TopicBase
Preferred Networks（PFN）は11月9日、金融業務向けの言語モデル「PLaMo 3.0 Fin」を、学習済みの重みであるモデルデータを配布するオープンウェイト形式で公開しました。日本語で推論過程を出力し、外部ツールの呼び出しに対応するほか、自社サーバーで運用するオンプレミス環境や、外部との接続を制限したクラウド閉域環境でもGPU1枚から利用できます。
問い合わせ分類や書類照合への組み込みを想定
PLaMo 3.0 Finは、日本の金融分野のデータで追加学習した小型モデルです。回答前に段階的に考えるReasoning機能を備え、その推論過程を日本語で出力します。Web検索、計算、社内データベースの参照などに使う外部ツールも呼び出せます。
想定用途には、問い合わせの分類・振り分け、申込書類からの情報抽出や照合、顧客確認（KYC）、不正検知アラートの分析、財務・取引情報に基づく融資先の業況分析があります。PFNは、大量の処理を伴う金融業務のすべてに大型の言語モデルを使うと、利用コストがかさみ、費用に見合う効果が得られない場合があるとしています。
モデルはAIモデルの共有サービス「Hugging Face」で、PLaMoコミュニティライセンスのもとで提供されています。PLaMo APIと対話サービスのPLaMo Chatでも、利用上限のある無料プランからβ版を使えます。β版には稼働率などのサービスレベル保証がなく、提供内容は予告なく変更・終了する場合があります。
PFNは2025年6月から、金融機関の独自データや業務ノウハウを追加学習する「各社専用モデル構築サービス」も提供しています。PLaMo 3.0 Finを基盤に、自社の業務フローに沿った推論や、社内システム・データベースの呼び出しに対応した専用モデルを構築できます。
金融知識の評価は55.8、対話とツール利用も測定
PFNの評価では、日本語の金融知識を測る「japanese-lm-fin-harness」の5タスク平均が、ベースモデルの48.0から55.8へ向上しました。比較モデルではGemma 4 E4Bの45.6、gpt-oss-20bの43.0を上回り、Qwen3.5-9Bの60.1、Ministral 3 14Bの62.8を下回りました。
この評価は、有価証券報告書の文の感情分析、証券アナリスト試験、公認会計士試験の監査論、ファイナンシャル・プランニング技能検定2級、証券外務員1種の5タスクで構成されています。PFNは、各選択肢を出力する確率に基づいて回答を選ばせ、感情分析には分類精度の指標であるF1、それ以外には正答率を用いて平均を算出しました。
金融を題材にした対話の回答を採点する「pfmt-bench-fin-ja」では、PFNの評価で10点満点中8.35でした。外部ツールを使って金融タスクに答える評価では100点満点中71.3で、gpt-oss-20bの67.1、Ministral 3 14Bの63.7を上回り、Gemma 4 E4Bの76.2、Qwen3.5-9Bの75.4を下回りました。
ツール利用の評価では、必要な情報を返すツールに到達した割合が78.9％でした。PFNは、取得した情報から最終回答を組み立てる部分に改善の余地があると評価しています。
指示への応答を学ぶ工程に自社半導体を使用
開発の基盤は、PFNと情報通信研究機構（NICT）の共同研究で得られた「PLaMo 3 NICT 8B Base」です。金融データによる継続事前学習に続き、指示に沿った応答を学ぶ教師ありファインチューニング（SFT）、良い回答と悪い回答のペアで出力を調整する直接選好最適化（DPO）を実施しました。
SFTには、PFNが開発したAI半導体「MN-Core 2」を使いました。MN-Core 2は、深層学習の中心となる行列演算に特化したプロセッサーです。PFNは、コードを書くAIエージェントを活用し、複数ボードによる分散学習を含む学習プログラムの移植を1週間以内に完了し、GPU環境と同等の実用的な学習速度を達成したとしています。
GPUメモリは重みの精度と文章量で変わる
PLaMo 3.0 Finのコンテキスト長は、文章の処理単位であるトークンで262,144トークンです。金融データの継続事前学習には、最大32,768トークンの系列を使っています。
GPU1枚での運用に必要なメモリ量は、モデルの重みを保存する精度によっても変わります。「ローカルLLM VRAM早見表」の算術上の目安では、80億パラメータ級のモデルの重みは16ビット精度で約16GB、保存精度を下げて容量を圧縮するQ4量子化では約4.8GBです。文章生成中の計算結果を保持する「KVキャッシュ」は重みとは別にメモリを使い、その容量はコンテキスト長にほぼ比例して増えます。
長文設定による変化の例として、ai-hardware-zukan.comの検証では、RTX 5080の16GBモデルとOllama 0.23.3を使い、4ビット量子化したLlama 3.1 8Bで短い同一入力を処理しています。確保するコンテキスト長を4,096から65,536へ増やすと、Ollamaが推定する必要GPUメモリは5.1GBから16.7GBへ増加しました。同じ65,536の設定でKVキャッシュを8ビット化すると、必要GPUメモリは12.5GBでした。
誤回答とツール選択に課題、金融モデルの開発を継続
PFNは、PLaMo 3.0 Finについて、もっともらしい誤答を生成するハルシネーションのリスクを挙げています。検証は日本語で行われており、モデルの出力は法律・金融・税務・投資の専門的助言には当たらず、利用者に代わる投資判断には使わないという利用上の制限があります。
またPFNは、ツール候補が多い環境では選択に迷って推論が長くなり、回答に到達しない場合があるとしています。ツール利用の評価では、540件の生成サンプル中5〜10件で、コンテキスト長の上限まで推論を続けて回答できませんでした。
顧客確認や問い合わせ処理への組み込みに関わるデータ管理は、金融業界でも議論されています。金融庁のAI官民フォーラムで高松氏は、個人情報の処理を外部に委託する場合、委託先管理や追加学習などへの独自利用を制御する対応が必要になると指摘しました。PFNは今後、金融特化型モデルの研究開発と金融機関の業務活用支援を進める方針です。
