さらに詳しい情報を得るには、  無料サンプルをリクエストしてください。 

小規模言語モデル（SLM）市場において、コストと財務上の要求は、企業ユーザーの業務効率をどのように促進するのか？

企業のAI チームは通常、コストから着手する。なぜなら、あらゆるプロンプトは継続的な運用コストを生み出すからだ。 

• Claude 3 Haikuは、企業ユーザー向けの入力トークンを100万トークンあたり正確に0.25ドルで、標準的な企業向けリクエスト向けの出力トークンを100万トークンあたり1.25ドルで販売しています。.
• GPT-4o miniはさらに低価格で、企業向けソフトウェア開発者の場合、入力トークンは100万トークンあたり0.15ドル、出力トークンは100万トークンあたり0.60ドルとなっている。.
• Gemini 1.5 Flashも効率性を重視しており、128,000トークン未満のプロンプトの場合、入力トークンは100万トークンあたり0.35ドル、標準的な複雑なプロンプトタスクの場合、出力トークンは100万トークンあたり1.05ドルという価格設定となっている。.

この価格体系は、企業がワークフローを設計する方法を変える。すべてのタスクを1つの高価なモデルに送るのではなく、チームは負荷の軽い作業をより安価なシステムに振り分け、負荷の高いモデルは小規模言語モデル（SLM）市場における専門的な作業のために確保することができる。. 

• Mistral社のMinistral 3Bは、入力と出力の両方で100万トークンあたり0.04ドルの料金を請求する一方、Ministral 8Bは0.10ドルの料金を請求する。.
• Mistral NeMo 12Bは100万トークンあたり0.15ドル、Together AIはLlama 3 8Bを0.05ドルで提供しており、DeepInfraは同じモデルを0.08ドルで販売している。.

コスト削減の手段

• OpenAIのGPT-4o mini Batch APIは、ワークロードの入力コストを100万トークンあたり0.075ドルに削減します。.
• Anthropicの迅速なキャッシュ機能により、Claude 3 Haikuの入力コストが100万トークンあたり0.20ドル削減されます。.
• Claude 3 Haikuで標準的なテキスト文書1万件を処理するのにかかる費用は約1.25ドルです。.
• 80億個のパラメータを持つモデルをセルフホスティングするには、最低でも1,600ドルのRTX 4090への投資が必要です。.

メモリとストレージの制約が、エッジ環境への導入ニーズを高めている理由とは？

メモリとストレージの制限は、小規模言語モデル（SLM）市場におけるエンタープライズAIにとって、現実的な制約となりつつあります。MicrosoftのPhi-3-miniは、効率的な4ビット量子化ストレージを使用することで、わずか1.8ギガバイトのシステムメモリしか必要としませんが、MetaのLlama 3 8Bは、標準的なfp16形式で16ギガバイトのRAMを必要とします。INT4量子化を使用すれば、同じLlama 3 8Bモデルは5.7ギガバイトのVRAMに収まるため、ローカルでの利用がはるかに現実的になります。.

これらの制約が、エッジコンピューティングの導入が拡大し続ける理由を説明している。. 

• GoogleのGemma 2Bは、約1.5ギガバイトの物理デバイスストレージを使用する。
• AppleのOpenELM 270Mは550メガバイトを使用する
• Qwen 1.5 0.5Bは、アクティブなRAMが300メガバイトしかないモバイルデバイス上でローカルに動作します。.
• AppleのMLXフレームワークは、8ギガバイトのメモリを搭載したMacBookでLlama 3 8Bを動作させる一方、Phi-3-visionは4.5ギガバイト以内で動作する。.

ローカル実行は帯域幅への依存度を低減し、機密性の高い企業データを管理された環境内に保持します。.

小型言語モデル（SLM）市場におけるフットプリント圧力

• 標準的な70億パラメータモデルでは、16ビット推論時にパラメータ1つあたり2バイトのメモリが必要となる。.
• 30億個のパラメータモデルをローカルで実行するには、4ビットGGUF形式で約1.7ギガバイトのストレージ容量が必要です。.
• Meta社のLlama 3.2 1Bは、 スマートフォンへ 展開に必要なRAM容量が2ギガバイト未満です。
• Meta社のLlama 3.2 3Bは、信頼性の高いエッジ実行のために4ギガバイト未満のRAMを必要とします。.

小型言語モデル（SLM）市場におけるインテリジェントモデルに対する現地需要を支えているハードウェア仕様とは？

ハードウェアは今や、企業のAIへの野心と実際の導入との間の架け橋となっている。例えば、 

• Microsoft Copilot+搭載PCには、最低でも40TOPSの処理能力、16ギガバイトのRAM、256ギガバイトのSSDストレージが必要であり、これはローカルAIがシステムレベルの要件となっていることを示している。.
• Intel Core Ultraは34 TOPSの性能を実現します。
• クアルコムのSnapdragon X Eliteは45 TOPSの性能を発揮します。
• AppleのM4ニューラルエンジンは38TOPS、AMDのRyzen AI 300シリーズプロセッサは50TOPSの性能を発揮する。.

同様の傾向は、小型言語モデル（SLM）市場のコンシューマー向けデバイスや小型システムにも広がっています。Raspberry Pi 5は8ギガバイトのRAMで20億パラメータのモデルを実行でき、iPhone 15 ProはApple Intelligence用に8ギガバイト、Galaxy S24 UltraはローカライズされたGalaxy AI用に12ギガバイトのRAMを搭載しています。NVIDIAのRTX 4090は24ギガバイトの VRAM、RTX 4060搭載ノートPCでも70億パラメータの量子化モデルをサポートできます。ハードウェアの時代はもはや単なる処理能力だけではなく、ローカルなインテリジェンスの信頼性を高めることにかかっています。

ハードウェア準備完了シグナル

• Copilot+ PCは、デバイス上でのAI実行の基準となるものです。.
• Intel、Qualcomm、Apple、AMDのチップに搭載されているNPUは、ローカルワークロードの処理速度を向上させます。.
• コンシューマー向け GPUは 、小規模言語モデル（SLM）市場におけるより負荷の高い推論タスクにとって依然として不可欠である。
• モバイルデバイスは、実用的なAIをローカルで実行できる能力をますます高めている。.

コンテキストウィンドウの機能は、複雑な企業データ処理ニーズにどのように効果的に対応できるのか？

コンテキストウィンドウは、モデルが一度の処理で理解できる情報量を決定し、これは企業業務において非常に重要な意味を持つ。. 

Gemini 1.5 Flashは、100万トークンのコンテキストウィンドウをサポートしており、約1,500ページのテキスト、1時間のビデオ、11時間のオーディオ、または30,000行のコードを処理できます。. 

Claude 3.5 Haikuは20万トークンに達する一方、GPT-4o miniとMicrosoft Phi-3 Miniは、小規模言語モデル（SLM）市場における大規模なプロンプトタスク向けに12万8000トークンのバリアントを提供している。.

ビジネス上の価値は継続性にある。20万トークンのウィンドウでは約500ページの企業文書を処理でき、12万8000トークンのウィンドウでは約300ページの公開文書を処理できる。. 

Meta Llama 3 8Bは8,192トークンで推移し、Mistral v0.3 7Bは32,768トークン、Alibaba Qwen 2 7Bは128,000トークンに達しました。また、Stable LM 2 1.6BやYi-1.5 9Bなどのモデルは、より小規模で高速なワークフローに重点を置いています。ウィンドウ期間を長くすることで断片化が軽減され、企業分析がはるかにスムーズになります。.

長文コンテキストが小型言語モデル（SLM）市場にもたらすメリット

• Gemini 1.5 Flashは、マルチモーダルコンテンツを1回のセッションで処理できます。.
• Claude 3.5 Haikuは、20万トークンまでの大規模文書レビューをサポートしています。.
• GPT-40 miniとPhi-3 Miniは、大規模な企業向けプロンプトを処理できます。.
• より小規模なコンテキストモデルは、対象を絞った高速な情報検索タスクには依然として適している。.

推論速度とレイテンシは、リアルタイムのユーザーインタラクションにどのように直接影響を与えるのか？

推論速度は、実際の作業におけるAIツールの自然な動作感を左右します。GroqのLPUハードウェアはLlama 3 8Bを実行すると毎秒800トークンを生成し、Cerebrasは毎秒1,000トークン、Fireworks AIは毎秒150トークンでLlama 3 8Bを提供します。GPT-4o miniは毎秒100トークン、Together AIは毎秒117トークン、Apple MLXはM2チップ上で毎秒45トークンを出力します。.

小型言語モデル（SLM）市場では、レイテンシは処理速度と同じくらい重要です。Claude 3 Haikuは短いクエリに500ミリ秒未満で応答でき、GPT-4o miniは最初のトークン取得に320ミリ秒、GroqハードウェアはLlama 3 8Bの最初のトークン取得時間を15ミリ秒に短縮します。AWS Inferentia2はLlama 3 8Bのトークンあたり40ミリ秒を測定し、ローカルオフライン実行によって通常の500ミリ秒のクラウド往復遅延が解消されます。そのため、リアルタイムのエンタープライズアシスタントは、ユーザーの近くで実行されると、はるかにスムーズに感じられるのです。.

リアルタイムのパフォーマンス指標

• Microsoft Phi-3 Miniは、Apple iPhoneのA16 Bionicチップ上で毎秒12個のトークンを生成します。.
• Snapdragon 8 Gen 3は、7B～10Bモデルで毎秒15～20トークンの処理能力を実現します。.
• MediaTek Dimensity 9300は、7Bモデルで毎秒20トークンの処理能力も実現しています。.
• Google Gemma 2Bは、Pixel 8 Proデバイスで毎秒30トークンの処理能力を発揮します。.

小型デバイスの設置面積に対応するために、多様なモデルパラメータの寸法が重要な理由とは？

パラメータの多様性により、企業は小型言語モデル（SLM）市場において、モデルの機能をデバイスの制限に適合させることができます。Microsoft Phi-3-miniは38億個のパラメータを使用し、Phi-3-smallは70億個、Phi-3-visionは42億個、Phi-4は140億個に増加します。Meta Llama 3は80億個のパラメータを使用し、Llama 3.2はエッジデバイスとスマートフォン向けにそれぞれ10億個と30億個のバージョンを提供しています。.

この柔軟性こそが、多くの環境でコンパクトな展開を実用的にする要因です。Gemma 2は20億と90億のパラメータバージョンを提供し、Mistral NeMoは120億、Qwen 2.5は5億のオプションを備え、MobileLLMは1億2500万と3億5000万のモデルを提供し、OpenELMは2億7000万のパラメータを搭載しています。企業は、あらゆる場所で単一のアーキテクチャを強制するのではなく、適切なモデルを適切なデバイスに割り当てることができます。.

小型言語モデル（SLM）市場におけるモデルサイズの選択

• パラメータ数が少ない方が、モバイルおよびエッジファーストの展開に適しています。.
• 中型モデルは、推論能力と効率性のバランスが取れている。.
• より大型のコンパクトモデルは、より難易度の高いタスクにおける生成品質を向上させる。.
• パラメータの多様性により、過剰なリソース投入とコンピューティング能力の無駄を削減できます。.

大規模なトレーニングデータのスケーリングは、増大するアプリケーション開発ニーズをどのように満たすのか？

トレーニング規模が大きいほど、コンパクトモデルの真の強みが発揮される。なぜなら、大規模なデータセットは、小規模言語モデル（SLM）市場における適応性を向上させるからである。. 

• Metaは15兆トークンでLlama 3 8Bをトレーニングし、Microsoftは3.3兆トークンでPhi-3-miniを、4.8兆トークンでPhi-3-smallをトレーニングした。.
• GoogleはGemma 2Bを2兆件、Gemma 7Bを6兆件のデータで学習させた。.
• AppleはOpenELMに約1兆8000億トークンを使用し、AlibabaはQwen 2を7兆トークンで70億トークン訓練した。.

規模の大きさが重要なのは、それによって小型モデルが実運用においてより優れた性能を発揮できるようになるからです。合成データは、インターネット上の公開テキストが限られている部分を補うのに役立ち、大規模で厳選されたコーパスは、推論、文章作成、指示への従順性を向上させます。企業での利用においては、これは小型モデルでも適切に学習させれば、高い信頼性を発揮できることを意味します。つまり、小型モデルは単に規模が大きいだけでなく、入念な準備によっても効率性が向上するのです。.

トレーニング規模の利点

• 数兆個のトークンは、言語の幅とタスクの柔軟性を向上させる。.
• 合成データは、公開データセットの欠落部分を補うのに役立つ。.
• データセットが大きいほど、推論能力と指示に従う能力が向上する。.
• より良いトレーニングは、大幅なカスタマイズの必要性を軽減する。.

競合分析：スモールランゲージモデル（SLM）市場を支配する上位5社

1. マイクロソフト（Phiシリーズ）：Phi-3およびPhi-4モデルは、100億未満のパラメータ数で高度な推論能力を実現します。マイクロソフトの優位性は、高品質な合成学習データの先駆的な開発に由来しており、Phiは費用対効果の高いエンタープライズ向けSLMのゴールドスタンダードとなっています。
2. Meta（Llamaシリーズ）：Llama 3.2（1Bおよび3B）により、Metaはオープンウェイトエッジコンピューティング分野をリードしています。その優位性は、大規模な開発者コミュニティの採用と、スマートフォンデバイス上でのAIへのシームレスな統合に基づいています。
3. Google（Gemmaシリーズ）：Geminiテクノロジーをベースに構築されたGemmaモデルは、パワフルかつ軽量な2Bおよび9Bモデルを提供します。GoogleはAndroidエコシステムおよびGoogle Cloudとの緊密な統合により、エッジ環境への導入を簡素化し、市場をリードしています。
4. Mistral AI（Ministract）：Mistralの3Bおよび8B「Ministract」モデルは、エッジAIとローカルプライバシーに重点を置いています。比類のない性能対規模比と強力な欧州企業とのパートナーシップにより、トップティアの地位を確固たるものにしています。
5. Anthropic (Claude Haiku)：Claude 3.5 Haikuは、独自のSLM（空間論理モデリング）分野で圧倒的な存在感を誇ります。超高速な推論処理、卓越した低遅延コーディング、そして高度な画像処理機能を備えており、リアルタイムかつ高効率な顧客サービスアプリケーションに欠かせない存在となっています。

小型言語モデル（SLM）市場のセグメント別分析

提供内容：コアモデルが市場を圧倒的に支配

提供されるサービスの状況において、コアモデルは2026年のスモール言語モデルエコシステムの経済的勢いを決定づける要因となる。この優位性は、外部インターフェースに依存するのではなく、効率的なニューラルアーキテクチャを自社で所有するという積極的な企業戦略の転換に起因している。. 

企業は、莫大な計算コストをかけずに堅牢な推論機能を提供する基盤フレームワークに多額の投資を行っています。その結果、収益源は補助サービスから、小規模言語モデル（SLM）市場における生モデルのライセンス供与や直接買収へと大きくシフトしています。最適な基盤モデルを確保することは、安全な企業向け人工知能ワークフローを実現するための主要な前提条件となっています。主な重要指標は以下のとおりです。

• 事前学習済みの基盤モデルは、多様な企業分野にわたるカスタマイズされたエンタープライズアプリケーションのための、拡張性の高いベースラインを提供する。.
• オープンウェイトモデルは、特定のベンダーへの依存度を大幅に低減すると同時に、地域ごとのデータプライバシーを確​​実に維持します。.
• 組織は、社内の人工知能を迅速に構築するために、付加サービスよりもモデルの獲得を積極的に優先している。.
• モデルアーキテクチャの急速な進歩は、現代の企業に基盤となる資産を定期的にアップグレードすることを常に促している。.

展開形態別：クラウドインフラストラクチャが最大の市場シェアを維持

クラウド環境は、2026年を通して、スモール言語モデル（SLM）市場において揺るぎない基盤を形成し続けるでしょう。エッジコンピューティングへの関心が高まっているにもかかわらず、比類のない拡張性と計算の柔軟性により、集中型クラウド展開が最大の市場シェアを確保すると予測されます。. 

現代の組織は、複雑な物理サーバーに必要な莫大な初期投資を回避できるため、クラウドフレームワークを強く支持しています。さらに、主要なクラウドプロバイダーは、パラメータ効率の高い微調整可能なワークロードをホストするために、インフラストラクチャを徹底的に最適化しています。このエコシステムにより、エンタープライズ分析に特化した迅速な反復サイクルが可能になります。主要な指標は、この揺るぎないリーダーシップを明確に示しています。

• マネージドクラウド プラットフォームは、リソースに制約のある中小企業にとって深刻なハードウェアのボトルネックを即座に解消します。
• 分散型クラウドネットワークは、複数の組織拠点間でシームレスなグローバルアップデートと迅速なパラメータ同期を可能にします。.
• クラウド環境における従量課金制モデルにより、企業は小規模言語モデル（SLM）市場において推論コストを極めて効率的に拡張することが可能になる。.
• 大手ハイパースケーラーは、小規模な言語モデル処理の最適化に特化したマイクロチップアクセラレータをますます統合するようになっている。

パラメータ範囲別：1～7Bセグメントコマンドが世界市場シェアをリード

1～70億パラメータのセグメントは、世界市場全体において確固たるリーダーシップを確立しました。2026年末までに、ハイパー最適化技術によってこれらの小型システムは強力な推論エンジンへと進化を遂げました。高価なコンピューティングクラスタを必要とせず、標準的な市販ハードウェア上で効率的に動作します。. 

この構造的な効率性により、データが法的に社内のローカルな事業所から持ち出すことができない高度に規制された業界において、小規模言語モデル（SLM）市場における大規模な採用が積極的に推進されています。さらに、最小限のメモリ使用量により、単一の標準グラフィックス処理ユニット上で複数の特殊な自律エージェントを同時にホストすることが可能です。以下の基本的な特性が、このセグメントにおける決定的な優位性を強調しています。

• この特定のパラメータ範囲内のモデルは、認知精度と反応時間の間で前例のないバランスを実現している。.
• 金融機関は、ローカルワークステーション上で迅速な意味解析を実行するために、これらの軽量アーキテクチャを圧倒的に採用している。.
• 研究者たちは、70億個のパラメータがより大きなパラメータと同等の性能を発揮するように、トレーニング手法を根本的に改良した。.
• モバイルデバイスメーカーは、オフラインでの動作を可能にするため、これらの特定のフレームワークを消費者向けハードウェアに直接シームレスに組み込んでいる。.

モダリティ別：テキストベースのモデルが世界市場を席巻

テキストベースのモデルは、小規模言語モデル（SLM）市場における主流のビジネス業務全体に適用できる普遍性から、モダリティ分野において圧倒的な優位性を誇っています。マルチモーダルアーキテクチャが注目を集める一方で、テキストは依然として企業コミュニケーションの主要な手段であり、投資に対する即時的なリターンをもたらします。. 

2026年には、専門的なテキスト処理フレームワークが、要約、翻訳、論理推論といった重要な意味処理タスクの実行において卓越した能力を発揮する。音声や動画生成のフレームワークと比較して、計算負荷が大幅に低いことも、その優位性をさらに強固なものにしている。.

その結果、企業はこれらの信頼性の高いテキストエンジンを標準的なオフィスソフトウェアパッケージに直接統合しています。重要な市場指標は、この分野におけるリーダーシップの地位を正確に裏付けています。

• テキスト処理は、小規模言語モデル（SLM）市場において、膨大な量の日常的な企業メールのやり取りを自動化するための基本的な要件であり続けている。.
• 企業向け検索システムは、膨大な社内文書リポジトリを正確にインデックス化するために、テキストモデルのみに依存している。.
• 顧客サービス用チャットボットは、主に高度なテキスト生成機能を利用して、複雑な顧客からの問い合わせに即座に対応します。.
• 規制遵守監査には、長文の法的契約書や方針を綿密に分析するための、卓越した文章理解力が求められる。.

小型言語モデル（SLM）市場の地域別分析

北米が世界市場の43％のシェアを獲得

北米は、積極的なエンタープライズソフトウェア投資と、基盤となるAIのパイオニア企業が他に類を見ないほど集中していることから、スモールランゲージモデル業界において43%という圧倒的な市場シェアを確固たるものにしています。米国には現在、マイクロソフト、メタ、グーグル、アントロピックといった主要な独自開発企業が集積しており、急速な技術革新を牽引する、非常に堅牢で自立した国内エコシステムが構築されています。2026年までに、厳格なデータ主権と妥協のない業界コンプライアンス、特に医療分野におけるHIPAAと金融分野におけるFINRAに関する厳しい連邦規制の監視により、ローカライズされたオンプレミスモデルの企業による即時導入が劇的に加速しています。. 

強力な最終用途産業の存在感が地域優位性をさらに強固にする

今日の企業は、莫大なコンピューティング運用コストを大幅に削減するため、大規模でクラウド依存型のアルゴリズム処理アーキテクチャから積極的に脱却しようとしている。組織は、スモールランゲージモデル（SLM）市場において、遅延ゼロの安全な内部実行を確実に保証する効率的なエッジ展開型フレームワークを強く支持している。同時に、国内の小売業や物流業では、リアルタイムの自律的なサプライチェーン在庫管理のために、コンパクトなオフラインSLMが相次いで導入されている。. 

さらに、企業におけるセキュアな検索・生成パイプラインへの顕著な移行は、厳格な内部ネットワークデータプライバシーを維持するために、これらのコンパクトなシステムに完全に依存している。巨額のベンチャーキャピタル資金は、これらの超効率的なドメイン特化型AIアプリケーションの開発を明確にターゲットとしている。. 

北米の高度な国内 半導体 サプライチェーンは、デバイスへのシームレスな統合機能を包括的に継続的にサポートしています。ハードウェアメーカーは、専用のニューラルプロセッシングマイクロチップを民生用電子機器に体系的に組み込み、次の高度なグローバルコンピューティング技術の時代に向けて、揺るぎないグローバル地域市場の優位性を今日から完全に確立しています。

アジア太平洋地域が小型言語モデル（SLM）市場で最も急速に成長している地域として台頭

アジア太平洋地域は、極めて多様な言語、積極的な国家レベルのAI推進政策、そして非常に複雑なデジタルインフラの制約といった要因によって、今日最も急速に成長している地域である。. 

中国

中国では、厳しい地政学的半導体輸出規制が、戦略的に国内独自のSLM（選択的レーザー溶融）技術の革新を加速させた。テクノロジー大手各社は、極めて小型のニューラルモデルを綿密に最適化し、独自の国産シリコンプロセッサ上で完璧に動作するようにしている。中国で急成長を遂げている 電気自動車の エコシステムは、軽量エッジモデルを大規模に統合し、応答性の高いオフライン車載ナビゲーションを実現している。

インド 

インドにおける小型言語モデル（SLM）市場の爆発的な拡大は、主にモバイルファーストの人口層が極めて低価格なコンピューティング能力と高い効率性を求めていることに起因しています。政府支援の枠組みと革新的な民間スタートアップ企業が協力し、非常に精度の高い多言語インタラクティブプラットフォームの展開に成功しました。これらの最適化されたローカルシステムは、国内の深刻な言語的分断に効果的に対応し、高価なネットワークに頼ることなく、低価格の消費者向けスマートフォン上で地域の方言を安全かつ直接処理します。. 

日本

日本は、深刻な人口動態上の労働力不足に積極的に対処するため、高度な商用ロボットや自動化された産業製造施設全体に、高度に堅牢な特殊小型言語モデル（SLM）市場を体系的に組み込んでいる。日本の主要企業は、機密性の高い独自の運用指標を危険な海外のデジタル脆弱性から完全に保護するため、エネルギー効率の高い独自のコンピューティングアーキテクチャを最優先事項としている。. 

インドネシア

インドネシアの複雑に入り組んだ群島地形は、予測不可能なネットワーク遅延を頻繁に引き起こし、従来のクラウドクエリを極めて非現実的なものにしている。そのため、地域の大手テクノロジー企業は、オフラインでの安全な デジタル決済 取引の承認を途切れることなく実現する、超ローカルなエッジSLM（サービスレベル管理）を積極的に導入している。

小型言語モデル（SLM）市場における最近の主な動向トップ2

1. マイクロソフトはまた、 モバイル、エッジ、リアルタイムアプリケーション向けの高速な推論を目的としたPhi-4-mini-flash -reasoningを2026年6月10日に発表した。
2. Googleは Gemma 4 12B Unified 、同社のオープンファミリーに新たなコンパクトモデルを追加するとともに、デバイス上での効率的なAIというトレンドを強化した。

小型言語モデル市場におけるトップ企業

• Salesforce AI
• アリババ
• メタAI
• マイクロソフト
• 抱きしめる顔
• モザイクML
• 技術革新研究所（TII）
• その他の著名な選手

市場セグメンテーションの概要

提供することで

• モデル
  • 開ける
  • 専有
• ツール
  • 微調整
  • デプロイメント
• サービス

展開別

• デバイス内/エッジ
• オンプレミス
• 雲
• ハイブリッド

パラメータ範囲別

• 1B以下
• 1–7B
• 7-15B

モダリティ別

• 文章
• マルチモーダル

アプリケーション別

• デバイス上のアシスタント
• ドメイン固有のタスク
• エージェントとツールの使用
• プライバシーに配慮したワークロード

最終用途産業別

• 家電
• BFSI
• 健康管理
• 製造業
• IT・通信
• その他

地域別

• 北米
  • 米国.
  • カナダ
  • メキシコ
• ヨーロッパ
  • 西欧
    • 英国
    • ドイツ
    • フランス
    • イタリア
    • スペイン
    • 西ヨーロッパの残りの地域
  • 東欧
    • ポーランド
    • ロシア
    • 東ヨーロッパの残りの地域
• アジア太平洋
  • 中国
  • インド
  • 日本
  • オーストラリアとニュージーランド
  • 韓国
  • ASEAN
  • その他のアジア太平洋地域
• 中東およびアフリカ（MEA）
  • サウジアラビア
  • 南アフリカ
  • アラブ首長国連邦
  • MEAの残りの地域
• 南アメリカ
  • アルゼンチン
  • ブラジル
  • 南アメリカのその他の地域