Preferred Networks（PFN）は11月9日、金融特化型のLLM（大規模言語モデル：大量のデータから言語を学習したAI）である「PLaMo 3.0 Fin」をオープンウェイトで公開しました。このモデルは小型であるため、外部と接続しない閉域環境や自社サーバー（オンプレミス）での運用が可能です。顧客データを社外に出せない制約がある銀行や証券会社などの金融機関での利用が想定されています。
PLaMo 3.0 Finで何ができるのか
PLaMo 3.0 Finはパラメータ数8B（80億）の小型モデルで、GPU1枚から動作します。一度に扱える文章量（コンテキスト長）は262,144トークンに及び、段階的に考えて回答するReasoning（推論）機能や、外部ツールを呼び出す機能を備えています。
想定される業務には、問い合わせの分類、顧客確認（KYC）書類の突き合わせ、不正検知アラートの分析、融資先の業況分析などが挙げられています。これにより、すべての業務に巨大なLLMを使うよりも費用対効果を高められるとしています。
開発の背景と海外モデルとの違いは何か
本モデルはNICT（情報通信研究機構）との共同研究によるベースモデルを土台に、金融データの継続事前学習、SFT（教師ありファインチューニング：特定のタスクへの適応）、DPO（直接選好最適化：回答の調整）の3段階を経て開発されました。特にSFTにはPFN自社開発のAI半導体「MN-Core 2」が活用されています。
海外の大手AI企業であるAnthropicやOpenAIは、巨大な汎用モデルにクラウド経由で金融データを集める方式を採用しています。対してPFNは、小型の特化モデルを配布し、データが存在する金融機関側で動かすという逆のアプローチを採っています。
図1: 海外大手とPFNの戦略的なアプローチの違い
図2: ベースモデルから特化モデルへの進化プロセス
性能評価と今後の見どころはどこか
日本語の金融ベンチマーク「japanese-lm-fin-harness」の5タスク平均では55.8を記録し、ベースモデルの48.0から向上しました。この数値はGemma 4 E4Bなどの海外オープンモデルを上回りますが、Qwen3.5-9Bなどの一部モデルには届いていません。
モデルカードでは、検証が日本語のみであることや、幻覚（ハルシネーション：AIが事実に基づかない情報を生成すること）が起きやすいことが明記されています。PFNは今後、海外の先行モデルとの差を埋めるため、競争力あるモデルの研究開発を継続するとしています。
よくある質問
Q. 商用利用は有料ですか？
A. 利用者または関係会社の直近事業年度の収入または売上が10億円未満であれば、事前登録のうえで商用利用も無償となります。非商用利用は無償です。
編集部の見方
セキュリティ要件が極めて厳しい金融業界において、データを外に出さず自社環境で完結できる「オンプレミス対応」の国産モデルである点は大きな強みになると考えられます。一方で、ベンチマーク結果に見られるように、海外の強力なオープンモデルとの性能差をどこまで詰められるかが、実務への導入普及の鍵を握るでしょう。
関連記事
- teketで全会員の氏名やメアドが流出、不正アクセスによりサービス停止
- Nvidiaがジェンスン・ファンCEOの中国スパイとの関係を調査
- コア・サイエンティフィックがビットコイン採掘から年内撤退、AIデータセンターへ注力
- AI情報の記事一覧
出典
- 日本語で考える金融特化LLM「PLaMo 3.0 Fin」オープンウェイトで公開（PC Watch） — 2026-11-09
この記事は WEB3-ON 編集部が公開情報をもとに AI を用いて作成しました。内容の正確性には注意を払っていますが、詳細は出典をご確認ください。誤りや削除のご要望は お問い合わせ からお知らせください。
コメント