SLM（小規模言語モデル）とは？LLMとの違い・代表例・使いどころ

この記事の要点：

• SLM（Small Language Model、小規模言語モデル）は、LLM（大規模言語モデル）より少ないパラメータで、限られた計算資源でも動くように作られた言語モデルです。
• LLM との主な違いは、規模・動かす場所・得意な範囲です。SLM はスマートフォンやパソコン、社内のサーバーで動かしやすい一方、幅広い知識や複雑な推論では大きなモデルに及ばないことがあります。
• 「何個のパラメータから SLM」という決まった線はありません。代表例として、Microsoft の Phi-3-mini（38 億）、Meta の Llama 3.2 の 1B・3B、Google の Gemma 4 の E2B・E4B、Android の Gemini Nano、Apple の端末上のモデル（約 30 億）が各社から発表されています。
• 向くのは、要約・分類・書き換えなど範囲の決まった作業、通信なしや低遅延が必要な場面、データを外に出したくない場面です。事実の正確さが大事な用途では、資料を検索して渡す仕組み（RAG）や人の確認と組み合わせます。

SLM（小規模言語モデル）とは：少ない計算資源で動くように作られた言語モデル

SLM（Small Language Model、小規模言語モデル）とは、大規模言語モデル（LLM）より少ないパラメータで作られ、限られた計算資源でも動かせる言語モデルです。パラメータとは、モデルが学習で調整する内部の数値のことで、数が多いほど一般に能力は高くなりますが、動かすための計算とメモリも増えます。

Microsoft Azure の用語解説は、SLM を「大規模なモデルよりも少ないリソースを使用して特定のタスクを実行する言語モデルのサブセット」と説明しています。パラメータが少なく構造も簡単なため、学習が速く、消費電力が少なく、リソースの限られた端末にも置けるという説明です。

SLM も、文章を受け取って続きを予測し、文章を作るという基本の仕組みは LLM と同じです。違うのは規模と、その結果として「どこで、何に使いやすいか」です。LLM そのものの仕組み（トークンと次の予測、学習と推論）はLLM（大規模言語モデル）の仕組みで説明しています。

なお、「SLM」という略語は分野によって別の意味でも使われます。例えば、気体の流量の単位（標準状態に換算した 1 分あたりのリットル数、standard liter per minute）や、レーザー光を制御する空間光変調器も SLM と略されます。この記事で扱うのは、AI の言語モデルとしての SLM です。

SLMとLLMの違い：規模・動かす場所・得意な範囲

SLM と LLM（大規模言語モデル）の違いは、パラメータの数、動かす場所、得意な作業の範囲の 3 点にまとめられます。どちらが優れているかではなく、必要な能力と使える計算資源の組み合わせで選ぶものです。

パラメータの数の目安は、IBM の SLM の解説によるものです。数え方や区切りは会社や時期によって違い、表の数字は「桁の違い」を知るための目安です。

Microsoft は Phi-3 の発表で、小さいモデルは事実の知識を問うテストで成績が下がると明記しています。モデルが小さいと、事実を覚えておく容量が少ないためです。SLM を選ぶときは、この弱点を前提に使い方を決めます。

どこからがSLMか：パラメータ数に決まった線はない

SLM と LLM を分ける公式の基準や、決まったパラメータ数の線はありません。「小規模」は、同じ時期の大きなモデルと比べた相対的な呼び方です。

パラメータ数は「1B」「3B」のように書かれることが多く、B は billion（10 億）を表します。3B なら約 30 億です。IBM の解説は SLM を数百万〜数十億、LLM を数千億〜数兆としていますが、各社が自社のモデルを SLM と呼ぶ範囲は少しずつ違います。例えば Microsoft は、140 億パラメータの Phi-3-medium も Phi-3 の SLM の一員として発表しました。

数字だけで判断しにくい例もあります。Google の Gemma 4 の E2B・E4B の「E」は「効果的な」パラメータを表し、端末で効率よく動かす工夫のため、読み込むメモリの量は表示上のパラメータ数より大きくなると説明されています。また、一部だけを動かす仕組み（Mixture of Experts）のモデルでは、全体の数と、1 回の処理で使う数が違います。

実務では「何 B か」よりも、使う端末やサーバーで動くか、必要な速さと品質が出るかで判断します。同じモデルでも、数値の精度を下げて軽くする量子化をすると、必要なメモリは小さくなります。

代表的なSLM：各社の公式発表で確かめたモデル

代表的な SLM には、Microsoft の Phi、Meta の Llama 3.2 の小さいモデル、Google の Gemma と Gemini Nano、Apple の端末上のモデルがあります。次の表は、各社の公式の発表・文書で確かめた内容だけをまとめたものです（2026 年 10 月確認、並びはアルファベット順）。

モデルは更新が速く、同じ名前でも新しい版が出ます。使う前には、各社の公式ページでその時点の版、使える条件（ライセンス）、対応する端末を確かめてください。性能の比較は各社が自社の方法で測った結果が多く、測り方の違いで数字が変わると Microsoft 自身も注記しています。この記事ではモデルの優劣は比べません。

SLMが小さくても使える理由：蒸留・枝刈り・量子化

SLM が小さくても実用になるのは、大きなモデルの知識を小さなモデルへ移す「蒸留」、不要な部分を削る「枝刈り」、数値を軽くする「量子化」などの技術と、学習データの選び方の工夫があるためです。

• 知識の蒸留：大きな「先生」モデルの出力を手本にして、小さな「生徒」モデルを学習させる方法です。Meta は Llama 3.2 の 1B・3B で、Llama 3.1 の 8B・70B の出力を学習の目標に使ったと説明しています。
• 枝刈り（プルーニング）：ネットワークのうち重要度の低い部分を取り除き、小さくする方法です。Llama 3.2 の 1B・3B は、Llama 3.1 8B から枝刈りで作られました。
• 量子化：パラメータの数値を、精度の低い（桁の少ない）形で持つ方法です。メモリと計算が減ります。Google は Gemma 4 で、量子化を前提に学習して品質の低下を抑える方法（量子化認識トレーニング）のモデルを公開しています。
• 質の高い学習データ：Microsoft は Phi-3 について、質の高いデータで学習したことを特徴に挙げています。

Azure の用語解説も、SLM を「大きなモデルの蒸留版」「特定の作業に合わせたタスク固有モデル」「少ないパラメータで作る軽量モデル」の 3 種類に分けています。どの方法でも、小さくする代わりに失われる能力があるため、目的の作業で品質が足りるかを確かめる必要があります。

SLMの使いどころ：向く作業と向かない作業

SLM が向くのは、範囲の決まった作業、通信のない場所や速い応答が必要な場面、データを外に出したくない場面です。逆に、幅広い知識や事実の正確さ、複雑な推論が必要な作業には向きにくいです。

判断の手順は、まず作業を小さく区切り、正解の例を数十件用意して SLM に解かせ、許せる品質かを確かめることです。数字の基準は作業によって違うため、自社の作業で測る以外に確かめる方法はありません。

SLMとLLMの使い分けと組み合わせ方

SLM と LLM は、どちらか一方を選ぶより、作業ごとに使い分けたり組み合わせたりする使い方が増えています。簡単な処理は SLM、難しい処理だけを LLM に回す形です。

1. 振り分け（ルーティング）：Meta は Llama 3.2 の発表で、アプリが「端末の中で処理する問い」と「クラウドの大きなモデルに回す問い」を分けられると説明しています。IBM も、手元の小さいモデルと、必要なときだけ使うクラウドの LLM を組み合わせる形を紹介しています。
2. 資料を渡して答えさせる（RAG）：RAG（検索拡張生成）は、質問に関係する資料を検索してモデルに渡し、それをもとに答えさせる仕組みです。SLM は事実の知識が少ないため、答えに必要な事実を資料で補う使い方と相性がよいです。仕組みは「RAG（検索拡張生成）とは」で説明しています。
3. 特定の作業に合わせて追加学習する：小さいモデルは追加学習（ファインチューニング）の費用を抑えやすいと Microsoft は説明しています。社内の書式や分類のルールに合わせたいときの選択肢です。

使い分けを決めるときは、作業ごとに「必要な品質」「許せる遅さ」「データを外に出してよいか」「費用」を書き出し、条件を満たす一番小さいモデルから試すのが無理のない進め方です。

SLMを業務で使う前に確かめること

SLM を業務に入れる前には、ライセンス、動かす環境、品質の測り方、更新の手間の 4 つを確かめます。モデルそのものの性能より、これらの条件で使えるかどうかが決まることが多いためです。

• ライセンスと利用条件：重みが公開されたモデルでも、商用利用の条件や禁止される用途がモデルごとに決まっています。Gemma は「責任ある商用利用」が許可されたオープンウェイトと説明されていますが、詳細は各モデルの利用規約で確かめます。
• 動かす環境：必要なメモリは、パラメータ数、量子化の程度、一度に扱う文章の長さで変わります。Google は Gemma 4 について、文章が長いほど追加のメモリが必要になると説明しています。
• 品質の測り方：自社の作業の正解例を用意し、導入前と更新のたびに同じ例で測ります。ベンチマーク（共通の試験問題）の点数は、自社の作業での品質を保証しません。
• 更新と管理：端末に配るモデルは、更新の配布と古い版の扱いを決めておきます。Android の Gemini Nano は、AICore がモデルを最新の状態に保つと説明されています。

生成した文章を公開する用途では、モデルの大小にかかわらず、事実と数字を人が確かめる工程が必要です。

SLMとSEO・LLMO：サイト運営者への影響

SLM の広がりがサイト運営者に関係するのは、AI の答えが端末やアプリの中で作られる場面が増えることと、記事づくりの道具として小さいモデルが使われることの 2 点です。現時点で、SLM のために特別なサイトの対策が必要だという公式の説明はありません。

1 つ目について、端末の中のモデルは事実の知識が少ないため、正確な答えが必要な場面では、検索やアプリの資料と組み合わせて使われると考えられます。これは推測で、どのサービスがどの資料を使うかは公表されていないことが多いです。サイト側でできるのは、AI の回答に自社の情報が使われやすいよう、正確で根拠のある情報を分かりやすく書くことで、考え方は「LLMO（大規模言語モデル最適化）とは」で説明しています。

2 つ目について、社内の資料を外に出さずに要約や分類をしたいとき、手元で動く SLM は選択肢になります。ただし、公開する文章の事実確認が必要なのは変わりません。

AI と検索の関係を順に知りたい場合は、LLMO対策の記事一覧から読めます。

よくある質問

SLMとLLMの違いを一言でいうと？

SLM（小規模言語モデル）は、LLM（大規模言語モデル）よりパラメータが少なく、端末や小さなサーバーでも動かしやすい言語モデルです。速さ・費用・データを外に出さない点で有利な一方、幅広い知識や複雑な推論では大きなモデルに及ばないことがあります。

SLMは何パラメータからSLMと呼ぶのですか？

決まった基準はありません。IBM の解説は SLM を数百万〜数十億パラメータとしていますが、各社が SLM と呼ぶ範囲は少しずつ違い、Microsoft は 140 億パラメータの Phi-3-medium も SLM のファミリーとして発表しています。

SLMは自分のパソコンで動かせますか？

動かせるモデルがあります。Microsoft は Phi-3-mini を、開発者がノートパソコンで動かせる形でも提供したと説明しています。必要なメモリはモデルの大きさ、量子化の程度、扱う文章の長さで変わるため、各モデルの公式の案内で確かめてください。

SLMはハルシネーション（もっともらしい誤り）が少ないのですか？

小さいから誤りが少ない、とは言えません。Microsoft は、小さいモデルは事実を覚える容量が少なく、事実の知識を問うテストで成績が下がると注記しています。特定の作業に絞って追加学習したり、資料を渡して答えさせたりすると、誤りを減らせる場合があります。

「SLM 単位」で出てくるSLMはこの記事のSLMと同じですか？

違います。流量の単位としての SLM は standard liter per minute の略で、標準状態に換算した 1 分あたりの気体の量を表します。この記事の SLM は AI の言語モデル（Small Language Model）です。

SEOAGENTでできること

SEOAGENT は、AI を使った記事づくりで起きやすい誤りを、資料と確認の工程で減らすための機能を備えています。モデルの大小にかかわらず、事実と根拠を確かめてから公開する流れを作れます。

• 自社資料・写真・文体：商品資料やよくある質問を登録し、記事ごとに使う材料を選べます。
• 品質チェック：記事の主張を資料や出典と照らし合わせ、確認できたものと確認できないものを分けて示します。
• AI記事作成・画像生成：検索意図と自社の情報をもとに、見出しや本文の作成を支援します。数値や固有名詞は公開前に担当者が確かめます。

参考情報

• Microsoft Azure：小規模言語モデル (SLM) とは?
• Microsoft Azure Blog：Introducing Phi-3: Redefining what’s possible with SLMs
• Meta AI：Llama 3.2: Revolutionizing edge AI and vision with open, customizable models
• Google AI for Developers：Gemma 4 モデルの概要
• Android Developers：Gemini Nano
• Apple Machine Learning Research：Apple Intelligence Foundation Language Models Tech Report 2025
• IBM：What are small language models?