
軽量モデル1〜4Bの使いどころ。SLM台頭の背景
大きいモデルばかり注目されますが、1〜4BクラスのSLM(小規模言語モデル)が実務で存在感を増しています。低スペックで動き、用途を絞れば十分実用。SLMが伸びる背景と、使いどころを整理します。
SLMとは
SLM(Small Language Model)は、1〜4Bパラメータ級の小さなLLMです。数十B〜数百Bの大型モデルに対して、桁が2つ小さい。
低VRAM・CPUでも動く
応答が速い
エッジ・オンデバイスに載せられる
「小さい=劣る」ではなく、「用途を絞れば十分」なモデルとして位置づけが変わってきました。
代表的なSLM
ローカルで使える軽量モデルの代表例です。

小型でも推論(reasoning)対応のものがあり、数学のような特定タスクでは意外に健闘します(Phi-4-mini-reasoning論文)。
なぜSLMが伸びているか
背景には、いくつかの実務的な理由があります。
エッジ・オンデバイス需要: スマホやノートPC、機器に載せてオフラインで動かしたい
コスト: 大型モデルは高価なGPUが要る。SLMは既存の機材で動く
速度: 軽いので応答が速く、大量処理の単価が安い
用途特化: 分類・要約・下書きなど定型タスクは、大型でなくても足りる
「何でも1つの巨大モデルで」ではなく、「タスクに合った大きさを選ぶ」流れが進んでいます。
SLMが向くタスク・向かないタスク
得意と不得意がはっきりしています。

高度な知能が要る仕事は大型に任せ、定型の大量処理はSLMに振る。二層で使うのが効率的です。
使い方の指針
軽量タスクの大量処理 → Qwen3-4B等のSLM
数学など特定タスク → Phi-4-mini-reasoning
エッジ・オフライン → 1〜2B級
難しい仕事 → 中型・大型に振る(『必要VRAM早見表』)
まとめ
SLMは1〜4B級の小型LLM。低VRAM・CPUで動き、応答が速く、エッジに載る
代表はQwen3-4B、Gemma小型版、Phi-4-mini系。小型でも推論対応がある
伸びる背景はエッジ需要・コスト・速度・用途特化。タスクに合った大きさを選ぶ流れ
分類・要約・抽出・定型処理はSLM、高度推論や長文生成は中大型に振る
主な参考資料: Qwen3公式ブログ、Phi-4-mini-reasoning論文(arXiv)、Gemma 4公式ドキュメント
TodoONadaでは、タスクに合わせたモデルサイズの選定と多層構成の設計を支援しています。お問い合わせはこちら。