# SLM（小規模言語モデル）とは？LLMとの違いや注目される理由を分かりやすく解説！ > SLM（小規模言語モデル）とは、パラメータの数を抑えて軽くした言語モデルのことです。本記事では、LLMとの違い、スマホや工場の機械でも動く・安い・データを外に出さないといった注目される理由、小さくても賢くなる仕組み（蒸留など）、使い分けを図解で分かりやすく解説します！ - URL: https://toukei-lab.com/small-language-model - 公開: 2026.10.28 - サイト: スタビジ（https://toukei-lab.com） :::talk{who="umatan"} 当サイト【スタビジ】の本記事では、「SLM（小規模言語モデル）」について分かりやすく解説していきます！LLMとの違いから、今注目されている理由、小さいのに賢くなる仕組み、LLMとの使い分けまで見ていきましょう！ ::: こんにちは！ウマたんです！ ChatGPTやGeminiのような大規模言語モデル（LLM）が世の中をにぎわせる一方で、今AI業界でひそかに大注目されているのが「**SLM**」です。 SLMは「**Small Language Model**」の略で、日本語では「**小規模言語モデル**」と呼ばれます。 GoogleのGemma、MetaのLlama、フランスのスタートアップのMistral AIなど、世界中のテック企業が次々に小さな言語モデルを出しているんです。 :::talk{who="man" side="left"} AIって大きいほど賢いんじゃないの？なんでわざわざ小さくするの？ ::: :::talk{who="woman"} SLMとLLMをどう使い分ければいいのか知りたい！ ::: 本記事では、次の4つを順番に解説していきます。 :::point **・SLMとは？LLMとの違い**\ **・SLMが注目される3つの理由**\ **・小さいのに賢いSLMの秘密**\ **・SLMの使いどころと注意点** ::: 以下のYouTube動画でも解説していますので、あわせてチェックしてみてください！ ::youtube{#gUtMYj1mLIo} ## SLMとは？LLMとの違い まずは結論からいきましょう！ **SLMとは、パラメータの数を抑えた、軽い言語モデルのこと**です。 ### パラメータの数が、ぐっと少ない AIの言語モデルの中には、「**パラメータ**」と呼ばれるばく大な数の数値が入っています。AIが覚えた知識や言葉のパターンは、この数値の中にしまわれています。 LLMは、このパラメータの数がとても多く、大きなものでは数千億、さらには1兆を超えるものもあります。 一方SLMは、パラメータの数を数億〜数十億ほどに抑えたモデルです。 :::memo 「何個までならSLM」という、はっきりした決まりはありません。だいたい数億から100億くらいまでのモデルを、SLMと呼ぶことが多いです。LLMと比べて「小さい」という意味の、ゆるやかな呼び名だと思っておきましょう。 ::: | | LLM（大規模言語モデル） | SLM（小規模言語モデル） | |---|---|---| | パラメータの数 | 数千億〜1兆を超えるものも | 数億〜数十億ほど | | 動かす場所 | 主にクラウドの高性能なGPUサーバー | スマホ、パソコン、工場の機械なども | | 得意なこと | なんでも幅広くこなす | 決まった仕事を、安く・速く・安全にこなす | | 代表的な使い方 | ChatGPTなどのチャットAI | スマホの中の機能、社内の決まった業務 | 大規模言語モデル（LLM）の仕組みについては、以下の記事で解説しています。 ### 主なSLMの例 実際に、どんなSLMがあるのか見てみましょう。2026年10月時点の主な例です。 | 会社 | モデルの例 | ポイント | |---|---|---| | Google | Gemma 4（E2B・E4B） | 2026年4月に公開。スマホなどの端末で動かすことを想定した小さなモデル | | Microsoft | Phi-4-mini | 2025年2月に公開。約38億パラメータ | | Meta | Llama 3.2（1B・3B） | 2024年9月に公開。約10億・約30億パラメータ | | Mistral AI | Ministral 3（3B・8B・14B） | 2025年12月に公開。パソコンや小さな機械での利用も想定 | | Apple | Apple Intelligence の端末内モデル | 2025年、iPhoneなどの中で動く約30億パラメータのモデルを、アプリの開発者も使えるようにした | モデル名の「1B」「3B」の「B」は、Billion（10億）のこと。「3B」なら、パラメータが約30億という意味です。 ちなみに、Gemma 4の「E2B」の「E」は「Effective（実質的な）」の略です。端末で動かしやすくする工夫がされていて、実質的に働くパラメータは約23億（言葉を数値に変える「埋め込み」の部分まで含めると約51億）になっています。 ## SLMが注目される3つの理由 AIは大きいほど賢い、というのは基本的には正しいです。 それなのに、なぜこんなに小さなモデルが注目されているのでしょうか？ 理由は、大きく3つあります。 ![LLMは手元の端末からクラウドの巨大なモデルにデータを送って答えをもらう。SLMは端末の中で完結する](/wp-content/uploads/2026/10/small-language-model-cloud-vs-device.jpg) ### ① 動かす場所：手元の端末でも動く 1つ目は、**動かす場所**です。 LLMはとにかく巨大なので、基本的にはクラウド上の高性能なGPUサーバーでしか動きません。 一方SLMは、スマホ、ノートパソコン、工場の機械、車の中のコンピュータといった、いわゆる「**エッジデバイス**」の上でも動かせます。 インターネットにつながっていない場所でもAIが使えるのは、大きな強みです。山の中の工事現場や、通信が不安定な工場でも、AIが止まらずに動き続けられます。 また、データをわざわざ遠くのサーバーに送らなくていいぶん、答えが返ってくるまでの待ち時間も短くなります。 ### ② コスト：使うたびのお金がかからない 2つ目は、**コスト**です。 LLMをAPIで使うと、使うたびに料金がかかります。大量に使うと、あっという間に高額になってしまいます。 一方SLMは、自社のサーバーや手元の端末で動かせるので、使うたびのお金（ランニングコスト）を大幅に下げられるんです。 動かすために必要なコンピュータも小さくて済むので、電気代も抑えられます。 ### ③ プライバシー：データを外に出さなくていい 3つ目は、**プライバシー**です。 LLMをクラウドで使う場合、入力したデータは、基本的に外部のサーバーに送られます。 一方SLMなら、手元の端末の中だけで処理を完結できます。 つまり、社外に出したくない情報を、外に出さずにAIで扱えるんです！ :::box{title="データを外に出したくない場面の例"} **・病院で、患者さんのカルテの内容をまとめる**\ **・銀行や保険会社で、お客さまの情報を扱う**\ **・会社の中で、公開前の新商品の資料を読み込ませる** ::: こうした場面では、「性能はそこそこでいいから、データを外に出さないこと」が何より大切になることも多いんです。 手元のパソコンで言語モデルを動かす方法は、以下の記事で解説しています。 ## 小さいのに賢いSLMの秘密 ここで気になるのが、「小さくしたら、性能が落ちるんじゃないの？」という疑問ですよね。 実はここが、SLMのおもしろいところです。 最近のSLMは、仕事を絞れば、LLMに迫る、あるいは上回る性能を出すこともあるんです。 その秘密を、3つ紹介します。 ### ① 蒸留：大きなAIが先生になって教える 1つ目は、「**蒸留**」と呼ばれる技術です。 蒸留は、大きくて賢いモデル（先生）が持っている知識を、小さなモデル（生徒）に教え込むようなイメージです。 先生モデルが出した答えや、その答え方を、生徒モデルがまねしながら学んでいきます。 正解だけを教わるよりも、「この問題なら、Aの可能性が7割、Bの可能性が2割くらい」といった先生の細かな判断まで教わるほうが、生徒はたくさんのことを学べます。 こうして、小さいのに優秀なモデルが生まれるわけです！ 蒸留という考え方は、2015年にジェフリー・ヒントン氏らが論文で広めたもので、今ではSLMづくりに欠かせない技術になっています。中国のDeepSeekも、大きなモデルの答え方を小さなモデルに教え込んだモデルを公開しています。 ### ② 質の高い学習データを厳選する 2つ目は、学習データの質です。 AIは、たくさんのデータで学ぶほど賢くなりやすいのですが、データの「量」だけでなく「質」もとても大事です。 たとえばMicrosoftのPhiシリーズは、教科書のように分かりやすく質の高い文章を中心に学ばせることで、小さなモデルでも高い性能を出せることを示してきました。 ネット上の雑多な文章を大量に読むより、よくできた教科書をじっくり読んだほうが身につくのは、人間も同じですよね。 ### ③ モデルを軽くする技術 3つ目は、モデルそのものを軽くする技術です。 :::box{title="モデルを軽くする主な技術"} **・量子化**：パラメータの数値を、細かい精度から粗い精度（少ないビット数）に置きかえて、メモリを減らす\ **・枝刈り**：答えにあまり影響しないパラメータやつながりを、思い切って削る ::: 量子化の効果を、ざっくり計算してみましょう。 モデルを動かすのに必要なメモリは、おおよそ「パラメータの数 × 1つの数値を表すのに使う大きさ」で見積もれます。 :::box{title="30億パラメータのモデルに必要なメモリの目安"} **・1つの数値を16ビット（2バイト）で表す場合**：30億 × 2バイト ＝ 約6GB\ **・1つの数値を4ビット（0.5バイト）に量子化した場合**：30億 × 0.5バイト ＝ 約1.5GB ::: 実際に動かすときは、これに加えて計算の途中のデータなどのためのメモリも必要になりますが、量子化するだけで、必要なメモリが4分の1ほどになるわけです。 同じ計算を、1兆パラメータのLLMでしてみると、4ビットにしても約500GB。スマホやふつうのパソコンには、とても入りきりませんよね。 こうした技術を組み合わせることで、SLMはスマホのような小さな端末でも動くところまで、どんどん実用的に進化しているんです。 ## SLMの使いどころと注意点 最後に、SLMをどう使えばいいのかを見ていきましょう！ ### SLMが活躍する場面 SLMは、特定の仕事に絞って使うときに力を発揮します。 | 場面 | SLMの使い方 | |---|---| | スマホ | メッセージの要約、文章の言い換え、通話の文字起こしなどを、端末の中だけで行う | | 工場・現場 | ネットにつながらない機械の中で、作業記録をまとめたり、異常の報告文を作ったりする | | 車 | 声での操作や案内を、通信が途切れても動くようにする | | 会社の業務 | 問い合わせの分類、書類からの情報の取り出しなど、決まった作業を安く大量にこなす | 決まった仕事に向けて、自社のデータで追加の学習（ファインチューニング）をすると、さらに力を発揮しやすくなります。小さなモデルは追加の学習にかかるお金も少ないので、ここもSLMの強みです。 ### SLMの弱点 一方で、SLMには苦手なこともあります。 :::warn **・幅広い知識が必要な質問や、何段階もの複雑な推論は、LLMに比べて苦手**\ **・覚えている知識が少ないぶん、もっともらしいウソ（ハルシネーション）が出やすいこともある**\ **・動かす端末の性能（メモリや電池）に左右される** ::: 「なんでも聞ける相談相手」としては、まだまだLLMのほうが頼りになる場面が多いです。 ### LLMとSLMは「対立」ではなく「使い分け」 ここで大事なのは、LLMとSLMは、どちらかが勝つ・負けるというものではない、ということです。 なんでもできる万能なAIが必要な場面ではLLM、決まった仕事を安く・速く・安全にこなしたい場面ではSLM。 このように、うまく使い分けるものだと考えるのが大事です。 :::good **・ふだんの簡単な処理は、手元のSLMで素早く安く済ませる**\ **・SLMでは手に負えない難しい質問だけ、クラウドのLLMに回す** ::: このように、SLMとLLMを組み合わせて使う形も広がっています。 会社にたとえるなら、すべての仕事を高給な専門家に頼むのではなく、ふだんの仕事は身近なスタッフがこなし、難しい案件だけ専門家に相談する、というイメージですね！ ### どちらを選ぶ？チェックポイント LLMとSLMのどちらを使うか迷ったときは、次のポイントを順に確かめてみましょう。 :::box{title="SLMが向いているかのチェックポイント"} **・やらせたい仕事は、決まった種類のものか？（分類、要約、決まった形の文章づくりなど）**\ **・データを社外に出したくない、または出せない事情があるか？**\ **・ネットにつながらない場所や、すぐに答えが必要な場面で使うか？**\ **・同じ処理を大量にくり返すので、使うたびのお金を抑えたいか？** ::: 当てはまるものが多いほど、SLMが向いています。 逆に、「何を聞かれるか分からない」「難しい判断や長い文章の読み込みが必要」といった場合は、LLMを選んだほうが安心です。 ### SLMを手元で試してみるには SLMは、重みが公開されているものが多いので、自分のパソコンで気軽に試せます。 たとえば「Ollama」のようなツールを使うと、モデルの名前を指定するだけで、ダウンロードから会話まで簡単にできます。 パラメータが数十億くらいまでのモデルなら、量子化して軽くしたものを使えば、ふつうのノートパソコンでも動かせることが多いです。 まずは手元で動かしてみて、「この仕事なら小さなモデルで十分そうだ」という感覚をつかんでみるのがおすすめですよ！ ## SLMのまとめ 最後に、今回のポイントをおさらいしましょう！ :::point **・SLM（小規模言語モデル）は、パラメータの数を数億〜数十億ほどに抑えた軽い言語モデル**\ **・手元の端末でも動く、使うたびのお金が安い、データを外に出さなくていい、という3つの理由で注目されている**\ **・蒸留、質の高い学習データ、モデルを軽くする技術で、小さくても賢くなっている**\ **・幅広い知識や複雑な推論はLLMのほうが得意。LLMとSLMは使い分けが大事** ::: :::talk{who="umatan"} 要は、AIも「大きければいい」だけの時代から、「仕事に合った大きさを選ぶ」時代に入ってきたということなんです！これからのAI活用を考えるうえで、SLMはぜひ押さえておきましょう！ ::: LLMやSLMを使ったAI活用を体系的に学びたいのであれば、当メディアが運営するスクール「**[スタアカ](https://toukei-lab.com/achademy/)**」がオススメです！ :::box **[業界最安級のAIデータサイエンス特化スクール「スタアカ」](https://toukei-lab.com/achademy/)** :::