SLM（小規模言語モデル）とは？意味・仕組みと小型モデルの年表（2026年10月時点）

ひとことで言うと

SLM（小規模言語モデル）は、LLM（大規模言語モデル）と同じしくみで文章を扱いながら、パラメーター（学習で決まる数値）の数を小さく抑えた言語モデルのことだ。小さい分、スマートフォンやパソコンの上で動かしやすく、動かす費用も抑えやすい。

身近な例はスマートフォンに組み込まれた AI だ。Google は2023年12月の発表で、Gemini Nano を「端末上の作業向けで最も効率のよいモデル」と説明し、Pixel 8 Pro の録音アプリの要約などに使った。

仕組み

SLM と呼ばれるモデルは、主に次の要素で「小さくても使える」ようにしている。

• パラメーター数を絞る：Microsoft の Phi-3 の技術報告では、38億パラメーターの phi-3-mini を「スマートフォンに載せられるほど小さい」と書く。
• 学習データを選ぶ：同じ報告によると、phi-3-mini は強く絞り込んだ公開のウェブのデータと、合成したデータで学習した。
• 大きなモデルから知識を移す：知識蒸留（大きな教師モデルの答え方を、小さな生徒モデルに学ばせる方法）を使う。Google の Gemma 2 の技術報告では、2B と 9B のモデルを知識蒸留で学習した。
• 重みを圧縮する：量子化（数値の精度を下げて、使うメモリを減らすこと）を組み合わせる。Meta は Muse Glimmer の重みを約4ビットに圧縮し、言語モデルの部分を20GB未満にしたと説明している。

どこからが「小さい」かに、共通の線はない。Microsoft は140億パラメーターの Phi-4 も「小規模言語モデル」と呼ぶ。Sakana AI は320億パラメーターのモデルを LLM、15億パラメーターのモデルを SLM と呼び分けている。Anthropic は Claude Haiku 5.5 を「小型モデル」と呼ぶが、パラメーター数は公表していない。

表で見る最新の状況

上の年表は TRAIL の DB から、提供元が小型、軽量、低コストと説明したモデルや、パラメーター数の小さいモデルを含む出来事10件を古い順に並べたものだ。開発元は7つで、確認日は2026年10月10日から10月19日。

最初は2023年12月6日の「Gemini 1.0 を発表」で、Ultra・Pro・Nano の3サイズのうち Nano が Pixel 8 Pro に載った。2025年1月には、DeepSeek が DeepSeek-R1 とあわせて小型の蒸留モデル6種を公開した。同じ月に Sakana AI が TinySwallow-1.5B を公開している。

2026年は5件が並ぶ。8月10日には Meta が端末で動く300億パラメーターの Muse Glimmer の重みを公開した。10月7日の Claude Haiku 5.5 は、Anthropic が最も安く速いとする小型モデルだ。10月16日には Perplexity が4Bの判定モデル pplx-decider-flash-v1.2 を入力100万トークンあたり0.01ドルで出した。

TRAIL の年表で、パラメーター数が書かれているのは10件のうち TinySwallow-1.5B、Muse Glimmer、Perplexity の4Bのモデルの3件だ。Gemini 2.5 Flash-Lite、GPT-5.4 mini、Claude Haiku 4.5 などは、安さや速さで説明されている。

TRAIL の DB では、Claude Haiku 5.5 の API は100万トークンあたり入力0.1ドル、出力0.5ドル（入力が10万トークン以下の場合）だ。1万トークンに直すと入力0.001ドル、出力0.005ドルになる。同じ Anthropic の Claude Opus 5.5 は入力4ドル、出力20ドル。GPT-6 Luna は入力0.1ドル、出力0.5ドル（入力が27.2万トークン以下の場合）で、OpenAI は「集中した大量の作業向けで最も効率のよいモデル」と書く。確認日は2026年10月23日と24日。

SLM と LLM の違い

SLM とローカルLLMは重なるが、同じ意味ではない。ローカルLLMはモデルを手元の機械で動かす使い方を指し、SLM はモデルの大きさを指す。Claude Haiku 5.5 のように、クラウドの API だけで使う小型モデルもある。

仕事でどう関係するか

社外にデータを出さずに AI を使いたいとき

端末で動く SLM なら、データをクラウドに送らずに処理できる。Android の開発者向けドキュメントは、Gemini Nano はプロンプトを端末の中で実行し、機密のデータを端末に残せると書く。Sakana AI も TinySwallow-1.5B の使い道として、データを外に送らずローカルで完結する業務支援を挙げている。

大量の要約や分類の費用を見積もるとき

問い合わせの振り分けや、日報の要約のように、同じ処理を何万回も回す仕事では、モデルの単価がそのまま費用になる。Anthropic は Claude Haiku 5.5 を、要約や分類のような大量で費用に敏感な作業向けと説明している。大きなモデルと組み合わせる使い方もあり、Anthropic はコーディングで Haiku 5.5 を Opus 5.5 や Sonnet 5.5 の補助役にすると相性がよいとしている。

返答の速さが大事な画面に組み込むとき

ライブのチャット対応のように待たせられない場面では、速さが選ぶ基準になる。Anthropic は Haiku 5.5 を自社で最も速いモデルとし、Microsoft は Phi を、リアルタイムの用途に向く低い遅延のモデルと説明する。端末で動かす場合、Android のドキュメントによると通信の遅れはなくなるが、推論の速さは端末の性能で決まる。

小型モデルで足りるかは実際の業務の入力で確かめるとよい。

次の問い合わせを「請求」「解約」「不具合」「その他」のどれか1つに分類し、分類名だけを答えてください。
問い合わせ：（実際の問い合わせ文を貼る）

注意点と限界

「小規模」の線引きは提供元ごとに違い、パラメーター数を公表しない提供元もある。TRAIL の年表でも、GPT-5.4 mini や Gemini 2.5 Flash-Lite にはパラメーター数が書かれていない。

端末で動くモデルにはできることの限りがある。Android のドキュメントは Gemini Nano にはトークンの上限、端末の性能、モデルの能力の限界があると書き、端末で Gemini Nano を使えないときは、クラウドの Gemini Flash や Pro に自動で回す使い方を案内している。

端末で動くといっても、どの機械でも動くわけではない。Meta によると、Muse Glimmer はそのままの精度では55GBを超えるメモリが要り、重みを量子化して20GB未満にし、作業用のメモリなども合わせて24GBか32GBに収めている。

小型モデルで使えない機能もある。OpenAI の GPT-6 Luna のページでは、ファインチューニングは「Not supported」だ。

よくある質問

関連する用語

• LLM（大規模言語モデル）：SLM と同じしくみで、より大きく作った言語モデル
• ローカルLLM：モデルを手元の機械で動かす使い方。小さなモデルが中心になる
• オープンウェイト：手元で動かす SLM の多くは、重みが公開されている
• ファインチューニング：小さなモデルを自社のデータで追加学習する
• ツール：Claude、ChatGPT、Gemini、Muse、Sakana AI、Perplexity
• モデル：Claude Haiku 5.5、GPT-6 Luna
• 記事：Claude Haiku 5.5 の公開、Perplexity の Decisions API の新モデル