Preferred Networks（PFN）は2026年11月9日、金融分野に特化した小規模言語モデル「PLaMo 3.0 Fin」の重みを公開した。80億パラメータ（8B）規模のモデルで、同社によると、閉域クラウドやオンプレミス環境でもGPU1枚から運用できるという。モデルの重みを自社環境に導入できるほか、APIやChatのベータ版を通じて試すことも可能だ。
金融業務への導入を検討するうえで重要なのは、金融知識に関する評価と、外部ツールを利用する能力の評価を区別することだ。金融知識の試験では、選択肢の中から正しい回答を選べるかを測定する。一方、ツール利用の評価では、必要な外部機能を選択し、取得した情報を使って適切に回答できるかが問われる。ツール呼び出しではモデルが関数名と引数を生成するものの、実際の処理はアプリケーション側が実行するため、モデルの性能だけでなく、外部機能との連携方法も業務での実用性を左右する。
8Bモデルの重みを公開、金融分野に特化した3段階の学習
今回公開されたのは、Hugging Faceで配布される「pfnet/plamo-3-8b-fin-instruct」だ。PFNは金融業務の一部を自動化するAIエージェントの中核としての利用を想定しており、日本語による推論過程の出力に加え、Web検索や計算、データベース参照などのツール呼び出しに対応させた。重みが公開されたことで、利用者はモデルを自社管理の環境に導入できる。ただし、GPU1枚から運用できるという説明は、運用費用や応答速度、同時処理性能まで保証するものではない。また、検索やデータベース参照を利用するには、接続先のシステムやツールを実行する仕組みを別途用意する必要がある。
基盤となったのは「PLaMo 3 NICT 8B Base」だ。PFNはまず、日本語を中心とする金融分野の文書を使って継続事前学習を行い、専門知識を補強した。続く教師ありファインチューニング（SFT）では、指示に従った応答や日本語による推論過程、ツール呼び出しを学習させている。最後に、回答の良し悪しを比較してモデルを調整するDPO（Direct Preference Optimization）を適用した。具体的には、SFT後のモデルが生成した回答をGemma 4 31Bで評価し、良い回答と悪い回答の組を作成することで、不要なツール呼び出しや引数の誤り、事実の捏造、処理の繰り返しといった問題の抑制を図った。学習には、SFTでPFN独自のAIプロセッサ「MN-Core 2」を、継続事前学習とDPOでNVIDIA H100を使用している。
金融知識は改善したが、ツール利用の評価では異なる傾向
PFNが公開した開発ブログでは、金融知識に関する5種類のタスクを用い、学習の各段階における性能を比較している。有価証券報告書の感情分析タスク「chabsa」はF1スコア、残る4タスクは正答率を指標とし、その平均を算出した。この評価では文章を生成せず、各選択肢の尤度に基づいて回答を選ぶ方式を採用しており、推論過程の生成も使用していない。
| PFNの金融知識評価における学習段階 | 5タスク平均 |
|---|---|
| 基盤モデル | 48.0 |
| 継続事前学習後 | 50.1 |
| SFT後 | 56.0 |
| DPO後 | 55.8 |
2026年11月9日にPFNが公表した評価結果では、基盤モデルの48.0から継続事前学習後は50.1へと2.1ポイント上昇し、SFT後にはさらに5.9ポイント高い56.0となった。一方、DPO後は55.8となり、SFT後から0.2ポイント低下している。公表値は小数第1位までであり、それぞれの差は50.1−48.0＝2.1、56.0−50.1＝5.9、55.8−56.0＝−0.2となる。
ただし、この結果はPFNの評価環境で全モデルに共通の既定プロンプトを使用した比較であり、モデルごとに高いスコアが得られるプロンプトを選ぶ公式リーダーボードとは評価条件が異なる。また、各学習工程を順番に適用した際の変化を示すものであり、個々の学習手法が常に同じ改善効果をもたらすと証明したわけではない。SFT後の5.9ポイントの上昇を、ツール実行精度の改善幅と解釈することもできない。DPOには不適切な応答やツール呼び出しの失敗を減らす目的もあるため、金融知識の評価で0.2ポイント低下したことだけをもって、その効果がなかったとは判断できない。
同じ金融知識評価では、Qwen3.5-9Bが60.1、Ministral 3 14Bが62.8を記録しており、PLaMo 3.0 Finの55.8がすべての比較モデルを上回ったわけではない。さらに、この試験は選択肢から回答を選ぶ形式であり、自然言語による説明の正確さや、実際の金融業務で求められる法令・規制への対応能力を直接評価したものではない。金融知識の習得度を測る結果としては参考になるものの、業務全体での回答品質を判断するには別の検証が必要となる。
一方、ツール利用の評価では異なる傾向が見られた。PFNによると、9カテゴリにわたる108シナリオでそれぞれ5回ずつ回答を生成し、合計540サンプルを評価した。各サンプルについてGemma 4 31Bが0〜100点で3回採点し、その中央値を採用している。この評価でPLaMo 3.0 Finの平均は71.3点となり、Gemma 4 E4Bの76.2点を下回った。しかし、回答に必要な情報を返すツールへ到達した割合では、PLaMoが78.9％、Gemmaが67.1％と、順位が逆転している。
つまり、必要な情報を取得できることと、その情報を使って適切な最終回答を生成できることは、別の能力として評価する必要がある。ただし、PFNはこのツール利用評価の基盤やデータを公開していない。公表された数値から両モデルの特性の違いは読み取れるものの、現時点では第三者が同じ条件で追試し、結果を独立に検証することはできない。
約90種類のツールをどう使い分けるか
PFNが公開したデモでは、多数の外部ツールを扱う際の工夫も紹介している。約90種類のツールを用意しているものの、最初からすべてをモデルに提示するのではなく、ツールを検索するための「search_tools」だけを渡す仕組みだ。モデルは必要なツールを検索し、その結果に応じて利用可能なツールを追加していく。これは、候補が多すぎると適切なツールを選択できなくなったり、推論が長引いたりする問題に対処するための設計である。
実際、PFNによると、前述の540サンプルの評価では、5〜10件がコンテキスト長の上限に達し、回答を完了できなかった。同社は開発ブログで「現状は、モデルに渡すツールを少数に絞った環境での利用を推奨します。」と説明している。約90種類のツールに対応するデモがあることは、それらを一度に与えても安定して利用できることを意味しない。業務への導入では、対象とする処理に応じてツールの候補を限定することが重要になる。
ツール呼び出しの仕組みについても、モデルが実際の操作を直接実行するわけではない点に注意が必要だ。モデルは呼び出す関数名と引数を出力し、アプリケーションがその内容に従って処理を実行する。実行結果が会話に追加された後、モデルはその情報を使って推論を続け、最終的な回答を生成する。例えば、計算ツールに数値を渡す場合、同じ値でも百分率として扱うか小数として扱うかによって結果の意味が変わるため、引数の解釈や検証はアプリケーション側で適切に制御する必要がある。
Hugging Faceのモデルカードでは、ツールを実行する前に、すべての呼び出し内容を定義済みのスキーマに照らして検証するよう求めている。注文や送金など、現実の取引に影響する操作については、実行前に人間による確認を行うことも求めている。また、このモデルを利用するアプリケーションは、利用者に代わって投資判断を行う用途に使うべきではないとしている。モデルの重みを閉域環境に配置しても、Web検索や外部データベースに接続する場合のデータの流れはシステム構成によって変わるため、モデルを自社環境で動かすことと、すべてのデータ処理が閉域内で完結することは同義ではない。
PFNは、ツールを使わない業務処理の例として、問い合わせ分類のデモも公開している。このデモでは5件の問い合わせを3段階の緊急度と指定されたカテゴリに分類し、結果をJSON形式で出力する。こうした分類や文書からの情報抽出など、対象を限定した処理から導入を検討し、必要に応じて外部情報の取得や人間による確認を組み合わせる方法が考えられる。ただし、デモの動作は実際の業務環境での運用実績や、一定の正答率を保証するものではない。
閉域環境への導入前に確認すべきライセンス条件
公開されたモデルの重みは、誰でも無条件に商業利用できるわけではない。正式な日本語ライセンスでは、組織内での利用も商業目的に含まれる。商業目的で利用する場合は事前登録が必要であり、利用者またはその関係会社の直近事業年度における収入または売上が10億円を超えないことが条件となっている。この基準を超える場合は、別途商業用ライセンスを取得する必要がある。自社環境で運用できる点に魅力を感じても、導入前に利用条件を確認しなければならない。
一方、PFNは「plamo-3.0-fin-beta」という名称でAPIとChatのベータ版も用意している。利用上限付きの無料プランが設けられているものの、予告なく内容が変更されたり、提供が終了したりする可能性があり、稼働率などに関するサービス水準保証（SLA）もない。Hugging Faceから重みを取得して自社環境で運用する方式と、PFNが提供するAPIやChatを利用する方式では、利用条件だけでなく、データの管理方法や運用上の責任も異なるため、用途に応じて検討する必要がある。
PLaMo 3.0 Finの導入価値を判断するには、GPU1枚で動作するという運用面の特徴だけでなく、実際の業務でどこまで安定して利用できるかを見極めることが重要だ。まず対象業務を限定し、最終回答の正確さや回答できなかった場合の処理を検証する。そのうえで、人間の確認が必要な操作や、外部システムと連携する際のデータ経路を明確にすれば、モデルに任せられる工程とアプリケーション側で制御すべき工程を具体的に切り分けられる。金融分野での実用化に向けては、こうした限定的な業務での検証結果と、実環境における運用条件の確認が次の焦点となる。
