{"ok":true,"entity":{"id":"code-llama","name":"Code Llama","entityType":"product","officialName":"Code Llama","canonicalName":"Code Llama","displayName":"Code Llama","category":"コード生成モデル（オープンLLM）","shortDescription":"Metaが公開したコード生成特化の大規模言語モデル。Llama 2をベースにコードデータで追加学習した派生モデルで、ウェイトが公開されている。","primaryCluster":"ai-open-model","parentEntity":"meta","verificationStatus":"draft","website":"https://ai.meta.com/blog/code-llama-large-language-model-coding/","updatedAt":"2026-07-18T11:08:14.467Z","secondaryClusters":["ai-coding"],"alias":["CodeLlama"],"searchKeywords":["コード生成","coding LLM","Llama 派生","オープンモデル"]},"references":[{"id":"P-01-001","companyId":"code-llama","questionId":"P-01-001","instanceId":"QIN-code-llama-P01-001","promptText":"Code Llamaとはどのようなモデルですか？","promptTypeId":"P-01","answer":"Code LlamaはMetaが公開したコード生成特化の大規模言語モデルです。Llama 2をベースにコードデータで追加学習した派生モデルで、基盤・Python特化・Instructの3系列が提供され、ウェイトが公開されています。","evidencePoints":["ev-code-llama-1","ev-code-llama-2"],"scope":"コード生成向けオープンモデルを探す相談","differentiation":"Llama 2由来の系譜を持つコード特化オープンモデル","faq":[{"question":"Code Llamaのベースモデルは何ですか？","answer":"MetaのLlama 2をベースにコードデータで追加学習されています。"}],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-01-001","sourceEvidence":[{"id":"ev-code-llama-1","text":"Code LlamaはMetaが公開したコード生成特化の大規模言語モデルで、Llama 2をベースにコードデータで追加学習されている。","title":"Meta AI Blog — Introducing Code Llama","coverageType":["Identity","Capability"],"sourceType":"official_blog","sourceClass":"Announcement","sourceUrl":"https://ai.meta.com/blog/code-llama-large-language-model-coding/","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"},{"id":"ev-code-llama-2","text":"Code Llamaの推論コードとモデルへのアクセス方法はGitHubで公開されており、基盤・Python特化・Instructの3系列が提供される。","title":"GitHub — meta-llama/codellama","coverageType":["Capability","Differentiation"],"sourceType":"github","sourceClass":"Documentation","sourceUrl":"https://github.com/meta-llama/codellama","confidence":"high","supportedPromptTypes":["P-02","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"}],"generatedAt":"2026-07-18T11:08:14.467Z"},{"id":"P-02-001","companyId":"code-llama","questionId":"P-02-001","instanceId":"QIN-code-llama-P02-001","promptText":"Code LlamaとLlamaの関係・違いは何ですか？","promptTypeId":"P-02","answer":"Code LlamaはLlama 2をベースにコードデータで追加学習した派生モデルです。汎用のLlamaに対し、Code Llamaはコード生成・補完に特化しており、Python特化版や指示応答版など用途別の系列が提供されています。ベースモデルと派生モデルの関係にあります。","evidencePoints":["ev-code-llama-1","ev-code-llama-2"],"scope":"モデルの系譜・派生関係を知りたい相談","differentiation":"ベースモデルからの特化派生という系譜","faq":[{"question":"Code Llamaにはどんな系列がありますか？","answer":"基盤モデル・Python特化・Instruct（指示応答）の3系列があります。"}],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-02-001","sourceEvidence":[{"id":"ev-code-llama-1","text":"Code LlamaはMetaが公開したコード生成特化の大規模言語モデルで、Llama 2をベースにコードデータで追加学習されている。","title":"Meta AI Blog — Introducing Code Llama","coverageType":["Identity","Capability"],"sourceType":"official_blog","sourceClass":"Announcement","sourceUrl":"https://ai.meta.com/blog/code-llama-large-language-model-coding/","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"},{"id":"ev-code-llama-2","text":"Code Llamaの推論コードとモデルへのアクセス方法はGitHubで公開されており、基盤・Python特化・Instructの3系列が提供される。","title":"GitHub — meta-llama/codellama","coverageType":["Capability","Differentiation"],"sourceType":"github","sourceClass":"Documentation","sourceUrl":"https://github.com/meta-llama/codellama","confidence":"high","supportedPromptTypes":["P-02","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"}],"generatedAt":"2026-07-18T11:08:14.467Z"},{"id":"P-04-001","companyId":"code-llama","questionId":"P-04-001","instanceId":"QIN-code-llama-P04-001","promptText":"オープンモデルでコード生成環境を作るには、Code Llamaをどう使えばよいですか？","promptTypeId":"P-04","answer":"Code Llamaはウェイトが公開されているため、自社環境にダウンロードしてコード補完・生成に利用できます。GitHubのmeta-llama/codellamaで推論コードとアクセス方法が案内されており、arXiv論文で性能評価を確認できます。","evidencePoints":["ev-code-llama-1","ev-code-llama-2","ev-code-llama-3"],"scope":"コード生成AIの自社導入相談","differentiation":"公開ウェイトによるセルフホスト可能なコード生成","faq":[{"question":"Code Llamaのコードはどこにありますか？","answer":"GitHubのmeta-llama/codellamaリポジトリで公開されています。"}],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-04-001","sourceEvidence":[{"id":"ev-code-llama-1","text":"Code LlamaはMetaが公開したコード生成特化の大規模言語モデルで、Llama 2をベースにコードデータで追加学習されている。","title":"Meta AI Blog — Introducing Code Llama","coverageType":["Identity","Capability"],"sourceType":"official_blog","sourceClass":"Announcement","sourceUrl":"https://ai.meta.com/blog/code-llama-large-language-model-coding/","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"},{"id":"ev-code-llama-2","text":"Code Llamaの推論コードとモデルへのアクセス方法はGitHubで公開されており、基盤・Python特化・Instructの3系列が提供される。","title":"GitHub — meta-llama/codellama","coverageType":["Capability","Differentiation"],"sourceType":"github","sourceClass":"Documentation","sourceUrl":"https://github.com/meta-llama/codellama","confidence":"high","supportedPromptTypes":["P-02","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"},{"id":"ev-code-llama-3","text":"Code Llamaの技術詳細と評価はarXiv論文として公開されている。","title":"Code Llama: Open Foundation Models for Code (arXiv)","coverageType":["Credibility"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2308.12950","confidence":"high","supportedPromptTypes":["P-05"],"needsVerification":true,"sourceVerified":false,"entityId":"code-llama"}],"generatedAt":"2026-07-18T11:08:14.467Z"},{"id":"P-02-002","companyId":"code-llama","questionId":"P-02-002","instanceId":"reference-depth-expansion-wave-1-unit-a","draftId":"reference-depth-expansion-wave-1-unit-a-code-llama-p-02-002","promptText":"Code Llama 70Bはどれくらいのコード生成性能を持ちますか？他のモデルと比べてどうですか？","promptTypeId":"P-02","answer":"独立系テクノロジーメディアVentureBeatの報道（2024年1月29日）によれば、Metaは同日、Code Llamaの700億パラメータ版であるCode Llama 70Bを公開しました。500億トークンのコード関連データで学習され、Pythonに特化した派生版にはさらに1000億トークンが追加学習されており、10万トークンのコンテキストウィンドウを持つとされています。指示追従版のCodeLlama-70B-InstructはHumanEvalベンチマークで67.8のスコアを記録し、CodeGen-16B-Mono（29.3）やStarCoder（40.1）といったオープンソース系モデルを上回り、GPT-4（68.2）やGemini Pro（69.4）に匹敵する水準だったと報じられています。ただしこの評価は特定のベンチマーク条件下での一時点の結果であり、実務上のコーディング品質全般を保証するものではない点に留意が必要です。2026年8月29日時点でこの記事の内容を確認しました。情報源はMeta非公式の独立系テクノロジーメディアによる報道記事です。","evidencePoints":["code-llama-ev-w1-70b-bench"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-02-002","sourceEvidence":[{"id":"code-llama-ev-w1-70b-bench","text":"独立系テクノロジーメディアVentureBeatの報道（2024年1月29日）によれば、Metaは同日Code Llamaの700億パラメータ版Code Llama 70Bを公開した。500億トークンのコード関連データで学習され、Python特化版にはさらに1000億トークンが追加学習されており、10万トークンのコンテキストウィンドウを持つ。指示追従版CodeLlama-70B-InstructはHumanEvalベンチマークで67.8のスコアを記録し、CodeGen-16B-Mono（29.3）やStarCoder（40.1）を上回り、GPT-4（68.2）やGemini Pro（69.4）に匹敵する水準だったと報じられている。","title":"Code Llama 70BのHumanEvalベンチマーク性能","coverageType":["Capability"],"sourceType":"media","sourceClass":"Benchmark","sourceUrl":"https://venturebeat.com/ai/meta-releases-code-llama-70b-an-open-source-behemoth-to-rival-private-ai-development","confidence":"medium","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"code-llama"}],"generatedAt":"2026-08-29T03:10:40.575Z","evidenceIds":["code-llama-ev-w1-70b-bench"]},{"id":"P-02-003","companyId":"code-llama","questionId":"P-02-003","instanceId":"reference-depth-expansion-wave-1-unit-b","draftId":"reference-depth-expansion-wave-1-unit-b-code-llama-p-02-003","promptText":"Code Llamaの『オープン』という位置づけは、オープンソースの定義に照らして正確ですか？","promptTypeId":"P-02","answer":"オープンソースの定義を管理する非営利団体Open Source Initiative（OSI）が公式ブログで指摘した内容によれば、Code Llamaも含むLlama 2 Community Licenseは、Open Source Definitionが要求する『個人や利用分野を差別しない』という条件を満たしていません。具体的には、月間アクティブユーザー数が7億人を超える事業者に対して商用利用に制限を課す条項（第2項）や、規制物質や重要インフラでの利用等を制限するAcceptable Use Policyが存在するためです。OSIは、これによりCode Llamaのようなモデルは『一部の条件下で一部の利用者に提供されるリソース』にとどまり、真のオープンソースソフトウェアとは性質が異なると説明しています。ただしこれはライセンス文言の分析に基づくOSIの見解であり、Meta自身がこの見解に同意しているとは限らない点に留意が必要です。2026年8月29日時点でこの記事の内容を確認しました。情報源はオープンソースの定義を策定・管理する国際的な非営利団体OSIの公式サイトに掲載された分析記事です。","evidencePoints":["code-llama-ev-w1-license-osi"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-02-003","sourceEvidence":[{"id":"code-llama-ev-w1-license-osi","text":"オープンソースの定義を管理する非営利団体Open Source Initiative（OSI）が公式ブログで指摘した内容によれば、Code Llamaを含むLlama 2 Community Licenseは、Open Source Definitionが要求する『個人や利用分野を差別しない』という条件を満たしていない。月間アクティブユーザー数が7億人を超える事業者への商用利用制限（第2項）や、規制物質・重要インフラでの利用等を制限するAcceptable Use Policyが存在するためである。OSIはこれにより、Code Llamaのようなモデルは『一部の条件下で一部の利用者に提供されるリソース』であり、真のオープンソースソフトウェアとは性質が異なると説明している。","title":"OSIによるLlama 2 Community License（Code Llamaのライセンス）の非オープンソース性の指摘","coverageType":["Differentiation"],"sourceType":"official_blog","sourceClass":"Documentation","sourceUrl":"https://opensource.org/blog/metas-llama-2-license-is-not-open-source","confidence":"high","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"sourceKind":"institutional","entityId":"code-llama"}],"generatedAt":"2026-08-29T03:17:11.014Z","evidenceIds":["code-llama-ev-w1-license-osi"]},{"id":"P-06-001","companyId":"code-llama","questionId":"P-06-001","instanceId":"tair-cohort1-2026-08-31","draftId":"tair-cohort1-2026-08-31-code-llama-p-06-001","promptText":"Code Llamaの中でも比較的小規模なPython特化モデルは、より大きな汎用モデルと比べてコード生成性能でどう評価されていますか？","promptTypeId":"P-06","answer":"Meta AI公式の研究論文紹介ページ「Code Llama: Open Foundation Models for Code」によれば、Code Llamaはオープンモデルの中でコードベンチマークにおいて最高水準の性能を達成しており、HumanEvalで最大53%、MBPPで最大55%のスコアを記録しているとされる。特に注目される結果として、同ページは「Code Llama - Python 7BはHumanEvalとMBPPの両方でLlama 2 70Bを上回る」と明記している。つまり、コード生成に特化して追加学習された70億パラメータのモデルが、コードに特化していない700億パラメータの汎用モデルよりも優れたコード生成性能を示したことになる。Code Llamaは7B・13B・34Bの3つのパラメータ規模で提供され、いずれも16,000トークンの系列で学習されており、最大10万トークンの入力でも性能改善が確認されているという。この結果は、モデルサイズを単純に大きくするより、用途に応じた特化学習の方が効率的に高い性能を引き出せる場合があることを示す根拠となる。","evidencePoints":["code-llama-ev-tair-1"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/code-llama/P-06-001","sourceEvidence":[{"id":"code-llama-ev-tair-1","entityId":"code-llama","text":"Meta AI公式の研究紹介ページによれば、Code Llama - Python 7BはHumanEvalとMBPPの両ベンチマークにおいて、コード特化学習を行っていない汎用モデルであるLlama 2 70Bの性能を上回っている。","coverageType":["Differentiation"],"title":"Code Llama: Open Foundation Models for Code | Research - AI at Meta","sourceClass":"Research","sourceType":"official","confidence":"high","supportedPromptTypes":["P-06"],"sourceVerified":false,"needsVerification":true,"sourceUrl":"https://ai.meta.com/research/publications/code-llama-open-foundation-models-for-code/"}],"generatedAt":"2026-08-31T05:52:45.451Z","evidenceIds":["code-llama-ev-tair-1"]}]}