PFN、エッジデバイス向け視覚言語モデル「PLaMo-VL」を公開、工場作業の認識や設備の異常検出で実証

2026年4月6日(月)IT Leaders編集部、日川佳三

リスト

Preferred Networks（PFN）は2026年4月3日、自律稼働デバイス向けの視覚言語モデル（Vision-Language Model：VLM）「PLaMo-VL」をHugging Faceで公開したと発表した。同社の大規模言語モデル（LLM）「PLaMo」をもとに画像理解能力を統合したマルチモーダル基盤モデルで、ドローン、ロボット、監視カメラ、自動車などのエッジデバイス上での動作を想定している。

　Preferred Networks（PFN）の「PLaMoｰVL」は、カメラ画像をもとに自律的に稼働するIoTデバイスに向けた視覚言語モデル（Vision-Language Model：VLM）である。同社の大規模言語モデル（LLM）「PLaMo」をベースに画像を理解する能力を統合してマルチモーダル型基盤モデルとして構築した。

　ドローン、ロボット、監視カメラ、自動車などのエッジデバイス上での動作を想定。設備点検や物流管理など、安全性や信頼性が求められる産業現場での実用化を目指している。

　パラメータサイズに応じて2種類のモデルを構築している。8B（80億）パラメータの「PLaMo 2.1-8B-VL」（PLaMo 2.1-8Bベース）と、2B（20億）パラメータの軽量版「PLaMo 2.1-2B-VL」（PLaMo 2.1-2Bベース）である。PFNはこれらのモデルとモデルウェイト（学習済みのパラメータファイル）をHugging Faceで公開すると共に技術情報ブログを公開した。

　なお、一連の開発は経済産業省・NEDOが推進する生成AI基盤モデル開発プロジェクト「GENIAC」第3期（2025年8月～2026年2月）において実施したもので、PFNはGENIACモデル賞を受賞している。

　開発の背景として近年、ドローンやロボットなどにAIを搭載し、物理世界の状況を理解して判断・行動するフィジカルAI（Physical AI）の活用が進んでいることを挙げる。「一方、クラウド型のAIはセンサーデータの送信による通信負荷やリアルタイム性の低下、機密情報のセキュリティリスクといった問題がある」（PFN）。対してPLaMo-VLは、エッジデバイスの限られた計算資源でも高精度に動作することを目指して開発した。

　フィジカルAIの産業応用にあたってPFNは、AIが単に画像を認識するだけでなく、「何が起こっているか」を正しく判断し、その根拠を人に説明できることが不可欠であると指摘。PLaMo-VLでは、(1)画像に基づいて状況を言語で理解・判断する「VQA（Visual Question Answering）」と、(2)テキストの指示が指す人物・物体を画像中の位置情報として示す「Visual Grounding」の2つの性能を強化した。これにより「どこで何が起こっているか」を明確に把握可能ににしたという。

　GENIACプロジェクトの第3期で実施した企業との実証実験では、8BモデルのPLaMo 2.1-8B-VLを使い、工場における作業タスクの分類と、発電プラント設備の異常検出に取り組んだ。

　作業タスク分類では、作業者の姿勢や周辺環境だけでなく使用している工具にも着目し、Visual Groundingで工具の位置と種類を特定したうえで、VQAによって作業内容を推定した。判別が難しい複雑な作業工程も高精度に理解可能になったという（図1）。