SLMとは？LLMとの違い・主要モデル・企業の使い分けを解説【2026年版】

---

メールの仕分けや定型の要約にまで、最高性能のAIを毎回使う必要はあるのか。F1は速い。だが、コンビニへ行くのにF1を出す人はいない。その「ちょうどいい一台」にあたるのがSLMだ。

問題は巨大LLMが悪いことではない。仕事に対してモデルが大きすぎ、原価が高すぎることだ。2026年、SLM（Small Language Model：小規模言語モデル）はPCだけでなく、スマートフォン、組み込み機器、ロボットへ広がり、AIを「どこで、どの能力で動かすか」という経営判断を変え始めている。

本記事では、SLMの定義、LLMとの違い、2026年の主要モデル、業務適性、業務完了原価、Model Routingまでを整理する。

SLMとは？──小さいLLMではなく「必要十分なAI」

SLMは、少ない計算資源で動かしやすく、特定用途や実行環境へ最適化しやすい言語モデルである。

SLMはSmall Language Model（小規模言語モデル）の略です。一般に、LLMより少ないメモリや計算資源で動かしやすく、特定の用途や実行環境へ最適化しやすいモデルを指します。ただし「10B未満ならSLM」のような世界共通の厳密な境界はありません。Microsoftは14BのPhi-4もSLMに位置づけています。見るべきなのは、対象業務に必要な品質を、許容できる計算資源・速度・コストで満たせるかです。

SLMとエッジAIは別物です。SLMはモデル、エッジAIはAIをデータの近くで実行する配置・運用です。SLMはクラウドでも端末でも動かせます。AI-PCはハードウェア、TinyMLはマイコン級の制約環境で小規模な推論を動かす技術領域です。

📌 SLMを「どこで動かすか」はこちら：
➡ エッジAIとは？──SLMをどこで動かすか、クラウドとどう分担するかを解説【2026年版】

SLMとLLMの違い──「小さいか大きいか」だけではない

違いはサイズだけではない。得意な業務、必要資源、汎用性、コスト、運用方法まで含めて判断する必要がある。

SLMと高性能LLMの違い

比較軸	SLM	高性能LLM
得意領域	限定・定型・高頻度の処理	複雑・未知・横断的な処理
計算資源	比較的小さい	大きい
実行場所	端末・オンプレ・クラウドなど	主に大規模クラウド／計算基盤
レイテンシ	ローカル配置なら抑えやすい	モデル規模や通信に依存
コスト	大量反復処理で有利になり得る	高い能力が必要な仕事で価値を出しやすい
強み	効率、制御、特化	汎用性、推論力、対応範囲
※SLMとLLMに厳密なパラメータ数の共通境界はなく、モデル提供者や用途によって呼称は異なる。本記事でいう「高性能LLM」は、モデル規模そのものではなく、未知・複雑・横断的な課題への対応力を重視するモデル群を指す。

「SLMとLLMのどちらが優れているか」という問い自体が適切ではありません。 定型分類に巨大モデルは過剰になり得ますが、未知の課題を小型モデルだけに任せるのも合理的ではありません。

これはF1と乗用車の関係に近いでしょう。F1にはF1の仕事があります。しかし、日常の移動までF1である必要はありません。企業AIに必要なのは、巨大モデルをやめることではありません。何でも巨大モデルに任せる習慣をやめることです。

2026年のSLM主要モデル──Gemma・Phi・Qwenは何が変わったか

2026年の問いは「SLMで文章を書けるか」ではない。画像を理解し、ツールを呼び、どこまで業務を任せられるかである。

GoogleのGemma 4はE2B／E4B、12B、26B A4B、31Bの5サイズをそろえ、マルチモーダル入力や関数呼び出しに対応します。E2B／E4Bは128K級、12B以上は256K級のコンテキストを持ち、「小型モデル＝簡単な文章生成」という印象を変えています。

MicrosoftのPhiは低遅延、Fine-tuning、エッジ／オンデバイス展開を重視します。Qwen3.5-9Bは9Bのマルチモーダルモデルで、262K級の長いコンテキストを備えます。

2026年に押さえておきたいSLM・オンデバイスAIの主要な選択肢

モデル／基盤	特徴	見るべきポイント
Google Gemma 4	E2B、E4B、12B、26B A4B、31B。マルチモーダルと関数呼び出しに対応	小型端末からPC・ワークステーションまでサイズ別に見る
Microsoft Phi	エッジ／オンデバイス展開を重視するSLMファミリー	低遅延、Fine-tuning、業務特化
Qwen3.5-9B	9Bのマルチモーダルモデル。262K級コンテキスト	量子化、必要メモリ、長文脈を含む実行条件
Apple Foundation Models framework	オンデバイス、Private Cloud Compute、外部・ローカルモデルを扱う開発基盤	モデル単体ではなく、タスクに応じた能力の切り替え
※Apple Foundation Models frameworkはSLMの製品名ではない。端末内モデルと上位モデルを使い分ける2026年の代表的な設計例として掲載。

スマートフォンは、マイクロ機器とAI-PC／ロボット計算機の中間にある重要な実行地点です。Appleは2026年、対応環境でオンデバイス、Private Cloud Compute、外部・ローカルモデルを同じFoundation Models frameworkから使い分けられるようにしました。

SLMは「PCで動く小型LLM」ではありません。 スマートフォン、組み込み機器、AI-PC、ロボットへ必要十分な知能を置くためのモデル層です。

📌 PC側のNPU・メモリ・端末選びはこちら：
➡ AI-PC導入ガイド

小さいモデルを実用化する4つの技術

SLMの実用性はモデルサイズだけでは決まらない。蒸留、量子化、Fine-tuning、RAGの組み合わせが品質と原価を左右する。

蒸留（Distillation）は、大きな教師モデルの出力や知識を使って小さな生徒モデルを学習させる手法です。

• 蒸留：教師モデルの知識や出力を小型モデルの学習へ利用する
• 量子化：重みなどの数値表現を小さくし、必要メモリや計算量を減らす
• Fine-tuning：特定業務やドメインのデータでモデルを調整する
• RAG：知識をモデル内部だけに持たせず、必要な情報を外部から検索して補う

この4つとは別に、モデルアーキテクチャも変わっています。代表例がMoE（Mixture of Experts）です。Gemma 4の26B A4Bは総パラメータ約25.2B、推論時にアクティブになるのは約3.8Bで、「A4B」は約4Bアクティブを意味します。

一方、MoEは一般に複数のエキスパートの重みを保持する必要があり、計算量とは別にメモリ要件を見積もる必要があります。計算量が軽いことと、必要メモリが小さいことは同じではありません。

SLMが向く仕事・向かない仕事

モデル名から決めるのではない。仕事の難しさ、繰り返し頻度、要求品質、データ制約を先に見るのが実務の順番である。

SLMの価値が出やすいのは、処理範囲を限定でき、何度も繰り返す仕事です。分類、情報抽出、定型要約、限定FAQ、決められたツール呼び出しなどが候補です。ただし、長文、多言語、複雑な文書構造、高い正確性を要求する業務では、同じ「定型処理」でも事前評価が欠かせません。

SLMが有力な仕事・高性能LLMが有力な仕事

SLMが有力な候補	高性能LLMが有力な候補
分類・タグ付け・情報抽出	未知の問題への高度な推論
定型要約・文章整形	複数分野をまたぐ分析
限定領域のFAQ・検索補助	曖昧な条件を含む例外判断
決められたツールの呼び出し	高品質な長文生成・戦略立案
大量・高頻度の反復処理	失敗コストが高い複雑な処理

朝、CFOが「この単純処理に毎回高性能モデルが必要か」と聞く。昼、情シスが「このデータを外部へ送ってよいか」と問う。夕方、現場は「もっと速く返してほしい」と言う。この三つの問いが、コスト、データの置き場所、応答速度というモデル選びの条件になります。

SLMは対象範囲を限定したときに強みを出しやすい一方、想定外入力では品質が下がる可能性があります。本番データで境界条件まで評価し、上位モデルへ送る条件を先に決めます。

SLMを使えばAIコストは本当に下がるのか

安いモデルを選ぶだけでは原価は下がらない。要求品質を満たして仕事を完了するまでの総コストで判断する必要がある。

Gartnerは2025年4月、2027年までに企業で使われる小型・タスク特化型AIモデルの利用量が、汎用LLMの少なくとも3倍になると予測しました。SLMと完全な同義ではなく、Fine-tuningなどで作る特化モデルも含む予測ですが、企業AIが用途別の使い分けへ進む追い風を示しています。

ただし「ローカルSLMなら安い」とは限りません。自社運用にも、ハードウェア、電力、評価、更新、監視、セキュリティ、障害対応が必要です。

そこで見るべきなのが、要求品質を満たして業務を1件完了するまでの総コストです。本記事では、この評価軸を業務完了原価（Cost per Successful Task）と呼びます。

SLMが安くても、上位モデルへの再送や人手確認が増えれば業務完了原価は下がりません。逆に、定型処理を高い再現性で完了できれば、利用量が増えるほど効果は積み上がります。

2026年8月の企業向けコーディング支援研究でも、トークン単価ではなく、失敗後のエスカレーションを織り込んだcost per completed taskでモデル選択を最適化しています。本記事の「業務完了原価」は、この発想を一般業務へ広げた評価軸です。見るべきなのは「SLMが安いか」ではなく、「要求品質で業務を完了するには何が最も安いか」です。

SLMとLLMをどう使い分けるか──答えはModel Routing

実務ではSLMかLLMかを固定しない。タスクの難易度と信頼度に応じて振り分け、失敗時の逃げ道まで設計する。

企業AIでは、SLMかLLMかを一度決めて固定するより、Model Routing（モデルルーティング）で仕事を振り分ける方が再現性の高い設計です。

定型FAQや情報抽出はSLMで処理し、曖昧な相談や複雑な推論だけ上位モデルへ送ります。AppleもFoundation Models frameworkのDynamic Profilesで、会話履歴を保ちながらモデル、ツール、指示を切り替える仕組みを提供しています。

ルーティングはコスト削減だけの仕組みではありません。上位モデルへ送る条件、人へ戻す条件、失敗の記録方法まで決めて初めて、再現性のある運用になります。

モデル選択と実行場所も分けて考えます。SLMはクラウドでも動かせます。まず必要なモデル能力を決め、その後にランタイム、メモリ、セキュリティ、端末、クラウドを選びます。

判断の順番は「モデル → ランタイム → チップ／実行場所」です。ハードウェアから逆算するのではなく、業務要件から必要な知能を定義すれば、端末世代が変わっても設計思想は残ります。

オープンウェイトでも商用利用、再配布、派生モデル、用途制限はモデルごとに異なります。ライセンス確認もモデル選定の一部です。

まとめ──「一番大きなAI」ではなく「一番適したAI」

SLMの価値は小ささではない。仕事に必要十分な知能を、適切な原価と実行環境へ割り当てられることにある。

高性能LLMが不要なのではありません。経営会議、顧客対応、定型事務を同じ人だけに任せないように、AIにも役割分担があります。すべてをLLMへ投げる必要も、SLMへ置き換える必要もありません。

スマートフォン、PC、組み込み機器、ロボットへAIが広がるほど、SLMと高性能LLMを業務の難易度と失敗コストで使い分ける意味が大きくなります。

「一番賢いAIはどれか」ではなく、「この仕事に必要なAIはどれか」。AIを選ぶことは、自社の仕事をどこまで理解しているかを問うことでもあります。

あなたの会社で毎日繰り返しているAI処理のうち、本当に最高性能のモデルが必要なのはどれだけあるでしょうか。まず最も頻度の高い処理を一つ選び、SLMで要求品質をどこまで維持できるか測る。そこが、モデルを「大きさ」ではなく「仕事」で選ぶ最初の一歩です。

専門用語まとめ

SLMを理解するうえで重要な用語を、モデル選択と企業導入に必要な範囲へ絞って整理する。

SLM（Small Language Model）

比較的少ない計算資源で動かしやすく、特定用途へ最適化しやすい言語モデル。

量子化（Quantization）

数値表現を低精度化し、メモリや計算量を減らす手法。

MoE（Mixture of Experts）

複数の専門部分から一部を選び、推論時の計算量を抑える設計。

Model Routing

タスク条件に応じて複数のAIモデルへ処理を振り分ける設計。

参考文献 / 出典

モデル仕様と2026年のオンデバイスAI動向は、公式ドキュメントと一次情報を優先して確認している。

次に読むなら

SLMの次は、実行場所、ハードウェア、低消費電力AI、インターフェースへ理解を広げる。

補足Q&A

検索時に多い「SLMとは」「LLMとの違い」「PC以外でも動くか」という疑問へ短く回答する。

Q1. SLMとは何ですか？

A1. LLMより少ない計算資源で動かしやすく、特定用途や端末へ最適化しやすい言語モデルです。 厳密なパラメータ数の世界共通定義はありません。

Q2. SLMとLLMの違いは何ですか？

A2. 主な違いは、必要な計算資源、対応できる仕事の広さ、コスト、配置の自由度です。 SLMは限定・高頻度処理、LLMは複雑・未知・横断的な処理に向く傾向があります。

Q3. SLMはPC以外でも動きますか？

A3. はい。SLMはPC専用ではありません。 モデルサイズ、ランタイム、メモリ、アクセラレータが適合すれば、スマートフォン、組み込み機器、産業機器、ロボットなどでも利用できます。

更新履歴

2026年9月改版では「SLM×エッジAI」からSLM正典へ役割を再定義し、検索意図と企業のモデル選択へ焦点を絞った。