PLaMo 3.0 Finとは?金融AIをオンプレミスで動かす約80億パラメータモデル・ツール連携・運用設計

当サイトではアフィリエイト広告を利用しています。

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」をオープンウェイトで公開しました。

PLaMo 3.0 Finの特徴は、約80億パラメータ規模(8B)のモデルに日本の金融知識を追加し、日本語でのReasoningと外部ツール呼び出しを組み込み、クラウド閉域環境やオンプレミス環境へ配置できる点です。Hugging Faceで重みが公開され、PLaMo API・PLaMo Chatでもβ版を試せます。

金融業務へ入れるときは、ベンチマークに加えて、モデルをどこへ置くか、どの金融データへ接続するか、ツール実行をどこで制御するか、重要な判断を誰が確認するかまで一つの運用として設計する必要があります。

この記事では、PLaMo 3.0 Finの学習・評価結果を確認したうえで、金融AIを自社管理環境へ置くための実装条件と運用設計を掘り下げます。

PLaMo 3.0 Finは金融実務向けの約80億パラメータ規模モデル

PLaMo 3.0 Fin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」を基盤にした金融特化モデルです。日本語を中心とした金融分野のデータで継続事前学習を行い、その後に教師ありファインチューニング(SFT)と直接選好最適化(DPO)を適用しています。

主要な仕様をまとめると次の通りです。

項目内容
開発元Preferred Networks
基盤モデルPLaMo 3 NICT 8B Base
規模約80億パラメータ規模(8B)
主な対象日本語の金融業務
推論日本語でReasoningを出力
外部連携Function callingによるツール呼び出し
最大コンテキスト長262,144トークン(モデルカード記載)
公開形式Hugging Faceでオープンウェイト
推論環境Transformers、vLLMなど
提供経路オープンウェイト、PLaMo API・PLaMo Chat β版
ライセンスPLaMoコミュニティライセンス

PFNは問い合わせ分類、申込書類からの情報抽出・突合、不正検知アラートの分析、融資先の業況分析などを想定用途として挙げています。これらは大量の文書や定型処理を扱いながら、金融知識と社内データの両方を使う業務です。

約80億パラメータ規模によって、自社側で運用可能な計算規模へ金融特化モデルを収めています。PFNはクラウド閉域環境やオンプレミス環境でGPU1枚から運用できると案内しています。

金融特化は継続事前学習・SFT・DPOの3段階で作られた

PLaMo 3.0 Finは、金融知識の追加、指示追従・Reasoning・ツール呼び出し、応答改善という役割を学習段階ごとに分けています。

学習段階主な役割
継続事前学習日本語を中心とした金融分野の知識を追加
SFT指示追従、日本語Reasoning、ツール呼び出しを学習
DPO応答やツール利用で起きる失敗を減らす

継続事前学習ではNVIDIA H100を使用し、SFTはPFNのAI半導体MN-Core 2を搭載した計算基盤PFCPで実施しました。DPOでは再びNVIDIA H100を使っています。

SFTのデータには金融分野の質問応答、複数ターン対話、長文説明、表を使った計算、金融計算、参照文書を読んで答える問題、ツール利用などが含まれます。Reasoningでは、日本語で推論過程を生成し、その結果を選別しながら学習データを洗練する手順が使われました。

DPOでは、SFT後のモデルが1問あたり複数の回答を作り、評価モデルで良い回答と悪い回答を分けています。ツール利用では、呼び出し回数の過不足、引数の誤り、ツール結果に存在しない内容の生成、同じ呼び出しの反復などが失敗例として扱われました。

この3段階を見ると、金融特化モデルの役割が「金融用語を知っているモデル」から、金融データや外部ツールを使って業務フローの一部を進めるモデルへ広がっていることが分かります。

金融ベンチマークは48.0から55.8へ伸びた

PFNは日本語の金融知識を測る「japanese-lm-fin-harness」で、学習段階ごとの変化を公開しています。数値はPFNの環境で測定した結果です。

モデル・学習段階平均スコア
PLaMo 3 NICT 8B Base48.0
継続事前学習後50.1
SFT後56.0
PLaMo 3.0 Fin(DPO後)55.8

証券外務員の問題では、ベースモデルの49.1から64.9へ伸びています。公認会計士試験の監査論では13.1から29.2になりました。

比較モデルではQwen3.5-9Bが60.1、Ministral 3 14Bが62.8で、PLaMo 3.0 Finはその次の位置です。Gemma 4 E4Bは45.6、gpt-oss-20bは43.0でした。日本固有の制度や業務に関係するタスクでの改善箇所が、金融業務への導入判断材料になります。

ツール利用ベンチマークの平均は71.3でした。比較したGemma 4 E4Bは76.2、Qwen3.5-9Bは75.4、gpt-oss-20bは67.1、Ministral 3 14Bは63.7です。必要な情報を返すツールまで到達できた割合は78.9%と報告されています。

これらの値は、金融知識、ツール選択、最終回答という工程を分けて評価する材料として使えます。

オープンウェイトは「どこで動かすか」を自社で決められる

PLaMo 3.0 FinはHugging Faceで「plamo-3-8b-fin-instruct」として公開されています。PFNはクラウド閉域環境とオンプレミス環境での利用を想定し、GPU1枚から運用できると案内しています。

導入経路は大きく3つに分けられます。

導入経路向いている用途主な確認点
PLaMo API・Chat β版まず回答品質を試す利用上限、β版の提供条件
クラウド閉域環境自社ネットワークと接続して運用データ経路、ネットワーク境界、ログ
オンプレミスモデルとデータを自社設備側で管理GPU、推論基盤、更新、監視

オープンウェイトでは、モデルの重みを取得して自社側の推論基盤へ置けます。モデルカードにはTransformersでの直接読み込み方法があり、vLLMでは0.32.0からPLaMo 3向けのReasoning・ツール呼び出しパーサが利用できます。OpenAI互換APIとして提供する構成も可能です。

モデルを自社管理環境へ置く場合は、性能と同時に実行環境、ライセンス、推論ランタイム、更新方法を固定して検証します。公開ウェイトモデルを選ぶときの確認軸は、Ripple-65B Previewの記事でも詳しく整理しています。

Ripple-65B Previewとは?65B・最大100万トークン・コーディング性能をどう評価するか
Ripple-65B Previewを深掘り。65BのDense構造、12兆トークン事前学習、最大100万トークン対応、Apache 2.0、Terminal-Bench 2.1の80.52を、公開Previewモデルを選ぶ5つの評価軸から解説します。

PLaMoコミュニティライセンスでは、直近事業年度の収入または売上が10億円以下の企業・個人が、商用・非商用を問わず無償利用できる条件が示されています。商用利用では登録が必要です。実運用前には、自社の利用形態とライセンス条件を合わせて確認します。

ツール呼び出しはモデルと実行処理を分けて設計する

PLaMo 3.0 FinのFunction callingは、金融AIの実装で重要な部分です。

モデルへOpenAI形式の関数定義を渡すと、必要に応じて関数名と引数を返します。ここでモデルが行うのは、どのツールを、どの引数で呼びたいかを出力するところまでです。実際の計算、Web検索、社内データベース検索はアプリケーション側が実行し、その結果をモデルへ戻します。

実装の流れは次のようになります。

  1. 利用者が金融業務の質問や処理依頼を入力する
  2. PLaMo 3.0 FinがReasoningし、必要なツール呼び出しを返す
  3. アプリケーション側で関数名・引数・権限を検証する
  4. 参照・計算などの通常処理は、許可されたツールだけを実行する
  5. 注文・送金・外部システム更新など副作用を伴う処理は、必要な人の承認を得てから実行する
  6. 実行結果をモデルへ返す
  7. モデルが結果を使って最終回答を作り、必要な業務では人が内容を確認する

この境界があるため、モデルに社内データベースや業務システムへの接続方法を直接持たせる設計より、アプリケーション側で実行許可を制御できます。

モデルカードでは、ツール呼び出しの精度は利用するツールとタスクに依存するため、自社用途で評価するよう案内しています。参照・計算などの通常処理はアプリケーション側の検証後に実行し、注文や送金など現実世界へ影響する操作は、検証後に必要な人の承認を通してから実行します。

金融AIでは、この「モデルが提案する層」と「システムが実行する層」を分けることが、権限制御と監査の基礎になります。

自社管理運用ではデータの通り道まで設計対象になる

オンプレミスや閉域クラウドへモデルを置くと、顧客情報や取引データをどの環境へ置くかを自社側で決められます。計算や社内データベースなどの内部ツールは自社管理境界内に置き、Web検索など外部接続が必要な処理は境界を越える別経路として制御します。

実際の運用では、モデル本体の配置に加えて次の経路を確認します。

  • 入力データをどこから取得するか
  • 推論ログや会話履歴をどこへ保存するか
  • Web検索を許可する処理と社内データだけで完結する処理をどう分けるか
  • 社内データベースへ渡す検索条件をどこで検証するか
  • モデル更新時にどのバージョンを検証済みとして固定するか
  • 監査ログへツール名・引数・実行結果をどこまで残すか

金融AIでは、モデルの回答品質と同じくらい、どのデータがどの境界を通るかが導入条件になります。

金融データへの接続範囲と実行権限を分ける考え方は、Claude Personal Financeの記事でも扱っています。外部サービスへ金融データを接続する場合の「見える範囲」と「実行できる操作」を確認できます。

Claude Personal Financeとは?金融データの「見える範囲」と読み取り専用権限・プライバシーを解説
AnthropicのClaude Personal Financeを深掘り。Plaid経由で接続した金融口座についてClaudeが参照できる情報、読み取り専用で実行できない操作、Personal Finance内会話の学習利用、対象プランと米国ベータの条件を解説します。

PLaMo 3.0 Finのような自社管理型モデルでは、この考え方を自社ネットワーク、データベース、ツールゲートウェイ、監査ログの設計へ置き換えます。

約80億パラメータ規模のモデルでは根拠取得と人の確認を運用に組み込む

PLaMo 3.0 Finのモデルカードは、約80億パラメータ規模のモデルでは大規模モデルより保持できる事実知識が少なく、誤った内容をもっともらしく生成することがあると説明しています。

金融業務で扱う数字や制度は、最新情報や一次データと照合できる構成にします。PFNも、事実や数値が重要な用途ではWeb検索やデータベース参照で根拠を取得し、人が回答を確認する運用を推奨しています。

実装では、次の3段階を分けると評価しやすくなります。

  • 知識:モデル内部の金融知識で答えられるか
  • 根拠取得:社内DBや公的情報から必要な事実を取得できるか
  • 最終判断:取得した根拠を使って正しい回答・分類・処理案を作れるか

ツール利用ベンチマークでも、必要なツールへ到達する能力と、取得した情報から最終回答を組み立てる能力には差が見られました。導入テストでも同じように工程を分けると、失敗箇所を特定できます。

導入前は5つの軸で自社タスクを評価する

PLaMo 3.0 Finを金融業務へ組み込むなら、公開ベンチマークに加えて自社タスクで次の5軸を確認します。

1. 金融知識と業務ルール

自社で扱う商品、制度、社内規程、専門用語を含む質問セットを用意します。一般的な金融知識と、自社固有ルールを分けて採点します。

2. データ配置

顧客情報、取引データ、契約書、社内文書をどの環境へ置くかを決めます。閉域クラウドとオンプレミスでは、ネットワーク接続、バックアップ、監査の設計も変わります。

3. 処理量と応答時間

GPU1枚で動かせることと、必要な処理量を満たせることは別の評価項目です。同時実行数、入力長、Reasoningの長さ、ツール呼び出し回数を含めて負荷を測ります。

4. ツール利用の成功率

Web検索、計算、社内DB、業務APIなど、実際に使うツールだけを渡して評価します。PFNは多数のツール候補がある環境では選択に時間がかかる課題を報告しており、現状は一度に渡す候補を絞る運用を推奨しています。

5. 権限・確認・監査

モデルが返したツール呼び出しは、アプリケーション側で許可条件を確認します。参照・計算などの通常処理は検証後に実行し、外部システム更新など副作用を伴う処理は、検証後に必要な人の承認を通してから実行します。

この5つを評価表へ落とすと、「金融ベンチマークが高いモデル」から「自社の金融業務で運用できるモデル」へ選定基準を進められます。

PLaMo 3.0 Finが候補になりやすい業務

公開されている機能と想定用途から見ると、PLaMo 3.0 Finは次のような業務で検証候補になります。

  • 問い合わせ内容の分類・振り分け
  • 申込書類や添付文書からの情報抽出
  • 複数資料の突合やチェック
  • 不正検知・モニタリングのアラート分析
  • 財務・取引情報を使った業況分析の補助
  • 社内DBや公的情報を参照する金融調査
  • 定型的な金融計算と説明文の生成

特に、入力データを自社環境へ残したい業務や、既存システム・社内データベースと接続して大量処理したい業務は、オープンウェイトと小型モデルの特徴を活かしやすい領域です。

最終的な採用は、モデル単体の回答精度、実行環境、データ経路、ツール利用、確認フローをまとめて評価して決めます。

まとめ

PLaMo 3.0 Finは、PLaMo 3 NICT 8B Baseへ金融分野の継続事前学習、SFT、DPOを行い、日本語Reasoningとツール呼び出しを組み込んだ金融特化モデルです。

Hugging Faceでオープンウェイトとして公開され、クラウド閉域環境やオンプレミス環境へ配置でき、PFNはGPU1枚からの運用を案内しています。PLaMo API・PLaMo Chatのβ版で試してから、自社管理環境での検証へ進む経路もあります。

金融AIの導入では、モデル配置、データ経路、ツール実行、根拠取得、人の確認を一つの運用として設計することが重要です。

PLaMo 3.0 Finは、その設計を自社側で組み立てられるオープンウェイトの金融モデルとして、金融業務へAIを入れるときの具体的な選択肢になっています。

公式情報・参照先

タイトルとURLをコピーしました