
SLM(小規模言語モデル)入門|LLMとの違い・5つのメリデメ・導入手順
小さく、軽く、手元で動く言語モデル、SLMに関心を寄せる企業が増えています。生成AIを本格的に使い始めると、API料金の積み上がり、返答までの待ち時間、外部に出せないデータの扱いといった壁にぶつかるからです。性能の高い大規模言語モデルを、どんな処理にも使い続けるのが正解とは限りません。
SLMはパラメータの数を絞った小規模言語モデルで、自社のサーバーや端末の上でも動かしやすいのが持ち味です。用途を一つの業務に限れば、実用に足る精度を出せる場合もあります。
ここからは、LLMと比べながらその正体と仕組みをひもとき、仕事の中での役割分担や、取り入れる際の段取りまでを見ていきます。
この記事でわかること
SLMが何を指すのか、パラメータ規模はどれくらいか
LLMと並べたときに見えてくる違い
知識蒸留や量子化など、モデルを小さくする技術
よく名前の挙がるSLMと、選ぶときのチェックポイント
SLMの長所と短所
業務システムの中でSLMとLLMをどう役割分担させるか
SLMを導入するときの段取り
SLMはどのような言語モデルか
ひとことで言えば、SLMはSmall Language Modelの頭文字をとった呼び名で、LLMに比べてパラメータ数をぐっと小さくした軽量の言語モデルです。日本語では小規模言語モデルと訳され、限られた計算資源で特定の仕事をこなすのが得意です。
どれくらいの規模を指すのか
SLMと呼ばれるのは、おおむねパラメータが数億から数十億のモデルです。LLMは数百億から兆のレベルに達するので、規模にして一桁から二桁以上の開きがあります。
もっとも、どこからがSLMかを決めた業界共通のルールはありません。100億前後を目安に挙げる解説も見られますが、モデルの世代交代とともにその線引き自体が動いているのが現状です。
動くしくみ
多くのSLMは、LLMと同じTransformerという構造を土台にしています。文章を数値に置き換え、前後の流れから次の語を予測していく。この基本の動きはLLMと共通です。
差がつくのはサイズと鍛え方です。層の数や内部の幅を削って体を小さくし、狙った用途向けに選んだデータで学ばせる。そうして身軽さと実務レベルの精度を同時に手に入れています。
なぜいま関心が高まっているのか
理由は主に三つです。一つは、LLMの利用料や計算資源のコストが、使えば使うほどふくらんでいくことです。
二つめは、外部のクラウドに出せない機密を扱う部署でも生成AIを役立てたい、という声です。三つめに、スマホや工場の機械のように、ネット接続を前提にせず現場で処理を完結させたい用途が広がっています。

SLMとLLMはどこが違うのか
両者の差を短くまとめるなら、幅広さと大きさを選ぶか、身軽さと専門性を選ぶか、です。どちらが上という話ではなく、処理の中身によって得意・不得意が分かれます。
主な違いを並べて比べる
観点ごとに、SLMとLLMの特徴を並べると次のようになります。
パラメータ規模: SLMは数億〜数十億程度、LLMは数百億〜兆の単位
得意な領域: SLMは特定の業務やタスクへの特化、LLMは幅広い質問や込み入った推論
必要な計算資源: SLMは控えめで、ふつうのサーバーや端末に載せやすい。LLMは大がかりなGPU設備が要りがち
主な実行環境: SLMはオンプレミス・ローカル・エッジ、LLMはクラウドが中心
応答速度: SLMは速くしやすく、LLMは構成やモデルによって待ち時間が生じやすい
運用コスト: SLMは抑えやすく、LLMは使う量に応じてふくらみやすい
汎用性と専門性はトレードオフ
LLMは大量のデータを学んでいるので、初めて受ける質問にも広く対応できます。対してSLMは覚えている知識に限りがあり、学んでいない分野や、いくつもの論点にまたがる推論では精度が下がりがちです。
逆にいえば、問い合わせを種類ごとに仕分ける、型の決まった書類を短くまとめる、社内の言い回しに文章をそろえるといった、守備範囲が明確な仕事なら小型モデルで間に合うこともあります。業務をいくつもの処理に分解し、それぞれに合うモデルを当てはめる視点が欠かせません。
ローカルLLMとの関係
SLMと取り違えられやすい言葉にローカルLLMがあります。こちらは社内のサーバーや手元のPCで稼働させる言語モデル全般の呼び名で、規模ではなく稼働場所で分けた言い方です。
とはいえ、手元で動かすなら軽いモデルが選ばれやすいので、ローカルで使われているのは結局SLMということも多く、両者はかなりの部分で重なり合います。

SLMを小さくする技術
モデルを小型化する定番の手法は三つ、知識蒸留、量子化、枝刈りです。さらに検索の仕組みを組み合わせ、覚えている知識の少なさを外から補う使い方も広く見られます。
知識蒸留
知識蒸留では、大きな「先生役」のモデルが出した答えを教材にして、小さな「生徒役」のモデルを育てます。先生がどう判断するかのくせを生徒に写し取らせるので、体は小さくても返答の質を保てます。
量子化と枝刈り
量子化は、重みを記録している数値の桁を粗くすることで、メモリと計算の負担を軽くする方法です。枝刈りは、結果にほとんど効いていないパラメータや接続を間引いて、モデルを細身にする方法です。
いずれも削った分だけ精度を失うおそれがあります。軽量化を施したら、自社の業務データでどれほど性能が残っているかを必ず確認しましょう。
RAGと組み合わせる
RAGは、質問に関わる社内資料などを検索して取り出し、それを添えてモデルに回答させる仕組みです。記憶している知識が乏しい小規模言語モデルにとって、答えの材料を外から差し出してくれるRAGは心強い相棒になります。
代表的なSLMと選び方の観点
名前をよく聞くSLMとしては、MicrosoftのPhiシリーズ、GoogleのGemmaシリーズ、MetaのLlamaシリーズやAlibabaのQwenシリーズの小さいサイズなどがあります。日本語を得意とするモデルづくりは国内でも活発で、国産モデルの取り入れ方は国産LLM活用の解説にまとめています。
新しい版が短い間隔で出てくる分野なので、候補を決める前に最新の状況を調べ、以下の観点について自社のデータで実際に比べてみるのが確実です。
日本語の精度: 社内の書類や実際の問い合わせ文で試し、仕事に使える水準か
ライセンス: 商用利用や改変は許されるか、利用規模による制約はないか
実行環境: 予定している機材のメモリやGPUで動かせるか
応答速度: 業務画面の操作を止めない速さか
連携機能: ツール呼び出しや決まった形式での出力ができるか

SLMの長所と短所
SLMの強みは、安さ、速さ、データの守りやすさの三点です。弱みは、なんでも答えられるわけではないことと、精度を磨くための準備に手がかかることです。
メリット1 費用を抑えやすい
動かすのに必要な計算機が小さくて済むため、推論のたびにかかるサーバー費や電力を節約できます。呼び出しの回数が多い処理ほど、LLMを使った場合との差額が積み重なっていきます。
メリット2 返答が速く使い心地を損ねない
計算量が少ないので、答えが返ってくるまでの時間を短くしやすいのも利点です。文字入力の手助けや選択肢の表示のように、人が画面を見ながら反応を待っている処理では、そのまま操作の快適さにつながります。
メリット3 データを外に出さずに処理できる
社内の機材で動かしやすいことから、お客様の情報や製品の設計図といった重要なデータを、社外のクラウドへ渡さずに処理できます。情報の取り扱い基準が厳しい業界でも、生成AIを使える場面を増やせます。
デメリット1 込み入った推論や幅広い質問は不得手
規模が小さいぶん、持っている知識も考える力も限られます。想定外の問いや、条件をいくつも掛け合わせる判断では誤りが増えやすいので、用途を絞り込んで使うことが前提になります。
デメリット2 精度を上げるには下準備が要る
自社の仕事に合わせて答えの質を上げようとすれば、出来を測るための問題集や、追加で学ばせる教材を自前でそろえることになります。こうした素材づくりと測定を繰り返すには人手が要るため、計画の段階で見込んでおきましょう。長所と短所、それぞれが活きる場面を整理します。
メリット「運用コストを抑えやすい」: 何度も呼び出す定型の処理で効く
メリット「応答が速い」: 画面上の入力補助や仕分けで効く
メリット「社外にデータを出さずに使える」: 機密を扱う業務で効く
デメリット「複雑な推論や幅広い質問が苦手」: LLMと組み合わせて補う
デメリット「データ準備と評価の手間」: 業務を絞り込んで小さく始める

SLMとLLMを業務でどう使い分けるか
SLMを仕事で活かすうえで大事なのは、SLMかLLMかの択一で考えないことです。処理単位で役割を割り当て、両者を組み合わせます。決まりきった最初のさばきはSLMが受け持ち、難しい判断だけをLLMや人へ渡す。これが無理のない形です。
SLMに任せやすい処理
SLMが力を発揮するのは、入ってくるものと返すものの形が決まっていて、判断の幅が狭い仕事です。問い合わせを種類別にして担当へ回す、帳票や会議の記録をまとめる、文面を社内の用語ルールに合わせる、個人情報を伏せる、といった処理が典型です。
反対に、契約の条件をどう読むか、複数の部署から集めた情報をどう突き合わせるか、過去に例のない相談にどう答えるか、といった仕事は大きなモデルや人に任せるべきです。処理を一つひとつ書き出し、入力のばらつきの大きさと、ミスが起きたときの痛手の大きさで分けていくと、境目を決めやすくなります。
画面の設計と一緒に考える
モデルの割り当ては、業務画面での体験と表裏一体です。文字を打っている途中で候補を示す、受け付けた問い合わせを即座に仕分けるといった処理では、ほんの数秒の遅れでも利用者は使うのをやめてしまいかねません。
すぐに反応が欲しい場面には軽いモデルを、多少待たせても構わない分析や文書作成には大きなモデルを置けば、使い心地と正確さを両立させやすくなります。どの画面を誰が使い、何秒まで待てるのかを最初に決めておくことが、モデルを選ぶ出発点です。
LLMへ引き継ぐ仕組みをつくる
SLMが答えに迷う入力や、いくつもの業務知識をまたぐ質問は、LLMや担当者へ回すルートを用意しておきます。まずSLMで振り分けて、本当に必要なものだけを大型モデルに送れば、費用と精度のバランスが整います。
AIエージェントを組む場合も、簡単な判定や仕分けはSLM、計画立てや複雑な思考はLLMという分け方が考えられます。生成AIで仕事を効率化する全体の手順は、生成AIによる業務効率化の進め方をご覧ください。
導入の段取り
手始めに一つの業務を選び、評価用のデータを準備して、候補のモデルをいくつか比べます。精度、速さ、運用費を現場の基準で確認できてから、本番の業務システムへ組み込むのが確実な順序です。
評価用のデータは、現場で日々扱っている問い合わせや帳票から作るのが理想です。何を正解とみなすかは業務の担当者と一緒に決め、どの程度の間違いまで許容するかという合格点も先に握っておきます。
試験運用では、正しく答えた割合だけでなく、応答にかかった秒数、一件あたりの費用、誤ったときに人が手直しした手間も控えておきます。こうした数字がそろえば、本番に移すか、どこまで対象を広げるかを、関係者全員が共通の物差しで決められます。
本番に移すときは、モデルを取り替えたり評価し直したりしやすい作りにしておくのが肝心です。次々と新モデルが出る世界なので、より優れたものが現れたら乗り換えられる設計にしておくと、かけた費用を無駄にせずに済みます。
本番運用で気を配ること
動かし始めたら、寄せられる入力の中身が変化していないか、正答率が落ちていないかを折にふれて確認します。新商品の名前や制度の改定など、学習の時点では知らなかった語が混ざり始めると、規模の小さいモデルほど影響が出やすいためです。
担当者が直した箇所を残していけば、それが次の測定用の問題や、再学習の教材として使えます。運用しているだけで改善の材料が自然とたまっていく流れを、設計の初期から仕込んでおくとよいでしょう。
株式会社FAKEでは、FDE型の伴走支援で現場に入り込み、仕事の流れを細かくほどいたうえで、処理ごとの担当モデルの割り振りと業務システムのUI/UXを一緒に設計しています。AIを組み込んだ開発のパートナー選びには、AIシステム開発会社の選び方と業務システムへのAI開発に強い会社の選び方も役立ちます。

まとめ
SLMとは、パラメータ数を数億〜数十億ほどに抑えた小規模言語モデルのことです。知識蒸留や量子化などで軽量化されており、限られた計算資源でも特定の業務をてきぱきとこなせます。
幅広さや難しい推論ではLLMにかないませんが、費用、反応の速さ、データを社外に出さなくてよい点で明確な強みがあります。片方に決めてしまうのではなく、処理単位で役割を割り振って併用することが、業務で成果を出す近道です。
取り入れるときは、まず業務を一つに絞り、自社のデータで正確さと速さを検証したうえで本番へ移りましょう。新しいモデルが次々に出る分野だからこそ、入れ替えやすい構成にしておくことが長く使い続ける秘訣です。
より詳しい解説は元記事『SLMとは?LLMとの違いと業務での使い分け、導入の進め方を解説』をご覧ください。
SLMについてよくある質問
SLMがあればLLMは不要になりますか?
不要にはなりません。SLMとLLMは置き換えの関係ではなく、得意なところで補い合う関係と考えるのが自然です。範囲が決まった処理はSLMで十分なこともありますが、広い知識や入り組んだ推論が要る場面はLLMの出番です。
現場では、入口の処理をSLMが担い、難しいものだけをLLMへ回す組み合わせがよく効きます。
普通のパソコンでもSLMは動きますか?
サイズの小さいモデルや量子化を施したモデルであれば、一般的なパソコンで動くSLMもあります。ただ、ストレスなく使えるかどうかは、メモリやGPUの性能と、どこまでの速さを求めるかによって違ってきます。
仕事で使う予定なら、実際に使う機材の上で動かしてみて、速さと正確さを見たうえで決めるのが安全です。
SLMを導入するにはどの程度の準備が必要ですか?
公開されているモデルをそのまま試すだけなら、手間はそれほどかかりません。業務に合わせて精度を高めたいときは、評価データづくり、追加学習、評価を回し続ける体制が必要になります。
最初は一つの業務で既存モデルを比べ、追加学習まで踏み込む価値があるかを見極めてから費用をかけると、遠回りせずに済みます。
SLMならハルシネーションは起きませんか?
起きます。用途を狭くすれば間違いを減らしやすくはなりますが、知識が少ない分、知らない事柄をそれらしく語ってしまうおそれも抱えています。
根拠となる資料をRAGで渡す、出力の型を決めて点検する、大事な判断は人が見るといった手立てを重ねて備えましょう。