450MパラメータのローカルLLMはどこまで使える？実際に12のスキルをテストしてみた

Posted on by

はじめに

M4 MacBook Airでもサクサク動く軽量ローカルLLM。「450Mパラメータ」というと、最近の巨大モデル（数百B）と比べると桁違いに小さいですが、本当に使えないのか、それとも用途を選べば実用的なのか——実際に検証してみました。

使ったのは lfm2.5-vl-450m というモデル。Ollamaで動かし、Hermes Agent（AIエージェント）のプロバイダーとして12種類のスキルタスクを実行。その結果を正直にお伝えします。

テスト環境

  • ハードウェア: MacBook Air（M4, 24GB）
  • モデル: jpmarindiaz/lfm2.5-vl-450m（450Mパラメータ）
  • 推論エンジン: Ollama（OpenAI互換API）
  • エージェント: Hermes Agent

セットアップ自体は5分で完了。Ollamaをインストールしてモデルをダウンロードし、設定ファイルに1ブロック追記するだけです。

テスト結果：できたこと、できなかったこと

ちゃんと動いたタスク

英訳

> 「これはテストです。うまく動いています。」

> → “This is a test. I am doing well.”

正確な英訳。文法も自然。ビジネスメールの一言翻訳レベルなら十分です。

日本語要約

ニュース記事の要約も的確。200文字以内の短文要約なら実用レベル。RSS監視と組み合わせて「何の記事が出たか」をざっくり把握する用途に使えます。

Pythonコード生成

フィボナッチ数列のコードを依頼したところ、正しいコードが返ってきました。

fibonacci = [0, 1]
while len(fibonacci) < 10: fibonacci.append(fibonacci[-1] + fibonacci[-2]) print(fibonacci)

簡単なスクリプト生成なら問題なし。定型処理のコードをさっと書かせる用途に使えます。

Markdown表の整形

与えられたデータをMarkdownの表に整形するタスクもクリア。データの再構成・フォーマット変換は得意です。

多段指示（3ステップ）

「1.「こんにちは」と出力→2.「今何時ですか？」と出力→3.「ありがとう」と出力」という3段階の指示も正確に実行。単純な手順の遂行は安定しています。

苦手だったタスク

計算（暗算）

123 × 456 の計算を依頼したところ、誤った答え（21372）を返しました（正解は56088）。数値計算は期待しないほうがいいです。

コードレビュー

簡単なPythonコードの問題点を指摘してもらおうとしましたが、指摘が的外れ。可読性や潜在バグを正しく検出できませんでした。コードレビューは頼まず、ClaudeやGPTなどを使うべきです。

日時認識

「今日の日付を入れて」と指示したところ、2023年の日付が出てきました。訓練データに含まれていた古い日付を使っているようです。現在日時が必要なタスクには不向きです。

複数情報のクロスチェック

複数のソースを照合して「共通点と相違点を整理する」ようなタスクは苦手。情報をそのまま羅列するだけで、比較考察まで至りません。

何に使える？何に使うべきでない？

ここまでのテスト結果を整理します。

使える用途（実用レベル）

タスク評価ユースケース例
短い要約（200字以内）○RSS監視→記事のざっくり把握
英訳・言い換え○英文メールの下書き
フォーマット変換○JSON→Markdown表、データ整形
簡単なコード生成○定型スクリプトの雛形作成
スクリプトの実行・起動○cronジョブからの定型処理呼び出し
短文のX投稿文作成△下書き程度（具体性でイマイチ）

使うべきでない用途（他のAIに任せるべき）

タスク理由
数値計算誤差が出る。電卓を使うべき
コードレビューバグや可読性問題を正しく指摘できない
高度な分析・推論思考が浅く、深堀りできない
現在日時が絡む処理訓練データの古い日付を返す
複数情報のクロスチェック比較考察ができない

実用的な運用イメージ

このモデルの立ち位置は 「軽い前処理・フォーマット加工」専用 です。
頭脳労働はClaudeやDeepSeek、GPTに任せて、LFMは以下のような役割で使うのが現実的です。

具体例：情報収集パイプライン

  1. LFMがRSSから記事を拾い、タイトルを抽出・要約（ここだけ任せる）
  2. 重要な記事だけDeepSeek/Claudeに渡して深堀り分析
  3. 分析結果をLFMがMarkdown表に整形してレポート出力

具体例：cronジョブでの定型処理

  1. 毎日決まった時間にシェルスクリプトを起動
  2. スクリプト内でOllama（LFM）に簡単なフォーマット変換を依頼
  3. 結果をファイルに保存

450Mモデルは推論が一瞬で終わるので、待ち時間ゼロで動く軽量ワーカーとして割り切ると便利です。

まとめ

  • 450Mの軽量ローカルLLMは「使える領域」と「使えない領域」がはっきり分かれる
  • 要約・翻訳・フォーマット変換・スクリプト起動などの「情報を取ってきて加工するだけ」なら実用レベル
  • 計算・コードレビュー・分析・判断などの「情報から何かを推論する」タスクは苦手
  • 頭脳労働は大型モデルに任せ、軽量モデルは「0秒待ちの軽量ワーカー」として使い分けるのが正解

ローカルLLMの世界は「大きければ大きいほどいい」わけではありません。

適材適所で使い分ける——これが現時点での最適解です。