端末の中でツールを呼び出す小型モデル「Raon-1 nano」の仕組みと導入前の注意点

「パソコンやスマートフォンの中だけで動くAIなら、社外にデータが出ないので安心ではないか」「小さなモデルが会議の調整やスマホの操作まで代わりにやってくれるなら、すぐにでも試したい」——生成AIの業務利用を検討する部署と、それを見守る情報システム部門の双方から、最近よく聞かれる声です。2026年10月末、韓国のゲーム会社 KRAFTON のAI部門が、端末の中で動かすことを想定した小型の言語モデル Raon-1 nano を、商用利用も認める条件で Hugging Face に公開しました。ただし、問われているのは、データが外に出るかどうかだけではありません。本当は、端末の中でAIが何に触れ、何を操作し、その記録がどこに残るかを、会社が決められているかです。この記事では、Raon-1 nano がどのようなモデルなのか、公開情報から確かめられる事実、当ラインの安全性の精査結果、そして企業が導入前に確かめるべき点と統制のあり方を、防御の立場から整理します。導入や実行の手順は扱いません。
カメ先生端末の中で動くAIは、外にデータを送らないから安全だと思われがちなんだけど、本当は、社員の手元で会社の目が届きにくいところで動く、という別の難しさを抱えているんだ。
カメ子外に出ない代わりに、中で何が起きているかが見えにくくなるということですか。
カメ先生そう。しかもこのモデルは、会話の途中で道具を呼び出して、予定の調整や操作まで手伝う作りなんだ。だから、何を任せるか、どこまで触らせるか、何を記録するかを、使い始める前に決めておく必要があるんだよ。
カメ子モデルの賢さより先に、任せる範囲と記録の決まりを整えるべきなんですね。
- Raon-1 nano は KRAFTON が2026年10月に公開した、実際に使う規模が約15億パラメータ、総数が約31億の小型モデル。韓国語と英語に対応し、会話の中でのツールの呼び出しと、端末の中での推論を想定している。重みは Apache-2.0 で公開
- 公式の公開で、重みは安全性の高い保存形式だが、独自のモデルのプログラムを同梱し、読み込みの際にそれが動きうるため、当ラインでは「注意付き」と判定した
- 企業の備えは、同梱のプログラムの確認、端末内エージェントの権限と操作範囲とログの設計、日本語での自社評価。性能の数字は提供元の自己申告として扱い、AIに判断させず、人が確認する範囲を先に決める
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
Raon-1 nanoとは何か。2026年11月時点で確かめられる事実
Raon-1 nano は、韓国のゲーム会社 KRAFTON のAI部門(KRAFTON AI)が開発した、文章を理解して文章で答える小型の言語モデルです。Hugging Face(AIモデルの公開・共有サイト)のモデルカード(モデルの説明書きにあたるページ)によると、韓国語と英語の両方で、指示に従い、会話の流れを保ち、適切なツールを呼び出すように設計されたとされています。当ラインの精査で確認した記録では、公開場所の作成日は2026年10月29日、最終更新日は11月11日です。確認時点で「いいね」は80、直近1か月のダウンロード数は446でした。利用の前に申請を求める制限(ゲート)は付いていません。
規模は、実際の計算に効く部分が約15億パラメータ(モデルの規模を表す数値)、層ごとに持つ小さな単語の表まで含めた総数が約31億とされています。扱える文章の長さ(文脈の長さ)は262,144トークン(文章を区切った単位)と説明されています。モデルの重み(学習済みの数値)は Apache-2.0 ライセンスで公開され、モデルカードは改変や再配布、商用利用もできると説明しています。一方で、ライセンスの注記には、学習に使った独自のデータや学習の方法、配布していないソフトウェアにはこのライセンスが及ばないとも書かれています。
本記事では Raon-1 nano を「モデル」と呼びます。ライセンスはオープンソースの定義を満たす種類のものですが、主題は学習済みの重みで、ソフトウェアそのものではないためです。報道によると、KRAFTON は2026年4月に自社のAIモデルの名前を「Raon」として打ち出し、音声や画像を扱う4つのモデルを公開しました。同年10月21日には、より大きな約300億パラメータ級の Raon-1 mini の試作版を公開しています。Raon-1 nano はその流れに続く小型版で、日本語での詳しい紹介は、確認した範囲ではまだ少ないとみられます。
なぜ今、端末の中で動く小型モデルが企業の議題になるのか
これまで企業で使われる生成AIの多くは、提供元のサーバーで動くサービスでした。社員が入力した内容は社外に送られるため、企業の統制は「何を送ってよいか」「どのサービスを認めるか」を中心に組み立てられてきました。これに対して、Raon-1 nano のような小型モデルは、社員のパソコンなどの手元の機器で動かすことを想定しています。入力が社外に出ない点は利点ですが、通信の出口で見張る、という従来の統制の考え方がそのままでは届かないという変化も同時に起きます。
もう一つの変化は、モデルが「答える」だけでなく「操作する」方向に進んでいることです。モデルカードは、会話の中でツールを呼び出し、事務作業やスマートフォンの操作のような日常の作業を手伝う用途を挙げています。文章を返すだけのAIであれば、誤りがあっても人が読んで気づく余地があります。しかし、予定の登録、メッセージの送信、画面の操作をAIが代わりに行う場合、誤りや悪意のある指示がそのまま操作として実行されるおそれが生じます。
小型で手元で動き、ツールまで呼び出せるモデルは、今後も各社から公開が続くとみられます。Raon-1 nano は、その一例として、企業が「端末の中のAIエージェント(自律的に作業を進めるAI)」をどう扱うかを考える材料になります。本記事では、このモデルを使うべきかどうかの結論ではなく、使うと決めたときに先に整えておくべき統制の論点を中心に整理します。
仕組み1:小さく作り、長い文章を扱えるようにした構造
モデルカードによると、Raon-1 nano は24の層からなり、そのうち18層は計算量を抑えた独自の注意機構(文章のどこに注目するかを決める仕組み)、残りの6層は通常に近い注意機構という組み合わせです。計算量を抑えた層は、読み進めた内容を一定の大きさの状態にまとめて持ち続ける作りで、長い文章でも記憶の消費が増えにくいとされています。これが、262,144トークンという長い文脈を小型のモデルで扱うための工夫として説明されています。
学習の経緯も公開されています。モデルカードによると、Raon-1 nano は、より大きな Raon-1 mini の試作版(総数約300億、1回の処理で使うのは約40億の専門家混合型)から、不要な部分を刈り込み、大きなモデルの知識を小さなモデルに移す方法(知識の蒸留)で作られました。そのうえで3兆トークンの追加学習を行い、教師ありの調整、大きなモデルからの蒸留、強化学習(試行の結果に応じて振る舞いを調整する学習)を重ねたとされています。この作り方は、提供元が参照する論文でも説明されています。
このほか、配布物には、次の単語をまとめて予測して出力を速めるための補助の部品(約5,500万パラメータ)も含まれています。補助の部品の説明書きによると、通常の読み込みや文章の生成では使われず、一部の実行環境での利用は「試験的」な扱いにとどまるとされています。守る側として押さえておきたいのは、学習に使ったデータの中身は公開されていないという点です。どのような文章で学んだかが分からない以上、出力の偏りや誤りの傾向は、使う側が自分で確かめる必要があります。
仕組み2:会話の中でツールを呼び出し、事務作業やスマホ操作を手伝う
Raon-1 nano の特徴の一つは、会話の途中で外部のツール(予定表、文書の検索、メッセージの送信といった機能)を呼び出す力を重視している点です。モデルカードの評価表には、ツールの利用という分野に5つの評価が並んでいます。社内の事務作業を想定した提供元の独自評価、一般的な関数(決まった形式で呼び出す機能)の呼び出しの評価、スマートフォンの操作の評価、端末の命令文への変換の評価、検索の評価です。
事務作業の評価について、モデルカードは、業務用のチャットツールである Slack の上で、会議の日程を調整したり、文書や会話のやり取りを検索したりする作業を扱う社内の評価だと説明しています。この評価は公開されていません。スマートフォンの操作の評価は、Android の画面を指示に沿って操作できるかを測るものです。つまり、このモデルは、社内の連絡手段やスマートフォンの画面に手を伸ばす使い方を、はっきり想定しているということになります。
ここで大切なのは、モデルそのものは「どのツールを、どの値で呼ぶか」を提案するだけで、実際に操作を行うのは、モデルを組み込んだアプリや仕組みの側だという点です。モデルが呼び出しを提案したときに、それを無条件に実行するか、人の確認を挟むかは、組み込む側の設計で決まります。したがって、企業の統制の中心は、モデルの性能ではなく、モデルに渡す道具と権限の設計に置かれることになります。この点は後の章で詳しく扱います。
仕組み3:端末の中で動かすための配布形式
モデルカードによると、Raon-1 nano は、端末の中で動かすための3つの形式でも配られています。手元の機器向けの軽量の実行環境で使う形式(GGUF)、アップル製の半導体向けの形式(MLX)、グーグル系の端末向けの軽量の実行環境で使う形式(LiteRT-LM)で、それぞれ別の公開場所に置かれています。提供元のまとめページにも、本体と3つの形式の公開場所が並んでいます。いずれも重みを4ビット程度に縮めて、小さな機器でも動かしやすくした版です。
端末向けの形式の一部には、本体と異なる制約もあります。モデルカードによると、グーグル系の実行環境向けの版は、扱える文脈が4,096トークンに限られ、考える過程を出力しない方式で答えるとされています。一方、本体は考える過程を出力する方式を前提に設計され、それを切ることは勧めないと書かれています。同じ名前のモデルでも、配布形式によって振る舞いと前提が違うことは、評価の際に見落としやすい点です。
また、モデルカードの動作確認の記述は、アップル製の半導体を積んだ機器が中心です。スマートフォンの操作を想定した評価はあるものの、スマートフォンの上でこのモデルを直接動かした確認がどこまで行われたかは、確認できる情報が限られます。さらに、一部の実行環境では、KRAFTON が独自に手を加えた版の実行環境を使うよう案内されています。モデル本体だけでなく、動かすための周辺のソフトウェアも提供元の独自の版になるという点は、後で述べる供給網の確認で重要になります。
提供元が示す評価の数字と、その読み方
モデルカードには、同じくらいの規模の4つの公開モデルと比べた評価表が載っています。主なものを抜き出すと次のとおりです。数字はすべて提供元による公表値で、当ラインでは検証していません。
| 評価の内容 | Raon-1 nano | 比較モデルの最高値 | 補足 |
|---|---|---|---|
| 英語を中心とした一般知識(MMLU-Redux) | 81.1 | 84.0(MiniCPM5 の約25億) | 首位ではない |
| 韓国語の知識(KMMLU-Redux) | 50.9 | 46.1(Qwen3.5 の約23億) | 比較の中で首位 |
| 指示に従う力(IFBench) | 75.9 | 73.7(LFM3 の約17億) | 比較の中で首位 |
| 事務作業でのツールの呼び出し(提供元の社内評価) | 49.2 | 39.8(LFM3 の約17億) | 評価は非公開 |
| 一般的な関数の呼び出し(BFCL 第4版) | 56.3 | 67.2(LFM3 の約17億) | 首位ではない |
| スマートフォンの操作(AndroidControl) | 36.0 | 35.0(Gemma 4 の小型版) | 比較の中で首位 |
| 韓国語の会話(提供元の社内評価) | 91.0 | 87.6(Gemma 4 の小型版) | 評価は非公開 |
表から読み取れるのは、韓国語の知識や会話、指示に従う力で強さを打ち出している一方、一般的な関数の呼び出しや英語の一般知識では、比較モデルの一部を下回っているということです。また、事務作業と韓国語の会話の評価は提供元の社内評価で、中身が公開されていないため、第三者が同じ条件で確かめることはできません。比較モデルの選び方や、評価のときの設定も提供元が決めたものです。
スマートフォンの操作の評価は、比較の中では首位でも、数値そのものは36.0です。評価の尺度にもよりますが、数字の上では、操作を任せきりにできる水準とは読みにくいと考えるのが慎重です。ベンチマーク(性能を比べるための共通の試験)の数字は、モデルを選ぶときの手がかりの一つにすぎず、自社の業務で同じ結果が出るとは限りません。
韓国語中心のモデルを日本企業が使うときの評価
モデルカードは、Raon-1 nano が韓国語と英語で学習されたと説明しています。確認した範囲では、日本語についての記述はありません。日本語での性能を示す評価も載っていません。語彙(モデルが扱う単語の単位)の数は259,840と大きく、日本語の文字が含まれている可能性はありますが、日本語でどの程度正確に答え、指示に従い、ツールを呼び出せるかは、公開情報からは判断できません。
日本企業がこのモデルを検討するなら、日本語の業務文書や問い合わせを使った自社の評価が欠かせません。とくにツールの呼び出しでは、日付や人名、部署名の取り違えが、そのまま誤った予定の登録や誤った宛先への送信につながります。日本語の敬語や、あいまいな依頼の解釈で誤りが出やすいかどうかも、自社の実際の業務に近い例で、人が結果を確かめる形で評価することが必要です。
また、提供元の強みとされる韓国語の会話の評価は、日本語の性能を保証するものではありません。韓国語で高い数字が出ていることを根拠に「アジアの言語に強い」と受け止めるのは早計です。評価の結果、日本語での正確さが業務に足りない場合は、英語の業務や、誤りの影響が小さい補助的な用途に限る、といった使い分けも選択肢になります。どの用途なら誤りを許容できるかは、AIではなく業務の責任者が決めるべき事柄です。
安全性の評価:注意付きとした根拠
当ラインは、モデルやプログラムをダウンロードも実行もせず、Hugging Face の公開情報、モデルカード、ファイル一覧、補助の部品の説明書き、提供元のまとめページを読んで判定しました。判定は「注意付き」です。根拠は次のとおりです。
- 公開元は提供元の KRAFTON の公式の公開場所で、報道で伝えられた同社のモデルの公開の流れとも合っている
- 重みのライセンスは Apache-2.0 で、利用条件が明確
- 重みのファイルは、読み込んでもプログラムが動かないとされる safetensors 形式で、読み込み時に処理を実行できる形式の重みは確認されなかった
- 独自のモデルのプログラム(設定を読むファイルとモデル本体を組み立てるファイル)を同梱し、読み込みの際にそれが動きうる
- モデルカードに、利用上の制限や悪用の防止、偏りについての記述が、確認した範囲では見当たらない
前半の三つは安心材料です。注意を付けた主な理由は四つ目で、モデルカードの使い方の説明は、読み込みの際に配布元のプログラムの実行を許可する前提で書かれています。この点は次の章で一般論として説明します。五つ目は、モデルの欠陥ではありませんが、利用者が自分で限界を確かめる必要があることを意味します。
なお、問題が見つからなかった点があっても、それは安全の保証ではありません。精査は公開情報を読んだ範囲のもので、同梱のプログラムの一行ずつまでは確かめていません。導入を検討する企業は、これらを自社の責任で確かめる必要があります。
同梱の独自コードが読み込み時に動くということ
Hugging Face で公開されるモデルの多くは、広く使われている部品の組み合わせで動くため、モデルの配布物には重みと設定だけが含まれます。ところが、新しい構造のモデルは、その構造を組み立てるためのプログラムを配布物に同梱することがあります。Raon-1 nano もそうしたモデルの一つで、ファイル一覧には、設定を読むためのプログラムと、モデル本体を組み立てるためのプログラムが含まれています。公開場所には「独自のコード」を示す印も付いています。
一般に、こうしたモデルを読み込む際には、利用者が配布元のプログラムの実行を明示的に許可する仕組みになっています。許可すると、同梱のプログラムは利用者の権限で手元の機器の上で動きます。つまり、モデルを読み込むことは、配布元が書いたプログラムを自分の機器で実行することと同じ意味を持つのです。Hugging Face の解説も、独自のモデルを読み込むときは特に注意し、意図せず悪意のあるプログラムを動かさないよう気をつけるべきだとしたうえで、プログラムが変わることを避けるために版を固定することを勧めています。
今回の配布元は提供元の公式の公開場所であり、現時点でこれらのプログラムに問題があったという報告は確認できていません。それでも、公開場所のアカウントの乗っ取りや、更新による中身の変化、名前の似た偽の公開場所への誘導といった可能性はゼロではありません。端末向けの形式の一部にも、モデルを組み立てるプログラムが同梱されていると説明されています。社内で扱う場合は、確かめた版を固定し、同梱のプログラムを人が読んで確認した記録を残すことが、供給網(サプライチェーン)の守りの基本になります。
悪用されうるリスクと、端末内エージェント特有のリスク
Raon-1 nano は攻撃のための道具ではなく、現時点で悪用の報告も確認できていません。ここで挙げるのは、ツールを呼び出す小型モデルを端末の中で使う場合に一般的に想定されるリスクの整理であり、起きた事件ではありません。一つ目は、外部の文章に紛れ込んだ指示にモデルが従ってしまう、いわゆるプロンプトインジェクション(AIへの不正な指示の注入)です。メールや文書、ウェブの内容を読ませたうえで操作を任せると、その中の指示が操作に変わるおそれがあります。
二つ目は、権限の広がりです。端末の中で動くエージェントは、その端末の利用者の権限で、予定表、チャット、ファイル、画面の操作に触れることができます。利用者が触れるものすべてに、AIも触れられる状態になっていると、一度の誤った操作や不正な指示で、情報の送信や削除が起きる範囲が大きくなります。
三つ目は、記録の欠落です。提供元のサーバーで動くサービスであれば、利用の記録が提供元や会社の管理画面に残ることが多いのに対し、端末の中で動くモデルは、組み込む側が意識して作らなければ記録が残りません。問題が起きたときに、誰の指示で、AIが何を提案し、何が実行されたかを追えないことは、事故の調査や説明の責任の面で大きな弱点になります。さらに、管理の外で社員が個人的にモデルを入れて使う、いわゆる野良のAIの利用が、端末の中で完結して見えにくくなるおそれもあります。
クラウドの生成AIと端末内モデルで変わる統制のポイント
提供元のサーバーで動く生成AIと、端末の中で動くモデルでは、統制の効かせ方が変わります。主な違いを整理すると次のようになります。評価は一般的な傾向で、使い方によって変わります。
| 統制の観点 | 提供元のサーバーで動く生成AI | 端末の中で動くモデル |
|---|---|---|
| 入力したデータの行き先 | 社外の提供元に送られる | 原則として端末の中にとどまる |
| 利用の把握 | 通信の出口や契約の管理画面で把握しやすい | 通信に現れにくく、端末の管理で把握する必要がある |
| 記録の残り方 | 提供元や管理画面に残ることが多い | 組み込む側が作らなければ残らない |
| モデルの更新と入れ替え | 提供元が一括で行う | 端末ごとに古い版や改変された版が残りうる |
| 配布物の安全性 | 提供元の責任の範囲が大きい | 同梱のプログラムを含め、使う側が確かめる |
| 操作の権限 | 接続を許可した範囲に限られやすい | 端末の利用者の権限をそのまま使いうる |
表から分かるとおり、端末の中で動くモデルは、データの持ち出しの心配が減る代わりに、把握と記録と更新の責任が使う側に移るのが特徴です。「社外に出ないから安全」という一面だけで判断せず、端末の管理、配布物の確認、記録の仕組みをそろえて初めて、利点を生かせると考えるのが現実的です。
導入を検討するときに確かめること
Raon-1 nano のような、端末の中でツールを呼び出す小型モデルの導入を検討するときは、次の5段階で確かめるのが一つの目安です。いずれも技術的な手順ではなく、判断のための確認の順番です。
答えを返すだけの用途か、ツールを呼び出して操作まで任せる用途かを、最初に分けます。操作を任せる場合は、対象の業務、触れてよいデータ、実行してよい操作を一覧にし、業務の責任者の了承を得ます。
公開元が公式であること、ライセンスの条件、ファイルの形式を確かめます。同梱のプログラムは、社内の担当者が中身を読み、確認した版を固定して、その版だけを社内で使うようにします。
自社の実際の文書や依頼に近い例で、答えの正確さとツールの呼び出しの正しさを、人が確かめます。提供元の評価の数字ではなく、自社の評価の結果で採否を判断します。
モデルに渡すツールと権限を最小限にし、送信や削除などの重い操作には人の確認を挟みます。AIへの指示、AIの提案、実行された操作が記録に残る仕組みを、組み込む側で用意します。
限られた部署と端末で試し、問題の報告の窓口を用意します。モデルの更新や配布元の変化に備え、確認をやり直す時期と担当者を決めておきます。
この順番で進めると、モデルの性能に期待しすぎることなく、使う範囲と守りの仕組みを先にそろえられます。とくに大切なのは、操作を任せるかどうかを、技術の担当者だけで決めないことです。誤った操作の影響を受けるのは業務の現場であり、その責任者が範囲を決める必要があります。
企業が取るべき対策
Raon-1 nano を使うかどうかにかかわらず、端末の中で動くAIが身近になった今、企業が整えておきたい対策は次の五つです。
一つ目は、端末で動かしてよいAIモデルの承認制です。社員が個人の判断でモデルを手元に入れて使うことを、AIの利用規程で事前の申請制にします。承認したモデルの名前、版、配布元を台帳にまとめ、端末の管理の仕組みで入っているものを把握できるようにします。二つ目は、配布物の確認の決まりです。独自のプログラムを同梱するモデルは、中身の確認と版の固定を必須にし、確認していない版への更新を認めないようにします。
三つ目は、ツールと権限の最小化です。エージェントに渡すツールは業務に必要なものに絞り、送信、削除、支払い、権限の変更などの重い操作は、人の確認なしに実行できないようにします。四つ目は、記録の仕組みです。誰が何を指示し、AIが何を提案し、何が実行されたかを記録に残し、一定の期間保管します。記録には業務の情報が含まれるため、記録そのものの保管場所と閲覧の権限も決めておきます。
五つ目は、外部の文章を読ませるときの注意です。メールや社外の文書、ウェブの内容を読ませたうえで操作を任せる使い方は、紛れ込んだ指示に従ってしまう危険が高くなります。外部の文章を扱う用途と、操作を任せる用途は分け、両方を同時に行う場合は必ず人の確認を挟むようにします。これらの対策は、Raon-1 nano に限らず、端末の中でツールを呼び出すAI全般に当てはまります。
端末内エージェントの権限・操作範囲・ログの設計
端末の中で動くエージェントの統制で、最も効果が大きいのは権限の設計です。基本は、利用者の権限をそのままエージェントに渡さないことです。予定表なら閲覧と下書きの作成まで、チャットなら特定の連絡先への下書きまで、というように、エージェントに許す操作を利用者本人より狭く区切ります。スマートフォンの操作を任せる場合は、操作してよいアプリを限り、支払いや設定の変更の画面には触れさせないようにします。
操作の範囲は、取り消せるかどうかで分けると整理しやすくなります。下書きの作成や検索のように、誤っても取り消せる操作はエージェントに任せやすく、送信や削除、外部への公開のように取り消せない操作は人の確認を必須にします。この線引きは、モデルの賢さが上がっても動かさない決まりとして、規程に書いておくことをおすすめします。モデルの更新で性能が変わるたびに範囲を広げると、統制が追いつかなくなるからです。
記録の設計では、エージェントへの指示、読み込ませた外部の文章の出どころ、エージェントが提案したツールの呼び出し、実際に実行された操作、人が承認したかどうかを、時刻とともに残すのが目安です。端末の中で記録を持つだけでは、端末が紛失したり初期化されたりすると失われるため、会社の管理する場所に集める仕組みも検討します。記録を見返す担当と頻度を決めておかないと、記録は残っても誰も見ない状態になりがちです。
AIに任せる範囲と、人が決める範囲
ツールを呼び出す小型モデルは便利ですが、AIを万能とみなすのは危険です。提供元の評価でも、スマートフォンの操作や関数の呼び出しの数字は、すべての作業を正しくこなせる水準を示しているわけではありません。AIに判断させず、提案の根拠を示させ、最終的な判断は人が行うという線引きを、運用の前提にします。次のような運用は避けます。
- データが社外に出ないという理由だけで、承認を経ずに社員の端末にモデルを入れて使わせる
- 同梱のプログラムの中身を確かめないまま、配布元の最新版を自動で取り込み続ける
- 利用者と同じ権限をエージェントに渡し、送信や削除まで人の確認なしに実行させる
- 提供元の評価の数字だけを根拠に、日本語の業務で十分に使えると判断する
- エージェントの操作の記録を残さず、問題が起きてから何が実行されたかを追えない
人が決めるべきなのは、エージェントに任せる業務とデータの範囲、人の確認が必須になる操作、承認したモデルと版、記録の保管と見直しの担当、そして規程を見直す時期です。エージェントが判断に迷う場面では、操作を止めて人に確認を求める振る舞いを既定にし、根拠を示させたうえで人が決める形にしておくと、誤りの影響を小さく抑えられます。
よくある質問
端末の中で動くなら、情報漏えいの心配はないのですか
入力が提供元のサーバーに送られない点で、漏えいの経路は一つ減ります。ただし、エージェントがメッセージの送信や共有の操作を行えば、その操作を通じて情報が外に出る可能性は残ります。また、同梱のプログラムが動く以上、配布物の確認も欠かせません。「社外に出ないから心配ない」とは言い切れません。
Apache-2.0 なら、業務に自由に使ってよいのですか
ライセンスの面では商用利用を含めて広く認められています。ただし、ライセンスは使ってよい条件を示すもので、安全性や正確さを保証するものではありません。学習に使ったデータや方法はライセンスの対象外とされ、公開もされていないため、出力の傾向は自社で確かめる必要があります。
日本語で使えるかどうかは、どう判断すればよいですか
確認した範囲では、モデルカードに日本語の記述や評価はありません。自社の実際の業務に近い日本語の例で、人が結果を確かめる評価を行い、その結果で判断するのが確実です。提供元の韓国語や英語の数字から日本語の性能を推し量ることはできません。
- 本記事の内容は、2026年11月13日に確認した Hugging Face のモデルカードとファイル一覧、補助の部品の説明書き、提供元のまとめページ、参照論文、報道、Hugging Face の解説に基づきます。数値やファイル構成、ライセンスの注記は今後の更新で変わる可能性があります
- 性能の数字はすべて提供元による公表値で、当ラインでは検証していません。モデルや同梱のプログラムは取得・実行していません
まとめ
Raon-1 nano は、韓国の KRAFTON が2026年10月に公開した、実際に使う規模が約15億パラメータ、総数が約31億の小型の言語モデルです。韓国語と英語に対応し、会話の中でツールを呼び出して事務作業やスマートフォンの操作を手伝う用途と、端末の中での推論を想定しています。重みは Apache-2.0 で公開されています。当ラインでは、公式の公開元、明確なライセンス、安全性の高い重みの形式を確認した一方、独自のモデルのプログラムを同梱し読み込みの際に動きうることから「注意付き」と判定しました。問題が見つからなかった点があっても、安全の保証ではありません。
端末の中で動くAIは、データが社外に出にくい代わりに、把握と記録と配布物の確認の責任が使う側に移ります。承認したモデルと版の管理、同梱のプログラムの確認、エージェントの権限と操作範囲の最小化、記録の仕組み、日本語の業務での自社評価を先に整え、AIに判断させず、人が確認する範囲を先に決めておくことが、ツールを呼び出す小型モデルを安全に生かすための出発点になります。
- Hugging Face のモデルカード(Raon-1 nano):https://huggingface.co/krafton/raon-1-nano
- 補助の部品の説明書き(Raon-1 nano):https://huggingface.co/krafton/raon-1-nano/blob/main/mtp/README.md
- 提供元のまとめページ(Raon-1 nano):https://huggingface.co/collections/KRAFTON/raon-1-nano
- モデルカードが参照する論文(混合型のモデルを刈り込みと蒸留で小型化する手法):https://arxiv.org/abs/2605.28207
- 報道(KRAFTON のAIモデルの名前の発表・2026年4月):https://gamebiz.jp/news/424067
- 報道(Raon-1 mini の試作版の公開・2026年10月21日):https://www.digitaltoday.co.kr/en/view/117657/krafton-unveils-30b-class-llm-raon-1-mini-to-boost-cost-efficiency
- Hugging Face の解説(独自のモデルの読み込みの注意):https://huggingface.co/docs/transformers/main/en/models
※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。
あなたのWebサイトは、AIによる攻撃に耐えられますか?
AIを活用してWebサイト・Webサービスの脆弱性を診断し、発見した問題と推奨する修正方法をご報告します。
