小規模言語モデル（SLM）とは、大規模言語モデル（LLM）よりモデル規模や必要な計算資源を抑えた言語モデルです。
ChatGPTの普及により、LLMという言葉は広く知られるようになりました。近年は、スマートフォンやPCでも動かしやすい小型の言語モデルが注目されています。
ただし、「小さいAIだから性能が低い」と単純に考えるのは適切ではありません。用途を絞り、学習データや設計を工夫する方法があります。その結果、小規模言語モデルでも特定の仕事を効率よく処理できる場合があります。
この記事では、SLMの意味からLLMとの違い、仕組み、メリット、注意点、実際の使い方まで、AI初心者にもわかりやすく解説します。
小規模言語モデル（SLM）とは？
小規模言語モデル（SLM）は、文章を理解・生成する言語モデルです。また、LLMよりパラメーター数や必要な計算資源を抑えています。
SLMは何の略？
SLMは「Small Language Model」の略です。日本語では、主に「小規模言語モデル」や「小型言語モデル」と呼ばれます。
一方、LLMは「Large Language Model」の略で、日本語では「大規模言語モデル」です。
両者はまったく別の技術ではありません。文章を処理・生成する言語モデルという枠組みは共通です。一方、モデル規模や利用目的、必要な計算資源などが異なります。
「小規模」は何億・何十億パラメーターまで？
SLMに「○○億パラメーター以下ならSLM」という統一された境界があるわけではありません。
実際に、数億パラメーター規模のモデルもあれば、数十億、あるいは100億を超えるモデルがSLMとして扱われる例もあります。
初心者は、具体的な数字だけで分類する必要はありません。クラウド上の巨大なLLMと比べ、小型で効率を重視した言語モデルと理解するとよいでしょう。
小規模言語モデルとLLMの違い
SLMとLLMの大きな違いは、モデル規模と、それに伴う計算資源・用途の違いです。
| 比較項目 | SLM | LLM |
|---|---|---|
| モデル規模 | 比較的小さい | 比較的大きい |
| 必要な計算資源 | 少なくしやすい | 多くなりやすい |
| 処理速度 | 高速化しやすい | 大きさによって処理負荷が増える |
| 動作環境 | PC・スマホ・エッジ端末でも利用可能なモデルがある | クラウドや高性能サーバーでの利用が中心 |
| 得意分野 | 特定用途への最適化 | 幅広い知識や複雑なタスク |
| 運用コスト | 抑えやすい | 高くなる場合がある |
なお、この比較はあくまで一般的な傾向です。
モデルの設計やハードウェアによって、処理速度は変わります。量子化の有無や入力する文章量も影響します。そのため、実際の利用環境で検証することが重要です。
小規模言語モデルの仕組み
小規模言語モデルも、学習した大量のデータから出力を生成します。言葉の関係や文章のパターンを捉える点は、一般的な言語モデルと同じです。
違いは、より少ない計算資源でも実行できるようにモデルの規模や設計を工夫している点です。
学習したパラメーターを使って文章を処理する
言語モデルには「パラメーター」と呼ばれる多数の調整値があります。
まず、学習を通じてこれらの値を調整します。その結果、入力された文章の文脈を捉え、適切な出力を生成できるようになります。
SLMでは、LLMより少ないパラメーターで効率的に処理できるよう設計されたモデルが一般的です。
パラメーター数が多ければ必ず優れているわけではありません。目的に合った学習データや設計、調整方法も性能を左右します。
小型化・最適化する代表的な考え方
SLMを効率化する方法には複数のアプローチがあります。
たとえば、次のような方法です。
- 最初から小規模なモデルとして設計する
- 特定の用途に絞って学習・調整する
- 大きなモデルの知識を小さなモデルへ移す「知識蒸留」を利用する
- 数値表現を軽量化する「量子化」を行う
- ファインチューニングによって特定の業務へ適応させる
すべてのSLMが同じ方法で作られているわけではありません。
小規模言語モデルのメリット
SLMの主なメリットは、大規模モデルほどの計算資源を必要としないAIを構築しやすいことです。
少ない計算資源で動かしやすい
モデルが小さければ、一般に推論時に必要となるメモリや計算量も抑えやすくなります。
そのため、高性能なクラウドサーバーだけではなく、PCやスマートフォン、エッジデバイスなどで利用できるモデルもあります。
応答を高速化しやすい
処理するモデルが小さくなることで、条件によってはLLMより短い待ち時間で結果を返せます。
リアルタイム性が求められるチャット、入力補助、音声インターフェースなどでは重要な特徴です。
端末上で動かせる場合がある
SLMの特徴として注目されているのが「オンデバイスAI」です。
オンデバイスとは、AI処理をクラウドへ送るのではなく、利用しているPCやスマートフォンなどの端末内で実行する方式を指します。
端末上で処理が完結すれば、データをクラウドへ送信せずに済みます。そのため、プライバシーやネットワーク接続の面でメリットが生まれる場合があります。
ただし、小規模言語モデルだけで情報漏えい対策が完了するわけではありません。クラウドで動かすモデルもあります。実際の送信先や保存方法まで確認しましょう。
特定用途に最適化しやすい
幅広い質問へ答えることより、限定された仕事を効率よく処理することを重視する場合、SLMが適することがあります。
たとえば、社内FAQ、文章分類、定型的な要約、入力支援などです。
必要な仕事が明確なら、巨大なモデルを常に利用する必要がないケースもあります。
小規模言語モデルのデメリット・注意点
SLMにはメリットがある一方、LLMの完全な代替になるとは限りません。
主な注意点は次のとおりです。
- 幅広い知識が必要な質問ではLLMが適する場合がある
- 複雑な推論や長い指示への対応力はモデルによって差がある
- 小さいモデルでも誤った回答を生成する可能性がある
- 用途に合わせた評価やチューニングが必要になる場合がある
- オンデバイス実行には対応ハードウェアや十分なメモリが必要なことがある
特に注意したいのが、「SLMだから正確」という誤解です。
モデルが小さくても、生成AI特有の誤回答は起こります。業務では、回答精度だけでなく安全性も確認しましょう。処理速度やコスト、運用方法も含めた評価が必要です。
小規模言語モデルの主な使い方
SLMは、クラウド上の生成AIだけでは実現しにくかった「端末側で動かすAI」や「特定業務専用のAI」で活用されています。
スマートフォンやPC上のAI
代表例の一つがオンデバイスAIです。
例えば、文章の要約や書き換え、入力補助などを端末内で処理できます。その場合、ネット接続が不安定でもAI機能を利用できる可能性があります。
MicrosoftのPhi Silicaは、Windows上でオンデバイス推論を行うために設計されたSLMの一例です。
社内AI・業務システム
企業では、小規模言語モデルを用途が限定されたAIに組み込めます。社内文書の検索やFAQ回答、文章分類、問い合わせ処理などが例です。
「世界中のあらゆる質問へ回答するAI」ではなく、「自社の決められた仕事を効率化するAI」が必要なら、SLMを検討する余地があります。
チャットボットや定型処理
問い合わせ内容の分類、文章の要約、定型的な回答作成など、処理内容がある程度決まっている業務とも相性があります。
一方で、専門性の高い判断や複雑な推論が必要な仕事では、より高性能なモデルとの比較が必要です。
RAGとの組み合わせ
SLMはRAGと組み合わせることもできます。
RAGは、質問に関連する文書やデータを検索する仕組みです。その情報をモデルへ渡し、回答を生成します。正式名称はRetrieval-Augmented Generation（検索拡張生成）です。
Googleは、オンデバイスの小規模言語モデルとRAGを組み合わせる仕組みを公開しています。端末内の情報を活用するAIアプリも構築できます。
SLMとLLMはどう使い分ける？
SLMとLLMは、どちらか一方が常に優れているわけではありません。
重要なのは、AIに何をさせたいかです。
SLMを検討しやすいケース
- 処理速度を重視する
- 運用コストを抑えたい
- PCやスマートフォン上で処理したい
- ネット接続なしでも使いたい
- 処理する業務がある程度限定されている
- データを端末内にとどめる構成を検討している
LLMを検討しやすいケース
- 幅広い知識を必要とする
- 複雑な文章作成や推論を行いたい
- 多様な質問への対応力を重視する
- 大規模なモデルが必要とする計算資源を利用できる
また、「簡単な処理はSLM、難しい処理だけLLM」のように複数モデルを使い分ける設計も考えられます。
AIを導入するときは、モデルの大きさだけで決めず、精度・速度・コスト・セキュリティのバランスを見ることが大切です。
代表的な小規模言語モデルの例
SLMの代表例として、MicrosoftのPhiシリーズがあります。
MicrosoftはPhiをSLMのモデルファミリーとして提供しており、Phi-4やPhi-4-miniなど複数のモデルがあります。
GoogleもGemmaシリーズで軽量モデルを展開しています。スマートフォン向けの小型モデルもあります。また、特定用途向けのモデルも公開されています。
モデルの種類やバージョンは継続的に更新されるため、実際に利用する際は公式ページで最新情報を確認してください。
小規模言語モデルに関するよくある質問
SLMとLLMは何が違う？
主な違いはモデル規模と必要な計算資源です。
小規模言語モデルは比較的小型です。処理速度や効率、端末上での利用を重視しやすいモデルです。一方、LLMは幅広い知識や複雑なタスクへの対応を狙います。
SLMは生成AIですか？
SLMの中には文章などを生成できる生成AIモデルがあります。
ただし、「生成AI」は画像生成AIや動画生成AIも含む広い概念です。小規模言語モデルは、その中でも言語を扱うモデルについて使われる用語です。
SLMならインターネットなしで使えますか？
オンデバイス実行に対応したSLMであれば、クラウド接続なしで一部のAI処理を実行できる場合があります。
ただし、すべてのSLMがオフラインで使えるわけではありません。モデル、アプリ、端末の性能などによって条件が異なります。
SLMはLLMより性能が低い？
一概にはいえません。
幅広い知識や複雑なタスクでは大規模モデルが有利な場合がありますが、仕事を限定すれば小型モデルでも高い実用性を発揮できるケースがあります。
「モデルが大きいほど必ず最適」ではなく、目的に合ったモデルを選ぶことが重要です。
SLMを一般ユーザーが使うことはできますか？
できます。
小規模言語モデルを組み込んだPCやアプリを利用できます。公開モデルをPCへ導入する方法もあります。ただし、自分で導入する場合は、必要なメモリや対応ソフトウェアを確認しましょう。
まとめ
小規模言語モデル（SLM）は、LLMと比べてモデル規模や必要な計算資源を抑え、効率的な利用を目指した言語モデルです。
小型化により、処理速度やコストの面でメリットを得られる可能性があります。端末上での実行にも向いています。特に、社内AIやチャットボット、定型処理などで活用しやすい技術です。
一方、複雑な推論や幅広い知識が必要な場面では、LLMのほうが適していることもあります。
小規模言語モデルとLLMを、単純な優劣だけで比べるべきではありません。何を処理したいのかを明確にしましょう。必要な精度・速度・コストを基準に使い分けることが重要です。
出典・参考情報
- Microsoft Azure「小規模言語モデル (SLM) とは?」
- Microsoft Learn「透明性に関する注記: Copilot+ PC以外のPCにおけるPhi Silica」
- Google Developers Blog「マルチモダリティ、RAG、および関数呼び出しに対応したオンデバイス小型言語モデル」
- Google AI for Developers「Gemma releases」
