpenAIの利用規約にも従う必要があります。

「Heron」が指す3つの対象

「heron github」「heronとは」で調べると情報が噛み合わないのは、3つの成果物が同じ名前で呼ばれているためです。まず対象を確定させます。

turingmotors/heron：2023年9月に公開発表されたV&L学習ライブラリ

GitHubの turingmotors/heron は2023年8月22日に作成された、Vision and Language／Video and Languageモデルを組み合わせて学習するライブラリです。設定ファイルでVision Encoder・Adapter・LLMを差し替える構成で、READMEが対応LLMとして挙げるのはLlama-2、MPT、OPT、GPT-NeoX、Japanese StableLM、ELYZA-japanese-Llama-2の6系統。動作確認環境はUbuntu 20.04とCUDA 11.7です。ライセンスはApache License 2.0、スター数は2026年11月5日時点で180です。

Heron-NVILA-Lite：2025年5月発表の現行モデル群

Turingが2025年5月12日に発表したのがHeron-NVILA-Liteシリーズです。NVIDIA Labsが公開したNVILA（arXiv:2412.04468）のLite構成をベースに日本語向けに学習したVLMで、Hugging Faceの turing-motors 配下に1B・2B・15B・33Bの4サイズがあります。名前にHeronが付いていても、学習コードは上のライブラリではなくNVILAの系譜です。「GitHubを見にいったのに現行モデルの情報がない」という食い違いはここから生まれます。

Japanese Heron-Bench：日本語VLMの評価データセット

「heron bench」で検索される Japanese Heron-Bench は、モデルではなく評価用データセットです。日本に関連する画像21枚に対し、Conversation・Detail・Complexの3カテゴリで計102問を用意し、各画像にanime・art・culture・food・landscape・landmark・transportationの7サブカテゴリのいずれかを割り当てています。画像はパブリックドメインまたはCC BY 1.0／2.0のものだけです。論文はarXiv:2404.07824（2024年4月11日投稿、著者はInoue・Sasaki・Ochi・Fujii・Tanahashi・Yamaguchi）です。

Heronの系譜：GIT／BLIP版からNVILA-Liteまで

Hugging Faceの turing-motors 配下には、Heronの名を持つモデルが世代ごとに残っています。作成日で並べると、土台がheronライブラリ、Idefics2、NVILA-Liteと移ってきたことが分かります。

2024年8月のHeron-Idefics2-8B-v0.1は、HuggingFaceM4のIdefics2-8Bと tokyotech-llm/Swallow-MS-7b-v0.1 を親モデルとする版で、この時期からheronライブラリを使わない作り方に移っています。同月に公開された学習ツール turingmotors/vlm-recipes の対応モデルもIdefics2とLLaVA-NeXTです。

「Heronの700億パラメータ級モデル」という記述を見かけることがありますが、Heron-NVILA-Liteの最大は33Bです。70B表記で実在するのは2023年の heron-preliminary-git-Llama-2-70b-v0 で、モデルカード自身が予備学習版で性能は保証しないと断っています。Llama-3-heron-brain-70B-v0.3 は画像を扱わない言語モデルです。どちらも現行シリーズと同列に比べる対象ではありません。

Turing関連のGitHubリポジトリと配布物の稼働状況

Heronの周辺には、学習データやベンチマークのリポジトリが別名で増えています。2026年11月5日にGitHub API・Hugging Face API・各URLへの接続で確かめた状態は次のとおりです。

今も手が入っているのはMOMIJIとSTRIDE-QAのデータ側で、モデルの学習ライブラリとしてのheronは2年以上動いていません。nejumi/heron はturingmotors/heronのforkで、Weights & BiasesでVLMのリーダーボードを作るためのものです。Turing公式の配布物と取り違えないでください。

旧Heronリポジトリ：GIT／BLIP系の学習ライブラリ

mainブランチは44コミットで止まり、READMEの推論サンプルが読み込むのは turing-motors/heron-chat-git-ja-stablelm-base-7b-v1 です。モジュールを組み替える学習の仕組みを読む教材としては今も使えますが、Heron-NVILA-Liteを導入する用途では選定対象から外してください。READMEが案内するデモサイトも、DNSは解決するもののHTTPS接続がタイムアウトします。

Heron-NVILA-Lite -hf版を動かす手順

通常版は transformers==4.45.0 前後への固定と scaling_on_scales の別途インストールを要求します。これを解消したのが2025年10月17日から公開された -hf 版で、モデルカードは transformers==4.57.1 で開発したと明記しています。ただし config.json の model_type は heron で、transformers本体には入っていない独自実装（modeling_heron.py）を読み込むため、trust_remote_code=True は外せません。以下は2BをBF16で読み込む例です。BF16で推論できる実行環境と十分なメモリを用意し、作業ディレクトリに入力画像 sample.jpg を配置してください。

pip install "transformers[torch]==4.57.1" pillow

import torch
from PIL import Image
from transformers import AutoModelForImageTextToText, AutoProcessor

MODEL_NAME = "turing-motors/Heron-NVILA-Lite-2B-hf"

model = AutoModelForImageTextToText.from_pretrained(
    MODEL_NAME, trust_remote_code=True, device_map="auto", dtype=torch.bfloat16
)
processor = AutoProcessor.from_pretrained(MODEL_NAME, trust_remote_code=True)

image = Image.open("sample.jpg").convert("RGB")
conversation = [{"role": "user", "content": "<image>\n画像を説明してください。"}]
text = processor.apply_chat_template(conversation, add_generation_prompt=True, tokenize=False)

encoding = processor(text=text, images=[image], return_tensors="pt").to(model.device)
output = model.generate(**encoding, max_new_tokens=512)
print(processor.decode(output[0, len(encoding["input_ids"][0]):], skip_special_tokens=True))

dtype=torch.bfloat16 を明示しているのは、transformers 4.57.1では省略すると通常は重みがFP32で読み込まれ、重みの保持に必要なメモリがBF16の約2倍になるためです。重みの保存形式はbfloat16なので、明示して精度を落とすことにはなりません。

Heron-NVILA-Lite 4サイズの構成と選び分け

4サイズはパラメータ数だけでなくVision EncoderとProjectorも異なります。33Bだけがsiglip2系、15Bだけが3×3の圧縮Projectorです。

モデル名の数字は視覚エンコーダを含めた全体規模で、カードの「LLM Size」とはずれます。1Bの言語側は0.5B、2Bは1.5Bです。必要なGPUメモリは重み全体に、画像の分割数・入力長・KVキャッシュを足して見積もります。選び方の基準は、動作確認なら1B、端末内や小型GPUなら2B、日本語の自由記述の質を重視してGPUを確保できるなら15B、Heron-Bench上の精度を最優先するなら33Bです。15Bの必要メモリや画像トークン数はHeron-NVILA-Lite-15Bとは？構成・必要GPUメモリとHeron-Bench 73.5と59.6の違いで個別に扱っています。小型モデルを選ぶ考え方はSLMとは？小規模言語モデルの仕組み・LLMとの違いと実装判断を解説、海外の同系統VLMとの比較にはQwen3-VLとは｜2B〜235Bのモデル一覧・必要メモリ・Ollama/transformersでの動かし方が使えます。

Heron-Benchのスコアで見る実力とGPT-4oとの差

Heron-NVILA-Liteのモデルカードは、llm-jp-eval-mmを使い gpt-4o-2024-05-13 を採点役（LLM-as-a-Judge）にした結果を載せています。Heron-NVILA-Lite以外の値は2025年3月時点のllm-jp-eval-mmリーダーボードとAsagiのサイトからの引用です。

この表から、Heronが既存モデルをすべての評価項目で上回るとは結論できません。Heron-Bench overallではGPT-4oの87.6に対し33Bが61.1で、26ポイント以上離れています。一方JA-VLM-Bench-In-the-Wildでは15Bが4.2、33Bが4.0でGPT-4oの3.85を上回りました。言えるのはこの2点までです。日本語VLMの選択肢はSarashinaとは？無料APIの使い方・モデル一覧・TTS/OCRとライセンス【2026年10月】と併せて比べてください。

報道の「73.5」とモデルカードの「59.6」が違う理由

2025年5月の発表を伝えたニュース記事の多くは、15BのHeron-Benchを73.5と書いています。この値の出どころはTuringの技術ブログで、ブログは採点役に gpt-4o-2024-11-20 を使ったと書いたうえで「Hugging Face のモデルページにもスコアを記載していますがあちらは評価モデルが『gpt-4o-2024-05-13』での結果です」と断っています。同じモデルでも採点役の版でスコアが大きく動くのがLLM-as-a-Judgeの性質で、73.5と59.6はどちらも正しい別の測定です。比べるなら同じ表の中だけで比べます。ブログ側の表では同条件のGemma 3 12Bが72.2、Qwen2.5-VL-7Bが70.3で、15Bとの差は数ポイントです。採点役による評価の揺れはLLM-as-a-Judgeとは？評価プロンプトの書き方・3つのバイアス対策と人手との一致率の測り方で扱っています。

MOMIJIとSTRIDE-QA：Heronの学習データと別系統の運転データ

Heron-NVILA-Liteの学習に使われたのがMOMIJIです。STRIDE-QAはHeron-NVILA-Liteの学習には使われておらず、Turingが別途公開している自動運転向けのデータセットです。

MOMIJI：56M文書規模の日本語インターリーブデータ

MOMIJIの正式名称は Modern Open Multimodal Japanese filtered Dataset です。2024年2月から2025年1月までのCommon Crawlから構築され、データセットカードの統計では56,119,639文書、249,745,953件の画像参照です。インターリーブとは、文書内で文章と画像が現れた順序を保ったまま1件のレコードにすることで、画像の位置は <image1> のようなプレースホルダーで表します。

配布されているのは画像本体でも元ページの全文でもありません。文書と画像を特定する公開レコード（ページURL、画像URL、画像サイズなど・約14.7GB）で、本文は momiji_generator が実行時点のWebページから取り直して生成します。Webページは更新も削除もされるため、構築当時と同じデータは再現できません。2026年7月には構築パイプラインのコード（turingmotors/MOMIJI・MIT）も公開されました。CC BY 4.0が及ぶのはTuringが権利を持つカードや統計表などで、元ページ由来の本文・画像・alt text・URLの権利は各権利者に残ります。社内の学習に使うなら、再取得と権利処理の工数を最初に見積もってください。

STRIDE-QA：東京の走行データから作った時空間推論VQA

STRIDE-QAは日本語の質問応答データセットではありません。論文（arXiv:2508.10427）は2025年8月に公開され、AAAI 2026にOralで採択されました。東京で収集した100時間のマルチセンサー走行データから作った、自動運転の時空間推論を問う英語のVQAデータセットで、約270,000フレームに約1,643万のQAペアを持ちます。タスクは物体どうしの空間関係、自車と周囲物体の関係、4フレームの文脈から1〜3秒先の距離・方位・速度を予測するものの3種類です。評価用のSTRIDE-QA-Benchは2025年8月に、前方カメラ画像とJSONLの注釈を含む本体データは2026年1月23日にHugging Faceで公開されました。ライセンスはCC BY-NC-SA 4.0で、Heron-NVILA-LiteやMOMIJIと違い商用利用できません。センサー側の前提はLiDARとは？仕組み・ToF方式・点群処理を実装目線で解説する技術ガイドを参照してください。

商用利用の可否とライセンスの落とし穴

Heronは名前が共通でも、配布物ごとにライセンスが違います。「Heronは非商用」「商用は個別契約」という説明は誤りですが、全部が商用可というわけでもありません。

見落としやすいのが2行目の但し書きです。モデルカードは、学習データにGPT-4生成の合成データが含まれるため利用者はOpenAIの利用規約にも従うよう求めています。OpenAIの規約は競合モデルの開発に出力を使うことを制限しているため、Heronを自社LLMの学習素材にする計画では、Apache-2.0であることがそのまま自由を意味しません。カードは倫理・法令面の調整を経ていない実験的なモデルだとも明記しているので、人物の判定や医療情報の生成など、誤りが直接不利益につながる用途にそのまま載せるのは避けてください。業務の画像処理に組み込むなら、自社の画像で評価データを作れるかが採否の分かれ目です。画像認識AIモデル構築の支援を使う場合も、評価データの範囲を先に決めておくと見積もりがぶれません。なおHeron-NVILA-LiteはNEDOの助成事業JPNP20017の成果に基づくもので、開発者はTuring Inc.です。

2025年5月12日の発表は、2BモデルがiPhone上で完全ローカルに推論できるとして「Heron App for iOS」の公開を告知しました。しかしApp Storeの該当ページ（id6745646268）は2026年11月5日時点で日本・米国ストアともHTTP 404を返し、iTunesの検索APIでも該当アプリは0件です。オンデバイス利用を考えるなら、既製アプリに頼らず自前で組み込む工数を見込んでください。

よくある質問

Heronの読み方と意味は？

「ヘロン」と読みます。英単語のheronは鳥のサギで、そちらの意味で検索されることも多い語です。AIの文脈ではTuringが公開する日本語視覚言語モデルとその周辺の名前を指します。

HeronのGitHubリポジトリはどこにありますか？

github.com/turingmotors/heron です。2023年8月22日作成、Apache License 2.0、2026年11月5日時点でスター180件。ただし最終コミットは2024年6月13日で、現行のHeron-NVILA-Liteはこのリポジトリでは動きません。現行モデルはHugging Faceの turing-motors 配下から入手します。

Heron-Benchとは何ですか？

Turingが公開した日本語VLMの評価用ベンチマークです。Hugging Face上のデータセット名は Japanese-Heron-Bench で、日本に関連する画像21枚に対する102問で構成されます。論文は arXiv:2404.07824 です。

Heronは商用利用できますか？

Heron-NVILA-Liteシリーズの重みはApache License 2.0で、商用利用できます。ただしGPT-4生成の合成データを含むため、OpenAIの利用規約にも従う必要があります。70B表記のモデルはLlama系ライセンス、STRIDE-QAは非商用なので、同じ条件では扱えません。

HeronのiPhoneアプリは使えますか？

2026年11月5日時点で、2025年5月に告知された「Heron App for iOS」は日本・米国のApp Storeから新規に入手できません。ストアページは404で、検索しても見つかりません。これから使うなら2Bモデルを自前で組み込む方法が候補です。既に入手済みのアプリが動くかどうかは確認できていません。

関連記事

• Heron-NVILA-Lite-15Bとは？構成・必要GPUメモリとHeron-Bench 73.5と59.6の違い
• Qwen3-VLとは｜2B〜235Bのモデル一覧・必要メモリ・Ollama/transformersでの動かし方
• Sarashinaとは？無料APIの使い方・モデル一覧・TTS/OCRとライセンス【2026年10月】
• LLM-as-a-Judgeとは？評価プロンプトの書き方・3つのバイアス対策と人手との一致率の測り方
• マルチモーダルRAGとは？図表・画像を検索する仕組みと実装方式の選び方