NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

PFNが金融特化8BモデルPLaMo 3.0 Finをオープンウェイト公開 国産AI半導体MN-Core 2で事後学習、金融知識ベンチマークの平均は48.0から55.8へ(自社計測)

Preferred Networks(PFN)は2026年11月9日、金融機関の実務利用を想定した8B規模の金融特化モデルPLaMo 3.0 Finの重みをHugging Faceで公開した(plamo-3-8b-fin-instruct)。NICTとの共同研究で得た事前学習モデルPLaMo 3 NICT 8B Baseに、日本を中心とした金融データで継続事前学習と事後学習を行い、日本語の推論過程の出力と外部ツールの呼び出しに対応する。事後学習のうち指示追従学習(SFT)は、PFNが開発した国産AI半導体MN-Core 2上で実施し、コーディングエージェントを使ったコード移植を1週間以内で終えたと会社は説明する。金融知識ベンチマークjapanese-lm-fin-harnessの平均スコアはベースの48.0から55.8になった。数値はPFN環境での自社計測で、第三者による検証はまだない。

公開はHugging FaceのモデルID「plamo-3-8b-fin-instruct」で、PLaMoコミュニティライセンスのもとに行われる。Hugging Face APIでの実測では、モデルは2026年11月8日13:51(UTC)に作成され、重みはBF16で総計85億3,175万912パラメータ、ゲートはかかっていない。PFNはニュースリリースで、クラウドの閉域環境やオンプレミス環境への導入に対応し、小型モデルのためGPU 1枚から運用できると説明する。モデルは質問への回答の前に日本語で推論過程を書き出し、Web検索や計算、社内データベース参照といった外部ツールの呼び出しにも対応する。

「本モデルの事後学習において、Reasoning機能やツール利用のための指示追従学習を、PFNが自社開発したAI半導体MN-Core 2で実施しました。」

本モデルの事後学習において、Reasoning機能やツール利用のための指示追従学習を、PFNが自社開発したAI半導体MN-Core 2で実施しました。

PFNニュースリリース「国産の金融特化型小規模言語モデルPLaMo 3.0 Finをオープンウェイトで公開」、2026年11月9日付

NICT共同研究の基盤に金融データで追加学習

基盤は、PFNと情報通信研究機構(NICT)の共同研究で得られた事前学習モデルPLaMo 3 NICT 8B Baseだ。開発は三段階で、日本語を中心とした金融コーパスでの継続事前学習(NVIDIA H100)、指示に沿った応答・日本語の推論過程・ツール呼び出しを学ばせるSFT(MN-Core 2を搭載したPFNグループの計算基盤PFCP)、応答の失敗を減らすDPO(H100)を順に適用する。SFTのツール利用データの一部は、実際のツール一覧に架空のツールを混ぜてGemma 4 31Bに検索・呼び出し・回答を一歩ずつ生成させて作り、DPOの選好データの採点もGemma 4 31Bが担った。

図解PLaMo 3.0 Finの学習の流れ(PFN技術ブログ・図5に基づく)
  1. 01 基盤

    PLaMo 3 NICT 8B Base

    PFNとNICTの共同研究で得た事前学習モデル。

  2. 02 継続事前学習

    金融コーパス

    日本語中心の金融分野コーパスで金融知識を補う。学習はNVIDIA H100。

  3. 03 SFT

    MN-Core 2

    指示追従・日本語推論過程・ツール呼び出しの学習。国産AI半導体MN-Core 2を搭載したPFCPで実施。

  4. 04 DPO

    選好学習

    モデル自身の回答をGemma 4 31Bが採点し、良い回答と悪い回答のペアで学ぶ。学習はNVIDIA H100。

  5. 05 公開

    Hugging Face

    plamo-3-8b-fin-instructとしてPLaMoコミュニティライセンスで公開。API・Chat(β版)からも利用可能。

PFN技術ブログ「金融特化型の小規模言語モデルPLaMo 3.0 Finの開発」(2026年11月9日)の学習の流れと使用ハードウェアの記述に基づく。

金融知識ベンチマークの平均は48.0から55.8へ

日本の金融知識を測るjapanese-lm-fin-harness(有価証券報告書の感情分析、証券アナリスト試験、公認会計士試験の監査論、FP2級、証券外務員1種の5タスク)で、平均スコアはベースモデルの48.0から継続事前学習で50.1、SFTで56.0に上がり、DPO後の公開モデルでは55.8だった。タスク別では監査論が13.1から29.2、証券外務員1種が49.1から64.9に伸びた。比較対象の同規模クラスのオープンウェイトモデルでは、Qwen3.5-9Bが60.1、Ministral 3 14Bが62.8でこれを上回る一方、Gemma 4 E4Bは45.6、gpt-oss-20bは43.0だった。証券外務員1種に限ればQwen3.5-9Bを14ポイント上回る。金融を題材にした対話ベンチマークpfmt-bench-fin-jaのスコアは8.35、PFNが構築した9カテゴリ108シナリオのツール利用ベンチマークの平均は71.3で、ツールを一度も呼ばずに答えたサンプルは0.9%、答えに必要な情報を返すツールへの到達率は78.9%だった。これらはすべてPFN環境での計測値で、ブログは計測条件が異なるためリーダーボードの値と直接比較できないと明記する。ツール利用ベンチマークの評価基盤とデータは公開されていない。

図解japanese-lm-fin-harnessの平均スコア(PFN技術ブログ・表1、自社計測)
  • PLaMo 3 NICT 8B Base

    平均
    48.0
    監査論
    13.1
    証券外務員
    49.1
  • PLaMo 3.0 Fin(DPO後)

    平均
    55.8
    監査論
    29.2
    証券外務員
    64.9
  • Qwen3.5-9B

    平均
    60.1
    監査論
    41.7
    証券外務員
    50.9
  • Ministral 3 14B

    平均
    62.8
    監査論
    39.2
    証券外務員
    68.4
  • Gemma 4 E4B

    平均
    45.6
    監査論
    20.6
    証券外務員
    52.6
  • gpt-oss-20b

    平均
    43.0
    監査論
    13.8
    証券外務員
    50.9

PFN技術ブログの表1から平均と2タスクを抜粋。監査論は公認会計士試験の監査論(cpa_audit)、証券外務員は証券外務員1種(security_sales_1)の正答率。5タスク平均の残りは感情分析(F1)とアナリスト試験・FP2級。すべてPFN環境でのvLLM計測値で、他リーダーボードとは計測条件が異なる。数値はPFNの自社計測で第三者検証はない。

MN-Core 2でのSFTとエージェント支援の移植

SFTは行列演算に特化した自社AI半導体MN-Core 2を搭載したPFCPで実施した。MN-Core 2向けの学習コードには移植が必要で、通常は専門知識が求められる。PFNはコーディングエージェントを中核に据えた移植手法を研究開発しており、今回の開発では、MN-Core 2に詳しくない開発者が、複数ボードによる分散学習への対応を含むSFTコードの移植を1週間以内に終えたと説明する。移植したコードでの学習は「GPUを用いた学習環境と同等の実用的な学習速度」を達成したとしているが、比較に使ったGPUの種類や計測条件は公表資料に記載がなく、この点は会社の説明のまま残る。

ライセンスは無条件のオープンソースではない。PLaMoコミュニティライセンスのもとで、直近事業年度の収入または売上が10億円以下の企業と個人は、商用・非商用を問わず無償で利用でき、商用利用にはフォームからの登録が必要だ。PFNは問い合わせ分類、申込書類からの情報抽出(KYC)、アラート・検知情報の分析といった業務への組み込みを挙げ、金融専門チームの各社専用モデル構築サービス(2025年6月提供開始)のベースモデルに使う想定も示す。なおNICTの同日の発表は、金融特化の本モデルと、別途公開された翻訳特化のPLaMo 3 Translate(11月5日リリース)を並べて報告している。

出典

  1. 国産の金融特化型小規模言語モデルPLaMo 3.0 Finをオープンウェイトで公開(PFNニュースリリース)2026-11-09付。モデル名、PLaMo 3 NICT基盤、MN-Core 2でのSFT、1週間以内の移植、GPU同等の学習速度の説明、ライセンス脚注、業務想定。確認日 2026-11-11
  2. 金融特化型の小規模言語モデルPLaMo 3.0 Finの開発(PFN技術ブログ)2026-11-09付。三段階の学習と各段階のハードウェア、japanese-lm-fin-harnessの表1(48.0→55.8とタスク別)、pfmt-bench-fin-ja 8.35、ツール利用ベンチマーク71.3、比較モデルの計測条件、ライセンスと使い方。確認日 2026-11-11
  3. PFN、翻訳特化型および金融特化型の言語モデルをオープンウェイトで公開(NICT)2026-11-09付。共同研究の成果である事前学習モデルを基盤とする点の当事者確認。翻訳特化PLaMo 3 Translateとの並記。確認日 2026-11-11
  4. pfnet/plamo-3-8b-fin-instruct(Hugging Face)モデルページとAPI実測。作成 2026-11-08T13:51Z、BF16 8,531,750,912パラメータ、非ゲート、transformersとvLLMでの利用方法。確認日 2026-11-11

出典の確認日 2026.11.11

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む