【2026年】Liquid AIの端末配布|売上条件と検収の線

「オープンウェイトで公開されているのだから、全社員のパソコンに入れても費用はかからないはずだ」「端末の中で動くAIなら、社外にデータが出ないので情報管理の審査は軽くて済む」——小型のAIモデルを社内に配る話が出たとき、情シスとAI導入の担当者の間でよく交わされる会話です。ところが、Liquid AI が自社の小型モデルに付けている LFM オープンライセンス v1.0 の原文には、年間の売上が1,000万米ドル以上の法人による商用利用は、このライセンスでは許諾されないと書かれています。大手企業にとっては、無料で配れるかどうかが最初の条項で決まってしまうのです。端末に配る判断の本質は、モデルの性能ではありません。本当は、別の契約の有無、日本語の品質の検収、配った後の更新と回収を、社内の誰が持つかです。この記事では、2026年10月に新しい世代の LFM3 を公開した Liquid AI を題材に、大手企業が社員の端末や社内の機器に小型モデルを配る前に確かめることを、置き方の比較とともに整理します。モデルの動かし方や画面の操作は扱いません。
カメ先生端末で動く小さなモデルは、無料で、社外にも出ないから手軽だと思われがちなんだ。でも本当は、ライセンスの条件と、配った後の面倒を誰が見るかで、手軽さはずいぶん変わる。
カメ子公開されているモデルでも、会社の規模によって使えるかどうかが違うんですか。
カメ先生Liquid AI のライセンスはそういう作りになっている。それに、端末に置けば外に出ないものは確かに増えるけれど、配った版の更新や、返却された端末からの消去という、クラウドには無かった仕事も生まれるんだよ。
カメ子外に出ない代わりに、手元で管理するものが増える、ということですね。
- Liquid AI の LFM オープンライセンス v1.0 は、年売上1,000万米ドル以上の法人の商用利用を許諾の対象外としている。大手企業は、オープンウェイトでも別の商用契約を前提に検討する
- 公表の点数はすべて同社の自己測定で、LFM3 の発表には日本語対応の記載がない。日本語の品質は、自社の問いで業務の担当者が検収し、知識を答えさせる仕事には使わない
- 端末に置くと入力と出力は外に出ないが、重み・記録の残る端末が台数分増える。版の固定、回収と消去、クラウドAIへ上げる条件、やめ方を配る前に決める
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
Liquid AI とは:MIT発、端末で動く小型の基盤モデルを作る会社
Liquid AI は、米国マサチューセッツ工科大学の研究者が立ち上げた会社で、端末の上で動く小型の基盤モデルを開発しています。モデルの系列名は LFM です。公式の説明では、一般的な大規模言語モデルとは異なる独自の構造を採り、少ない記憶容量と計算量で速く動くことを強みにしています。資金面では、2024年に AMD が主導する2億5,000万ドルの資金調達を行ったと報じられています。
日本には日本法人の Liquid AI株式会社があります。日本法人の発表によれば、本社は東京都港区虎ノ門で、設立は2024年6月です。日本向けには、日本語に特化した小型の言語モデルと音声のモデルを公開しており、想定する分野として、自動車、製造、ロボティクス、金融・公共、スマートデバイスを挙げています。海外の小型モデルの会社で、日本語版のモデルと日本法人の両方を持つ例はまだ多くありません。日本語の解説記事もほとんど無いため、判断の材料は公式の発表とライセンスの原文から組み立てることになります。
提供の形は大きく二つあります。一つは、モデルの重みを Hugging Face で公開するオープンウェイトの形で、自社の端末やサーバーに持ち込んで動かせます。もう一つは、Liquid AI 自身が提供するAPIで、こちらはクラウドで動かす使い方です。社員の端末に配る判断で問題になるのは前者ですが、後で触れるように、ライセンスの条件はまさにこの公開の形にかかっています。
2026年の動き:日本語版の改良、24B-A2B、そして10月の LFM3
2026年に入ってからの公式ブログは、ほぼ毎月新しいモデルを出しています。1月5日に次の世代の LFM2.5 を発表し、同じ時期に日本語版の LFM2.5-1.2B-JP を公開しました。6月5日には、日本法人が改良版の LFM2.5-1.2B-JP-202606 と、音声と文字を一つで扱う約15億パラメータの日本語の音声モデルを発表しています。名前の末尾に年月が付いている点は、配る側にとって大事です。同じ系列の名前でも、年月の違う版が並んで公開されるということだからです。
10月13日には、全体で240億、一度に働くのは20億というパラメータの LFM2.5-24B-A2B を、端末で動く速いエージェント向けとして発表しました。公式ブログは、扱える文脈の長さが131,072トークンに伸びたことや、道具を呼び出す試験での成績を示す一方で、知識を多く問う試験やプログラミングの試験では、より大きなモデルに及ばないことも明記しています。
そして10月27日に LFM3 を公開しました。共通の土台から作った約20億パラメータ級の6種類のモデルで、文字、画像、音声、それらをまとめて扱う型、判断に特化した型がそろっています。公式は、文字のモデル LFM3-1.7B が4ビットに圧縮すると約1GBに収まり、扱える文脈は256,000トークンだとしています。発表には、AMD や Qualcomm などの半導体の会社が、自社の処理装置での動作に取り組むという談話が並びました。端末に配るための部品が、この1年で一気にそろってきたと見てよいでしょう。
公表された数字の読み方:平均点も速度も、誰が測ったか
LFM3 の発表には多くの数字が並びます。文字のモデルの平均点は49.37で、前の世代の26億パラメータのモデルの31.55を大きく上回り、より大きい他社のモデルとも並ぶとしています。端末での速度についても、試した三つの機器のすべてで最も速く、次に速いモデルより1.8倍から2.8倍速く文字を出したと書かれています。試した機器と処理の組み合わせは14通りに及ぶとしています。ただし、どれも最新に近い機器での値です。
これらの数字を社内の判断に使う前に、確かめるべきことが三つあります。一つ目は、いずれも Liquid AI 自身が測った数字で、第三者の検証ではないことです。日本語版のモデルの説明も、日本語の試験での成績を同社の評価として載せています。二つ目は、LFM3 の発表には、日本語に対応するかどうかの記載が無いことです。三つ目は、公式自身が、知識を問う仕事とプログラミングでは大きいモデルがまだ勝つと認めていることです。
つまり、発表の数字が示しているのは「大きさの割に強い」ということであって、「自社の業務で使える」ということではありません。自社の業務の問いで測り直すまでは、公表の点数は候補を絞る材料にとどめるのが安全です。速度の数字も、高性能な処理装置や最新のスマートフォンでの値なので、手元の端末での値とは分けて考えます。測り直しの方法は、後の検収の節で扱います。
最初に確かめるのはライセンス:年売上1,000万ドルの線
大手企業が最初に確かめるべきは、性能より先にライセンスです。Liquid AI のオープンウェイトのモデルには、LFM オープンライセンス v1.0 という独自のライセンスが付いています。原文では、基準を「年間の売上が1,000万米ドル以上」と定め、この基準を超える法人による商用利用は、このライセンスでは許諾されないとしています。要約の部分にも、売上が基準を超えたら商用利用の権利は終わり、Liquid AI から商用のライセンスを購入する必要があると書かれています。
日本円で十数億円の売上がある会社なら、この基準を超えると考えるのが自然です。そして、社員の端末に配って業務に使うのは、典型的な商用利用です。したがって大手企業では、オープンウェイトで公開されていても、別の商用契約を前提に検討することになります。研究目的や、条件を満たす非営利の団体には基準が適用されないという規定もありますが、事業会社の業務利用はこれに当たりません。
もう二つ、見落とされやすい条項があります。一つは、自社で追加学習した派生のモデルも、このライセンスの下で扱われることです。手を加えた部分の持ち主は自社でも、使い方の条件は元のライセンスに従います。もう一つは、条項に違反するとライセンスが自動的に、ただちに終了し、利用をやめて複製を消す義務が生じることです。試しに入れた部署が、基準を知らないまま業務で使い続けることが、そのまま違反になりかねません。
- ライセンスの原文は Liquid AI の公式サイトと Hugging Face のモデルの説明から確かめられる。売上の数え方(連結か単体か)などの解釈は、原文と法務部門の確認で決め、記事の要約だけで判断しない
- 商用の契約の条件(料金・台数・期間)は公表されていない。公式は問い合わせ先として営業の窓口を案内している
- ライセンスは商標の利用を許諾しない。社内の展開で製品名を名乗る場合の扱いも、契約の場で確かめておく
比べる三つの置き方:端末に配る・社内サーバーに置く・クラウドを使う
ライセンスの次に決めるのは、モデルをどこに置くかです。小型のモデルの置き方は、大きく三つに分けられます。社員のパソコンや業務用の端末、工場や店舗の機器に直接配る置き方、社内のサーバーに置いて社内の網の中から呼ぶ置き方、そして Liquid AI のAPIやほかのクラウドAIを使う置き方です。それぞれで、外に出ないものと増える仕事が違います。
| 置き方 | 外に出ないもの | 増える仕事 | 向く場面 |
|---|---|---|---|
| 端末に配る | 入力と出力が端末から出ない(通信を切った状態でも動く) | 版の配布と更新、機種ごとの検収、返却時の消去 | 網につながらない現場、待ち時間が許されない処理 |
| 社内サーバーに置く | 社外には出ないが、社内の網は通る | サーバーの運用、利用者の権限と記録の管理 | 部署をまたいで同じ版を使わせたい処理 |
| クラウドを使う | 外に出る(提供元の取り扱い条件に従う) | 契約の確認と、送ってよい情報の線引き | 知識を広く問う仕事、件数が少ない仕事 |
この表で見ると、端末に配る置き方は、外に出ないものが最も多い代わりに、増える仕事も最も多いことが分かります。クラウドなら提供元が一か所で入れ替える版を、端末では社内が台数分配り直すことになるからです。外に出ない利点を取るなら、その分の管理を引き受ける部署が要ります。
Liquid AI の場合、同じモデルを端末にもAPIにも置けるので、三つを組み合わせやすいのが特徴です。たとえば、社内の網の中で検証し、商用の契約が固まってから端末に配る、という順番も取れます。逆に言えば、置き方を決めないまま「とりあえず希望者に配る」のが最も危ない始め方です。配った後で置き方を変えると、回収の手間が二重にかかります。
端末に置くと外に出ないもの、それでも残るもの
端末に置く最大の利点は、入力した文章や音声、モデルが返した答えが、端末の外に出ないことです。公式ブログも、24B-A2B を使ったエージェントの実演で、クラウドのAPIを一度も呼ばずに端末の中だけで動いたと説明しています。会議の要約を端末の中だけで作る使い方も、同社はブログで取り上げています。社外に出せない会議の記録や顧客とのやり取りを扱う部門にとって、魅力のある性質です。
ただし、これは「実演の構成ではそうだった」という説明で、どの使い方でも外に出ないことの保証ではありません。端末に置いたモデルに、社内の検索や外部のサービスを呼ぶ道具をつなげば、その道具を通じて情報は外に出ます。外に出ないのはモデル自身の処理であって、つないだ道具の先までは守れないと考えるべきです。社員への説明でも、この区別をはっきり伝えます。
加えて、端末の中に残るものが増えます。モデルの重みそのもの、会話の記録、要約した会議の内容が、端末の記憶装置に残ります。端末を紛失したとき、退職者が端末を返すとき、修理に出すときに、これらをどう消すかを決めておく必要があります。外に出ないことは、端末の中の管理が要らないことを意味しないのです。
- 端末の中で動くから、という理由で情報管理の審査を省いて配る
- 外部の道具をつないだ後も「端末の中で完結する」と社員に説明し続ける
- 会話の記録の保存先と消し方を決めずに配り、返却された端末に記録が残る
- 試験用に入れた版が、検収を経ないまま業務で使われ続ける
日本語の品質を、誰がどう検収するか
日本語版の LFM2.5-1.2B-JP-202606 の説明には、約12億パラメータで、扱えるのは英語と日本語、扱える文脈は32,768トークン、知識の区切りは2024年の半ばと書かれています。そして、知識を多く問う仕事には勧めない、仕事と期待する振る舞いと出力の形をはっきり指示したときに最もよく働く、と明記しています。日本語の試験での成績は同社の評価として示され、前の汎用の版より大きく上がったとしています。
これを読むと、検収で見るべき点がはっきりします。知識を答えさせる使い方ではなく、指示した形に沿って文章を整える、分類する、項目を抜き出す使い方で、日本語の品質を測ることです。社内の用語、敬語の使い分け、略称や製品の型番の扱いは、汎用の試験ではほとんど測られていません。自社の文書から作った問いで確かめる必要があります。
検収を担うのは、情シスや開発の担当者だけでは足りません。その文章を日々読む業務の担当者が、答えが使えるかどうかを判定します。判定はAIに任せず、人が行います。採点役の別のAIに自動で点を付けさせる方法もありますが、小さいモデルの日本語の微妙な誤りを、採点役のAIが見逃すこともあります。合格の線は業務の担当者が決め、採点の記録には根拠となる元の文書を必ず添えることを勧めます。
向く仕事と向かない仕事:知識を答えさせる仕事は任せない
公式の説明と、日本法人が挙げる推奨の用途を合わせると、向く仕事の形が見えてきます。日本法人の発表では、エージェント型の処理、道具の呼び出し、決まった形での出力、社内の資料を渡して答えさせる検索連動の処理、日英の二か国語の支援、端末上の個人の支援が推奨の用途とされています。いずれも、答えの形が決まっていて、必要な情報をその場で渡せる仕事です。
逆に向かないのは、モデル自身の知識に頼る仕事です。日本語版の説明は知識を多く問う仕事を勧めておらず、知識の区切りも2024年の半ばです。最新の法令、取引先の状況、自社の新製品について、資料を渡さずに尋ねれば、もっともらしい誤りが返る可能性があります。知識を答えさせる仕事は、小型モデルの端末配布の対象から外すのが基本です。
現場で考えやすい例を挙げると、向く仕事は、問い合わせの文面の分類、日報や点検記録からの項目の抜き出し、会議の音声からの要点の書き起こし、網につながらない工場や車内での音声の操作などです。向かない仕事は、製品の仕様の質問への回答、契約の条文の解釈、競合の動向の要約などです。前者であっても、AIの出した分類や抜き出しを最終の判断にはせず、人が確認する範囲を先に決めます。たとえば、分類が「その他」に落ちたものと、金額や日付を抜き出したものは、必ず人が見る、といった線です。
配る前の検収の手順:五つの段階
検収は、配る台数が多いほど、配る前に済ませておくべき作業です。次の順で進めると、ライセンス、品質、管理の問題を、配った後になって見つける事態を避けられます。
法務部門と、売上の基準に当たるかを確認する。当たる場合は商用の契約の条件を Liquid AI と詰め、契約が固まるまでは業務の文書を入れない検証の範囲にとどめる。
分類、抜き出し、要約など、答えの形が決まった仕事を一つ選ぶ。知識を答えさせる仕事は選ばない。
業務の担当者が、自社の文書から問いと合格の答えを用意し、候補のモデルに解かせて人が採点する。公表の点数は使わない。
実際に配る機種で、待ち時間、記憶容量、電池の減り方を確かめる。最新の機種だけで測らず、最も古い機種で合否を決める。
版の配り方、記録の消し方、回収の手順、止める権限を文書にしてから、少数の部署に配る。
このうち抜けやすいのが、四つ目の「配る機種で測る」です。公式の速度の数字は、高性能な処理装置や最新のスマートフォンでの値です。社内で数年使っている端末では、同じモデルでも待ち時間が大きく変わることがあります。古い機種が混ざる会社ほど、最も遅い機種で合格かどうかを決めておく必要があります。三つ目で使った問いと合格の答えは、版が上がったときの測り直しにもそのまま使うので、業務の担当者が持ち主として保管します。
配った後の管理:版の固定、更新、回収
端末に配った後の管理は、クラウドAIには無かった仕事です。まず版の更新があります。Liquid AI は日本語版でも年月を付けた改良版を出しており、LFM3 のように世代が変わることもあります。新しい版が出るたびに自社の問いで測り直し、合格したものだけを配る流れが要ります。新しい版を各自が勝手に入れる状態は、検収をしていないのと同じです。
次に、版をそろえる問題があります。部署によって古い版と新しい版が混ざると、同じ文書を分類しても答えが違うという問い合わせが来ます。端末の管理の仕組みで配る版を固定し、どの端末にどの版が入っているかを台帳で持てるようにしておきます。追加学習した自社版を配る場合は、元のモデルの版と、学習に使ったデータの版も合わせて記録します。
最後に回収です。退職や異動、端末の入れ替えのときに、モデルの重みと会話の記録を消す手順を、端末の返却の手順に組み込みます。ライセンスが終了した場合には複製を消す義務が生じることも、この手順と結び付けておくべきです。配った台数だけ、消す台数があるという前提で台帳を作ります。
- 端末の管理の仕組みで、配布・更新・消去を一括で行えるかを、情シスが事前に確かめる
- 通信を切った状態で使う端末には、更新が届かない期間がある。社内で最も古い版がどれかを把握しておく
クラウドAIとの分担:上げる条件を人が決める
端末の小型モデルだけで社内のAI利用をまかなうのは、現実的ではありません。公式自身が、知識を問う仕事やプログラミングでは大きいモデルが勝つと書いている以上、社内には Claude や ChatGPT のようなクラウドの大きいAIと、端末の小型モデルが並ぶことになります。問題は、どの仕事をどちらに流すかを、誰がどう決めるかです。
決め方の基本は、仕事の種類ではなく、入力の性質で分けることです。社外に出せない情報を含む入力は端末で処理し、出せる入力のうち広い知識が要るものはクラウドに上げる、という線が分かりやすいでしょう。ここで、端末の小型モデルに「この入力は社外に出してよいか」を判断させてはいけません。判定を誤れば、そのまま情報が外に出ます。判定の基準は人が決め、文書の区分や送り先の設定として仕組みに組み込みます。
もう一つ決めておくのが、上げる合図です。端末のモデルが指定の形で出力できなかった場合や、分類の確からしさが低い場合に、人に回すのか、クラウドに回すのかを先に決めます。上げる条件があいまいなまま配ると、社員が自分の判断でクラウドのAIに文書を貼り付けることになり、端末に置いた意味が失われます。分担の線は、情シスと利用部門が一緒に決め、配る前の説明会で社員に示します。
追加学習で自社向けにする場合の線
LFM3 の発表は、どのモデルも1枚の処理装置で追加学習でき、自社の分野や道具に合わせる短い追加学習を勧めています。小型のモデルは、追加学習で特定の仕事に寄せやすいのが利点です。分類の型や出力の書式を自社に合わせたいとき、追加学習は有力な手段になります。
ただし、追加学習に進む前に決めるべき線があります。一つ目は、学習に使うデータの範囲です。顧客の情報や個人の情報を学習に使えば、モデルの中にその痕跡が残り、端末に配ればそれも一緒に配ることになります。学習に使ったデータは、配った端末の台数分だけ社内に散らばると考えるべきです。二つ目は、前に触れたとおり、派生のモデルにも元のライセンスがかかることです。自社版だから自由に配れる、とはなりません。
三つ目は、追加学習の前に、指示の書き方と、その場で渡す資料の工夫で足りないかを確かめることです。追加学習は、元のモデルの版が上がるたびにやり直しになりやすく、検収の手間も増えます。指示と資料では届かない差が、自社の問いで測って確かめられたときだけ、追加学習に進むのが、費用の面でも安全です。
費用の増え方:利用料ではなく、契約と検収と配布の手間
オープンウェイトのモデルを端末で動かせば、問いごとの利用料はかかりません。参考までに、Liquid AI のAPIでは、24B-A2B の料金を入力100万トークンあたり0.10ドル、出力100万トークンあたり1.00ドルと公表しています。ただ、大手企業の端末配布では、こうした利用料が費用の中心にはなりません。
費用の中心は三つです。一つ目は商用の契約の費用で、条件は公表されていないため、台数や期間でどう増えるかを交渉の場で確かめる必要があります。二つ目は、検収の人の時間です。版が上がるたびに、業務の担当者が自社の問いで採点し直します。三つ目は、配布と更新と回収の運用の時間です。台数が増えるほど、利用料ではなく管理の時間が積み上がるのが、端末配布の費用の特徴です。
もう一つ、端末そのものの費用もあります。AI向けの処理装置を積んだ新しいパソコンでなければ必要な速度が出ない場合、端末の入れ替えの時期と重なるかどうかで判断が変わります。公式の発表に並ぶ半導体の会社の談話は、新しい処理装置での動作を前提にしています。手元の端末で測った結果をもとに、入れ替えが要る台数を見積もってから予算を組みます。
やめ方:別のモデルに替えられる形で配る
端末に配ったモデルをやめるときは、クラウドの解約のように一か所で止めることができません。配った台数分の端末から消す必要があり、そのモデルを前提に作った社内の処理も止まります。だからこそ、入れる前にやめ方を決めておきます。
やめ方の要点は、別のモデルに替えられる形で配ることです。モデルを呼ぶ部分を一つにまとめ、業務の処理から特定のモデルを直接呼ばないようにしておけば、別の小型モデルや、クラウドのAIに切り替えられます。検収に使った自社の問いと合格の答えは、モデルではなく自社の資産として残すようにします。替えた先のモデルも、同じ問いで測れるからです。
やめる合図も先に決めておきます。商用の契約の条件が合わなくなったとき、新しい版が自社の問いで合格しなくなったとき、日本語の改良版の公開が長く止まったときなどです。やめる条件と、消す手順と、替えの候補を、配る前の稟議に書いておくと、担当者が替わっても判断がぶれません。
よくある質問
年売上が基準を超える会社でも、試すだけなら使えますか
ライセンスの基準がかかるのは商用利用です。業務に使わない評価や研究の範囲なら扱いが違う可能性がありますが、どこまでが商用に当たるかは原文の定義と法務部門の判断によります。業務の文書を入れて試す時点で商用に近づくため、早めに Liquid AI に確かめるのが確実です。
日本語版と LFM3 のどちらを候補にすればよいですか
日本語版は英語と日本語に絞ったモデルで、日本語の試験での成績を示しています。LFM3 の発表には日本語の対応の記載がありません。日本語の業務なら、まず日本語版を候補にし、LFM3 は自社の日本語の問いで測ってから判断します。どちらの場合も、公表の点数ではなく自社の問いで決めます。
端末の中で動くなら、個人情報を入れてもよいですか
端末から外に出ない構成なら、提供元に送られることはありません。ただし、端末の中に記録が残り、つないだ道具を通じて外に出る可能性もあります。個人情報を扱うかどうかは社内の情報管理の規程で決め、記録の保存期間と消し方まで決めてから使います。
AIに答えの正しさを判定させて、検収を自動にできますか
一部は自動にできますが、合格の判定の代わりにはなりません。採点役のAIも誤るため、最終の合否は業務の担当者が決め、根拠となる文書と照らして確かめます。
まとめ
Liquid AI は、MIT発で日本法人も持つ小型の基盤モデルの会社で、2026年には日本語版の改良、24B-A2B、10月の LFM3 と、端末に配るための部品を次々に出しています。ただし、LFM オープンライセンス v1.0 は年売上1,000万米ドル以上の法人の商用利用を対象外としており、大手企業は別の商用契約を前提に検討することになります。公表の点数は同社の自己測定なので、日本語の品質は業務の担当者が自社の問いで検収し、知識を答えさせる仕事には使わないことが出発点です。端末に置けば外に出ないものは増えますが、台数分の版の管理と消去の仕事も増えます。AIに社外へ出してよいかを判断させず、根拠の文書を添えて人が確かめる範囲を先に決め、やめ方まで稟議に書いてから配ってください。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
