SLMとは？LLMやVLMとの違いや開発方法や費用について

SLMとは？VLMやLLMとの違い

SLM（Small / Specialized Language Model）は、文脈によって二つの意味で使われます。現在の生成AIの実務文脈では、主にSmall Language Model（小型言語モデル）を指し、軽量・低遅延・低コストでの推論やオンデバイス実行、用途特化の前処理・ルーティングに適します。一方で、医療・法律・金融など特定ドメインに特化した「Specialized Language Model（領域特化言語モデル）」を指す用法も依然としてあります。本稿では、混同を避けるため小型（Small）を主としつつ、領域特化（Specialized）も包含する広義のSLMとして扱います。

LLM（Large Language Model）は大規模汎用モデルで、長文要約、複雑な推論、コード補助など幅広いタスクで高性能ですが、計算資源・コスト・レイテンシが課題になりやすい。一方、VLM（Vision-Language Model）は画像・動画などの視覚情報と言語を結合的に扱い、図表や帳票、UIスクリーンショットの理解、画像QA・DocVQA・視覚検索といった視覚×言語の統合推論に強みがあります。

実務上の違いをまとめると次の通りです。

• LLM：汎用性とピーク性能。コストとレイテンシは中〜高。
• SLM：小型・高速・安価。前段のオーケストレーション（意図推定、正規化、ツール呼び出し）やオンデバイス処理に最適。
• VLM：視覚モダリティを含む結合推論。図面・スキャンPDF・UIなど“ビジュアル前提の業務”に効く。

典型的な設計は、SLMをゲートウェイにしてリクエストをふるい分け、必要な場合のみLLM/VLMを呼ぶハイブリッド構成です。これにより、TCO（コスト・遅延・スループット）の最適化が可能になります。

https://moji-inc.com/articles/vlm

https://moji-inc.com/articles/slm

SLMを用いた事例

SLMの活用は大きく「小型汎用」と「領域特化」の二系統に整理できます。

1. 小型汎用SLMによる業務オーケストレーション
   端末内やエッジ環境に小型SLMを配置し、要約・分類・プロンプト正規化・簡易QA・ツール呼び出しなどを担当。重いLLM/VLMの呼び出し頻度を減らすことで、応答速度と運用コストを同時に下げられます。コールセンターの前処理、社内検索のクエリ正規化、RAGの前段フィルタなどで効果が出やすい設計です。
2. 領域特化SLMによる精度と一貫性の向上
   既存のBERT/GPT系をベースに、医療・金融・法律・製造・教育などのコーパスで継続事前学習（DAPT）や指示チューニングを行うパターンです。

   医療：疾患名・薬剤・検査値などの固有表現抽出、レポート要約、照合の一貫性向上。

   金融：決算・有価証券報告書の感情・イベント抽出、勘定科目の正規化、ノイズ耐性の向上。

   法律：契約条項の抽出・リスクハイライト、条文照合、参照根拠の安定化。

   製造：障害報告・保全記録からの故障モード抽出、部品名の同義正規化、要因推定の補助。

   教育：誤答パターンのクラスタリング、学習到達度推定と教材レコメンドの精度向上。

（注）上記は導入傾向の一般化であり、改善幅やKPIはデータ品質・アノテーション方針・評価設計に強く依存します。

SLMのメリット・デメリットを比較

メリット

1. 低レイテンシ／低コスト：小型ゆえに推論が軽く、エッジやオンデバイスでの即応が可能。
2. データ主権・プライバシー：端末内処理や最小転送を設計しやすく、規制・ガバナンス要件を満たしやすい。
3. 領域特化での安定性：専門語彙・文体・構造に合わせた学習により、汎用LLMより一貫した出力を得やすい。
4. ハイブリッド最適化：SLM前段で難易度推定・ルーティングを行い、重い推論の総量を削減。

デメリット

1. 汎用性の限界：長い思考連鎖や多段の抽象推論ではLLMが優位。用途外では性能低下が起こりやすい。
2. データ整備の負荷：特化するほど高品質な専用コーパスとアノテーションが必要。アクセスや権利処理がボトルネックになり得る。
3. 運用の複雑性：SLM→LLM/VLMのルーティング戦略、評価指標の設計（品質・コスト・遅延の三面評価）が不可欠。
4. 継続学習・ドリフト対策：語彙や業務手順の更新に合わせた定期リフレッシュとモニタリング体制が必要。

SLM開発方法や費用は？

進め方（実務フロー）

1. 用途特定とKPI定義：例）F1/EM、抽出再現率、正規化精度、P95遅延、1リクエスト原価、ヒューマンインザループの介入率。
2. コーパス確保とガバナンス：社内文書・FAQ・ログ等の収集、匿名化・権利確認・監査ログの設計。
3. ベース選定：小型系（例：3〜70B未満相当の圧縮・量子化モデルなど）を土台に、継続事前学習（DAPT）／指示チューニング／タスク微調整を選ぶ。
4. 評価設計：ユースケース別ベンチを整備（医療NER、決算イベント抽出、契約条項抽出、FAQ分類など）。自動指標＋人手評価で二層化。
5. ハイブリッド化：SLMで意図推定・正規化・ツール実行、難問のみLLM/VLMにフォールバック。
6. 運用：コスト・品質・遅延の継続モニタリング、ドリフト検知、再学習パイプラインの自動化。

費用レンジ（目安）

• API／ホスティング中心の小規模PoC：数十万〜数百万円/年（利用量・SLAに依存）。
• 自前適合（小型モデルのDAPT/FT）：GPU環境やMLOps整備を含め数百万円〜、厳格なガバナンスや継続学習まで踏むと1,000万円超も想定。
• データ整備：収集・匿名化・アノテ・評価で数百万円〜（医療・法律などは高め）。

※実コストはデータ入手性／セキュリティ要件／目標KPI／可用性SLAで大きく変動します。最近は「小さく作り、必要時のみ大モデル」の設計が一般化し、TCO最適化の余地が拡大しています。

SLMについてMojiにご相談ください！

• 要件整理とモデル選定：オンデバイス要約・FAQ、社内検索の前処理、RAG前段、コールセンターの分類・転送など、SLMに向くタスクを精査し、LLM/VLMとの最適分担を設計します。
• データ／評価基盤：匿名化・権利確認・監査性を含むガバナンス設計と、ユースケース別の評価テンプレート（自動指標＋人手評価）を提供。
• 実装と運用：小型モデルの適合、ハイブリッド構成のルーティング戦略、コスト・遅延・品質の三面KPI運用まで伴走します。