LTM（Large Telecom Model）は、ソフトバンクが2025年3月19日に発表した通信業界向けの生成AI基盤モデルです。汎用の大規模言語モデル（LLM）に、自社の基地局設定・電波の実測値・通信の標準仕様書などを追加で学習させ、基地局の設定や障害対応といったネットワーク運用の判断を担わせます。発表から1年半で、国産LLM「Sarashina」への切り替え、社内利用の開始、複数のAIエージェントが連携する基盤の構築まで進みました。この記事では、汎用LLMとの違い、公表された精度の数字が何を測ったものか、2026年10月までの動きを公式発表をもとに整理します。
まとめ：LTMはソフトバンクが自社のネットワーク運用のために作った通信特化モデル
- 何か：Large Telecom Modelの略。汎用LLMを土台に通信データで追加学習した基盤モデルで、用途ごとにファインチューニングした派生モデルを作って使う。
- LLMとの違い：汎用LLMをそのまま当てるだけでは通信の実運用に足る性能が出ない（ソフトバンクの説明）。LTMは基地局の位置・角度・周波数、電波強度、3GPP等の標準仕様までを学習段階で取り込んだ通信特化のLLM。
- 精度：学習から外した基地局の設定推論で90%以上、イベント時の設定最適化で94%、新設基地局の設定生成で91%、花火大会の通信品質予測で90%以上（いずれもソフトバンクの社内評価）。
- 現在地：2025年10月にSarashinaベースで国産化して社内利用を開始。2026年3月にマルチAIエージェント基盤の検証を始めたが、運用は人を介する前提が続いている。通信業界のLLMベンチマークでは2026年10月時点で90モデル中7位。
- 外部提供：製品やAPIとしての提供は発表されていない。2025年10月の発表で「外部の事業者へのサービス展開を検討することも可能」とされた段階。
「LTM」の意味の切り分け：Large Telecom Modelと他の略語
「LTM」はAI分野だけでも複数の意味で使われます。ソフトバンクの通信特化モデルを指すときはLarge Telecom Modelで、本記事はこちらを扱います。
- Large Telecom Model：ソフトバンクの通信業界向け生成AI基盤モデル（本記事）。
- Long-Term Memory：AIエージェントやLLMに長期の記憶を持たせる仕組みの呼び名。2024年10月の論文「Long Term Memory: The Foundation of AI Self-Evolution」など研究文脈で使われる。
- Large Taste Model：Spotifyが掲げる嗜好特化のモデル。詳しくはSpotify「Large Taste Model」とは？汎用LLMを自社開発しない戦略と3.4兆の嗜好シグナル、機能の提供状況【2026年10月】で解説しています。
検索結果で通信や基地局の話が出てこない場合は、別の意味のLTMを指している可能性があります。
Large Telecom Modelの定義と開発体制
LTMは、ソフトバンクが保有するネットワークデータと、設計・管理・運用のノウハウを学習した生成AIの基盤モデルです（2025年3月19日のプレスリリース）。開発は2024年に始まり、先端技術研究所が日本とシリコンバレーの拠点で主導しました。分散学習にはNVIDIA DGX SuperPODを使っています。
2026年9月の取材記事では、ネットワーク部門側に「LTM AI開発室」という組織があり、室長が「エキスパートが行ってきた業務をLTMが代替し、運用効率化や省人化、OPEX削減を目指している」と説明しています（BUSINESS NETWORK、2026年9月8日）。研究所の成果だった段階から、運用部門が使うモデルへ移ってきたことがわかります。
LTMの学習データ：基地局設定・実測値・標準仕様・シミュレーション
研究所の解説記事（SoftBank R&D トピック）は、学習データを次の4つに分けています。
| 分類 | 中身の例 |
|---|---|
| 基地局設定データ | 位置、角度、周波数、各種パラメーター |
| パフォーマンスデータ | 接続ユーザー数、スループット、電波強度 |
| パブリックデータ | 3GPP・ETSI・IETF・ITU・O-RAN・arXiv |
| シミュレーションデータ | シミュレーションで生成した低レイヤーの信号データ |
運用データには専門家のアノテーションも付いています。公開データだけで作った通信向けモデルとの差は、自社網の実設定と実測値、そして専門家の判断例を持っている点です。
汎用LLMとLTMの違い
研究所は、従来のAIを「頭は良いが業務経験の無い新任者」、LTMを「現場経験を積んだ実務のプロフェッショナル」にたとえています。違いは知識を入れる段階と、使い方の構成にあります。
| 項目 | 汎用LLM | LTM |
|---|---|---|
| 通信の専門知識 | 一般的な知識のみ | 学習段階で取り込む |
| 学習データ | Web等の汎用テキスト | 自社網の設定・実測値・標準仕様 |
| 業務への載せ方 | プロンプトや外部検索で補う | 用途ごとにファインチューニング |
| 実行環境 | モデル・提供形態による | 国内データセンター（2025年10月〜） |
個別AIモデル＋LLMの従来構成との違い
ソフトバンクでは以前から、用途ごとに個別のAIモデルを作り、その業務のデータだけを学習させて運用していました。LLMは人が使いやすくするための自然言語の窓口として組み合わせる構成です。開発室長は、この個別モデルは「学習データに大きく依存してしまうため、与えられたデータの範囲を越えた判断が難しかった」と述べています。
LTMは逆の順で組みます。通信関連のデータを横断的に学習した基盤モデルを先に作り、その上で基地局設定・品質予測といったタスクごとにファインチューニングします。周辺知識を持ったまま個別業務に特化させる狙いで、2025年3月の発表では「ユースケースごとのファインチューニングを行うことで、専用のAIモデルの開発が容易になる」と説明されています。ファインチューニングの効率化手法についてはLoRA（Low-Rank Adaptation）とは？仕組み・ランクrとalphaの決め方とLoRA-Proの違いが参考になります。
LTMの精度：90%以上・94%・91%の評価対象と比較条件
LTMの記事では「精度90%以上」がよく引用されますが、本記事で取り上げる公表値は4つあり、タスクと評価の条件がそれぞれ違います。
| 公表 | タスク | 比較相手 | 精度 |
|---|---|---|---|
| 2025年3月 | 学習から外した基地局の設定推論 | 専門家が最適化した実設定 | 90%以上 |
| 2025年3月 | イベント時の既存基地局の設定最適化 | 実網の最適化済みデータ | 94% |
| 2025年3月 | 新設基地局の設定生成 | 同上 | 91% |
| 2025年10月 | 北区花火会の通信品質予測 | 当日の実測データ | 90%以上 |
2025年3月の90%以上は、学習データセットから意図的に除外した基地局の設定を推論させた結果です。暗記ではなく、見たことのない基地局に通用するかを測っています。94%と91%は研究所の解説記事にある数字で、スタジアムやコンサートで通信が集中するときのセル境界の調整と、都市開発で電波が届きにくくなったエリアへの新設局の設定提案が対象です。
2025年5月のウェビナー資料（英語）には、この2つの数字の中身が書かれています。日本全国を学習用エリアと評価用エリアに分け、実データに基づいて合成した最適化シナリオで評価しています。イベント時の最適化は2段階で、変更するパラメーターを人が指定して値だけを推論させた場合は値の一致率99%、変更すべきパラメーターの選択と値の両方を推論させた場合が94%です。新設局の91%は、全パラメーターの値を生成させたときの値の一致率です。
2025年10月の90%以上は別物です。2025年9月27日に東京都北区で開かれた「北区花火会」を対象に、基地局の状態を1,000件以上入力して接続数の変化などを予測し、当日の実測と比べて周波数ごとの通信品質を90%以上の精度で予測できたとしています（2025年10月29日のプレスリリース）。
読むときの注意は2つあります。ここに挙げた数字はいずれもソフトバンクが自社の評価条件で測って公表したものです。評価件数や、どこまでの誤差を一致とみなしたかは資料に示されていません。数字は同社の評価条件での結果として読み、他社モデルの精度と横並びで比べないことです。
処理速度については、NVIDIA NIMで推論を最適化し、最初のトークンが出るまでの時間（TTFT）と1秒あたりの生成トークン数（TPS）がともに約5倍に改善したと発表されています。設定変更にかかる時間は「数日から数分に短縮することが可能」とされています。
発表の時系列：2025年3月から2026年10月まで
2025年3月：基盤モデルと第1弾の基地局設定モデル
LTM本体と、ファインチューニングした第1弾として基地局設定の最適化に特化したモデルを発表しました。先端技術研究所が提唱する「Human AI」（人の専門業務を代替するAI）の具体化と位置づけられています。この時点の展望は、LTMをベースにしたAIモデルをAI-RAN統合ソリューション「AITRAS」のオーケストレーターと連携させること、ネットワーク設計指針の策定やAIエージェントの開発に広げることでした。
2025年10月：Sarashinaで国産化、社内利用と推論モデル化
ベースモデルをSB Intuitionsの国産LLM「Sarashina」に組み替え、学習から運用まで国内のデータセンターで完結する形にしたうえで、社内利用を始めました。発表は切り替えの理由を2つ挙げています。従来の汎用LLMベースではライセンスの取り扱いが課題だったこと、英語中心に学習したLLMでは日本語の複雑なニュアンスや文脈の理解が難しかったことです。
同じ発表で、段階的な思考過程を生成するChain of Thoughtと強化学習を取り入れた推論モデル（Reasoningモデル）へのアップグレードも明らかにしました。電波伝搬シミュレーターの結果を報酬にして強化学習を回す環境も作っており、専門家の判断を模倣する教師あり学習から、専門家以上の設定を探す方向へ進もうとしています。専務執行役員兼CTOの佃英幸氏は、国産化で「社内の知見や機微なデータを安全に活用できるようになる」と述べています。Sarashina自体のモデル構成やAPIはSarashinaとは？無料APIの使い方・モデル一覧・TTS/OCRとライセンス【2026年10月】にまとめています。
2026年3月：マルチAIエージェント基盤とGSMAベンチマーク3位
3月12日、役割ごとに特化した複数のAIエージェントが連携し、分析から判断・実行までを担う「マルチAIエージェント基盤」を構築したと発表しました（2026年3月12日のプレスリリース）。最初の検証対象は、基地局の開設時やハードウエア構成の変更時に行う「基地局インテグレーション業務」です。ログや設定情報から異常を分析し、原因の特定、対応方針の提示、関係者への報告までを自律的に行わせます。今後は障害対応、トラフィックの最適化、品質改善、設備保全に広げるとしています。
3月30日には、GSMAの「Open-Telco LLM Benchmarks」で総合第3位を獲得したと発表しました（2026年3月30日のプレスリリース）。2026年3月30日時点で提出された全84モデルを対象に、通信仕様の読解、専門的な質疑応答、運用ログの解釈、通信領域の数理推論、構成記述などのデータセットの平均スコアで順位を付けたものです。社内評価だった精度の数字と違い、業界団体の共通ベンチマークで他社モデルと並べた結果です。ただし順位は動きます。GSMAがHugging Faceで公開しているリーダーボードのデータ（2026年10月5日更新）では、LTMは90モデル中7位（平均スコア0.736）です。1〜4位はAT&T、中華電信、Viettel、中国電信と、いずれも通信事業者が自社で作ったモデルが占めています。同じ発表で、継続事前学習・ファインチューニング・強化学習を段階的に組み合わせ、表形式やコードを含む通信データを合成データに整えて学習させる「通信業界特化型の学習フレームワーク」を確立したと説明しています。
2026年6〜7月：フルスタックソブリンAIとNemotronの併用
研究所は2026年6月24日の記事（自律型ネットワークに向けた、ソフトバンクのフルスタックソブリンAI）で、計算基盤からデータ、モデル、エージェントまでを自社で管理する方針を示しました。エージェントが扱う通信ログや設備構成データは通信の秘密に当たり、外部のAI基盤に依存すれば情報流出や不正操作で基地局設定を書き換えられる恐れがある、という理由です。開発中の例として、LTE/5Gや周波数帯をまたいだユーザー割り当てを、エージェントがシミュレーション環境で試し、安全を確認した設定だけを実網に適用する仕組みを挙げています。主権AIの考え方はソブリンAIとは？意味・AI主権との関係と日本の政策、OpenAIとの違いで整理しています。
7月16日の記事（Large Telecom Model（LTM）の開発における、オープンモデルの重要性）では、Sarashinaに加えてNVIDIAのオープンモデル「Nemotron」をLTMの開発に使っていると明かしました。Nemotronは学習データやレシピまで公開しているため、継続事前学習（CPT）・教師ありファインチューニング（SFT）・強化学習（RL）の各段階にLTM独自のデータを組み込めるというのが採用理由です。高い推論能力が要るタスクにはUltraクラス、低遅延が要る用途にはNanoクラスと、規模を使い分ける構想も示されています。NemotronのSuperクラスの性能はNemotron 3 Superのベンチマーク性能｜Qwen3.5・GPT-OSS比較と3.5 Super・Ultraとの違いで比較しています。LTMのベースモデルは、今はSarashinaだけではありません。国産モデルとオープンモデルを用途に応じて組み合わせる構成に変わっています。
2026年10月：サムスンのAIエージェントとの協調研究
10月15日の研究所記事（LTMを活用したAIエージェント間協調による自律ネットワーク運用）では、サムスン電子との共同研究を紹介しています。ソフトバンク側の「Telco Agent」がLTMを使ってトラフィック予測や運用ポリシーから対応を判断し、サムスン側の「Vendor Agent」が自社の最適化機能やデジタルツインで要求を評価して設定候補を返す構成です。エージェント間の通信にはA2Aとその通信向け拡張のA2A-T、要求の表現にはTM ForumのIntent Management API（TMF921）を使っています。基地局を複数のベンダーから調達する通信事業者にとっては、ベンダーの内部実装を開示させずにエージェント同士で調整できる点が要になります。
AITRAS・AI-RANとLTMの関係
AI-RANは、AIの処理と無線アクセスネットワーク（RAN）の処理を同じGPU基盤で動かす構想で、AITRASはソフトバンクがその統合ソリューションとして開発している製品です。2024年11月13日には、NVIDIA GH200 Grace Hopper Superchipを載せた仮想化基盤の上でAIとvRANを同時に動かすオーケストレーターを発表しています（2024年11月13日のプレスリリース）。
2026年9月の取材記事では、AIでRANそのものの性能を上げる「AI for RAN」（Massive MIMOのビームフォーミング最適化など）とLTMは両輪と説明されています。AI for RANが設備投資と運用費の両方を抑える取り組みなのに対し、LTMは運用・保守の自動化で品質向上と運用費（OPEX）削減を狙う役割です。LTMをAITRASのオーケストレーターに組み込む構想は2025年3月から示されていますが、組み込みが完了したという発表は2026年10月時点でありません。AITRAS自体も、2026年10月20日にノキアと合意したのは2027年に商用ネットワーク環境で行うフィールドトライアルで、AITRAS上でノキアのRANソフトウエア「anyRAN」を動かす検証です（2026年10月20日のプレスリリース）。この発表にLTMは登場しません。
LTMの現在地と限界：社外の企業が読み取るべき点
外部提供の状況とSarashinaを使える別サービス
2026年10月時点で、LTMを外部企業が契約して使えるサービスやAPIは発表されていません。2025年10月の発表は「将来的に外部の事業者へのサービス展開を検討することも可能」という表現にとどまります。ソフトバンクのSarashinaを業務で使いたい場合は、2026年4月に東日本のデータセンターで始まったクラウドサービス「Cloud PF Type A」で、Sarashinaを使う生成AIサービスが2026年6月から順次提供されています。詳しくはソフトバンクCloud PF Type Aとは？Oracle Alloyの仕組み・料金・OCIとの違い【2026年10月】で解説しています。
自律運用はまだ検証段階
マルチAIエージェント基盤は「検証を開始」した段階で、ソフトバンク自身も自律運用への移行は「段階的に」と書いています。2026年9月の取材記事も、現在は人を介した運用が前提で、通信品質の予測などにLTMを使っていると伝えています。「AIが基地局を自動で設定している」と読むのは早すぎます。
業界特化モデルを自社で作るときに参考になる設計
LTMの進め方には、通信以外の業界でも使える判断が含まれています。1つ目は、評価用のデータを学習から外し、専門家の実設定や当日の実測という「正解」と比べていることです。固定の正解データを用意しにくい業務でも、専門家によるレビューや業務KPIでどう合否を付けるかを、学習を始める前に決めておく必要があります。2つ目は、基盤モデルを1つ持って用途ごとにファインチューニングする構成です。用途ごとに独立したモデルを作ると、データの範囲外の判断に弱くなるという反省から来ています。3つ目は、ベースモデルを入れ替えられるようにしておくことです。LTMは2025年10月にSarashinaベースの国産モデルへ発展させ、2026年7月にはNemotronなどのオープンモデルも併用していると説明しています。
逆に、自社網の実データや専門家のアノテーションのように他社が持たないデータが無いなら、業界特化モデルを一から作る価値は小さくなります。汎用LLMに社内文書の検索を組み合わせる構成で足りるかを先に確かめるべきです。自社の業務データでどちらが合うかを見極める段階から相談したい場合は、生成AI導入支援で要件整理から支援しています。
よくある質問
LTMは何の略ですか？
ソフトバンクの通信特化モデルを指す場合はLarge Telecom Modelの略です。AIの研究分野ではLong-Term Memory（長期記憶）の略として使われることもあり、Spotifyは嗜好特化のモデルをLarge Taste Modelと呼んでいます。文脈で区別してください。
LTMとLLMの違いは何ですか？
LLM（大規模言語モデル）は総称で、LTMはその中で通信分野向けに追加学習した業界特化のLLMです。汎用のLLMを土台に、基地局の位置・角度・周波数、電波強度、3GPP等の標準仕様を学習段階で取り込み、用途ごとにファインチューニングして使う点が汎用LLMとの違いです。
LTMのベースモデルは何ですか？
発表当初は汎用LLMをベースにしていましたが、2025年10月にSB Intuitionsの国産LLM「Sarashina」を組み合わせた国産モデルに移行しました。2026年7月の研究所記事では、SarashinaとNVIDIAのNemotronなどのオープンモデルを併用していると説明されています。
ソフトバンクのLTMは外部の企業も使えますか？
2026年10月時点で、外部向けの提供は発表されていません。2025年10月の発表で、将来の外部事業者への展開は「検討することも可能」とされている段階です。
ソフトバンクは国産LLMにどう取り組んでいますか？
子会社のSB Intuitionsが国産LLM「Sarashina」を開発しており、LTMも2025年10月にSarashinaベースへ移行して国内データセンターで学習・推論する形にしました。企業向けには、Sarashinaを使う生成AIサービスをCloud PF Type Aで2026年6月から順次提供しています。
