Minico M1とは?
Minico M1 1105は、個人開発者のMincofficialによる3億5,000万パラメータの推論モデルで、Liquid AIのLFM2.5-350Mを微調整し、2026年11月5日にHugging Faceで公開されました。最大の特徴は5段階(off、low、medium、high、max)の推論努力設定で、回答前にどれだけ考えるかを、推論なしから中央値78トークンの推論まで切り替えます。LFM形式でツール呼び出しも行います。
作者によれば、前身のMinico M1 Previewはループに陥り、推論を回答の中で繰り返し、努力設定を無視していました。学習は4段階(教師ありファインチューニング2回、DPO、検証可能な報酬によるGRPO)と重みのマージで構成され、すべて32GBのMacBook AirとMLXで行われました。safetensors、GGUF、MLX、ONNXの各形式があり、ブラウザのデモはWebGPUを通じて手元のGPUで動きます。
Minico M1は使う価値があるか?
Minico M1は作者のテストで最も行儀のよい350Mのチャットモデルですが、ベースモデルとの差はわずかです。モデルカードの5種類のベンチマークでは平均49.8で、手を加えていないLFM2.5-350Mは47.0、IBMのGranite 4.0 350Mは43.6、GoogleのGemma 3 270Mは24.2です。作者は約3ポイント未満の差は実行ごとのばらつきの範囲だとしており、ベースモデルとの差の大半はそこに収まります。
本当の改善は知識より挙動にあります。ベースモデルと比べ、最新のメッセージに応じた複数ターンの回答は100件中91件から99件に、作者のテストでの正しいツール呼び出しは54.8%から100%に上がりました。80件のプロンプトのうち出力がトークン上限まで繰り返される割合であるループ率は0%で、PreviewとGemma 3 270Mは18.8%です。Q4_K_MのGGUFで約229MBあり、モデルカードはファンレスのMacBook Airで毎秒371トークンと報告しています。
努力ダイヤルは正直ですが、今のところほぼ見た目だけです。小学校レベルの算数であるGSM8Kでは、思考なしで39.8、思考ありでは最高でも37で、モデルカードもそれを率直に認めています。ただし思考で避けられる落とし穴もあります。"What is 5 + 5 x 5?"を20回尋ねると、思考なしでは7回、それ以外のどのレベルでも20回正解しました。
注意点:350Mのモデルなので事実や難しい数学は間違え、テストされたのは英語だけです。数値はすべて一人の作者がほぼ貪欲なサンプリングで回したテスト環境のもので、独立した評価ではありません。ツールがある状態で不要な呼び出しを避けられたのは75%にとどまり、LFM Open Licenseは年間売上$10 million以上の企業から商用の権利を外しています。
結論:オフラインで動く必要がある音声アシスタントやブラウザ拡張のコマンド解析器としては、Minico M1は素のLFM2.5-350Mより扱いやすい出発点です。一方、小型の推論モデルとしては、350Mモデルにダイヤルを付けても変わるのは話す量であって知識量ではないことを示しています。
真価を発揮する場面
スマートホームハブ向けにオフライン音声アシスタントを作る開発者
話し言葉のコマンドをset_volume(level=30)のような関数呼び出しに変える
チャットテンプレートの`tools`で機器の関数を渡し、229MBのQ4_K_M GGUFをllama.cppで動かします。速度のため努力はoffにし、ユーザーが雑談しているだけのときにツールを呼ばないか確認してください。テストでは25%で失敗しました。
ブラウザ拡張にプライベートな文章補助を加えるフロントエンドエンジニア
ページ上の文章をサーバーに送らずに書き換えたり短くしたりする
ONNX版は作者のデモと同じくブラウザ内のWebGPUで動くため、ユーザーの端末からデータは出ません。ホスティング費用はなく、コストはダウンロードとユーザーのGPUだけです。
小型推論モデルを研究する研究者
350Mパラメータで推論の長さが精度にどう影響するかを比べる
reasoning_effortをoffからmaxまで切り替え、推論トークンの中央値(モデルカードではlowで40、maxで78)を記録します。公開されている学習手順(SFT、DPO、GRPO、ExPOマージ)は、32GBのMacとMLXで再現できます。
導入前に確認すること
- 導入
- TransformersでMincofficial/Minico-M1-1105を読み込むか、`llama-server -hf Mincofficial/Minico-M1-1105-GGUF:Q8_0 --jinja`を実行し、チャットテンプレートの引数でreasoning_effortを渡します。Apple silicon向けにMLX版があります。
- 連携
- Transformers、llama.cpp、MLX、ONNX Runtime(ブラウザではWebGPU)。ツール呼び出しはOpenAIのJSONではなく、LFM形式の<|tool_call_start|>タグを使います。
- データとプライバシー
- 重みはローカルで動きます。ブラウザのデモは手元のGPUで動き、作者はデータがコンピューターの外に出ないとしています。学習データはLiquidのLFM2.5-1.2B-ThinkingとLFM2.5-1.2B-Instructから蒸留されました。
- 大規模利用時のコスト
- 利用料はかかりません。商用利用が認められるのは年間売上$10 million未満のみで、それを超えるとライセンスは商用の権利を与えず、別の条件も公開されていません。
- 制限
- コンテキストはベースモデル由来の32Kトークン。推奨出力上限は640トークン(low)から4,608(max)。作者は会話ごとに努力レベルを1つに固定すること、英語のみで使うこと、医療・法律・金融に使わないことを勧めています。
良い点
- 推論努力は5段階で、オフから中央値78トークンの思考まで
- 作者のテストでツール呼び出しの正解率100%、ベースモデルは54.8%
- 80件のプロンプトでループ率0%
- Q4_K_Mで約229MB、ファンレスのMacBook Airで毎秒371トークン
- GGUF、MLX、ONNX版とブラウザで動くWebGPUデモ
気になる点
- 思考してもGSM8Kの精度は上がらない(最高37、オフでは39.8)
- ベースモデルに対する平均の差(49.8対47.0)は作者が示すばらつきに近い
- ベンチマークはすべて作者自身のテスト環境。英語のみ
- 売上$10 million以上の企業は商用利用不可
おすすめの人
指示に従い確実にツールを呼べる400M未満のモデルを必要とする、オフラインアシスタント、ブラウザ拡張、端末内コマンド解析器の開発者。
Minico M1の代替
Minico M1:よくある質問
- Minico M1は使う価値があるか?
- Minico M1は350Mモデルの挙動を整えた丁寧な個人による微調整ですが、目玉機能の思考ダイヤルで精度は上がりません。 評価は5点満点中3.3点です。
- Minico M1の料金は?
- 重みはLFM Open License v1.0で無料。商用利用が認められるのは年間売上$10 million未満の組織のみで、非営利の研究は対象外です。
- Minico M1の欠点は?
- 思考してもGSM8Kの精度は上がらない(最高37、オフでは39.8); ベースモデルに対する平均の差(49.8対47.0)は作者が示すばらつきに近い; ベンチマークはすべて作者自身のテスト環境。英語のみ; 売上$10 million以上の企業は商用利用不可.
- Minico M1は誰に向いているか?
- 指示に従い確実にツールを呼べる400M未満のモデルを必要とする、オフラインアシスタント、ブラウザ拡張、端末内コマンド解析器の開発者。
- チームや本番環境でMinico M1を使うと費用はいくらか?
- 利用料はかかりません。商用利用が認められるのは年間売上$10 million未満のみで、それを超えるとライセンスは商用の権利を与えず、別の条件も公開されていません。
- Minico M1は企業データを扱っても安全か?
- 重みはローカルで動きます。ブラウザのデモは手元のGPUで動き、作者はデータがコンピューターの外に出ないとしています。学習データはLiquidのLFM2.5-1.2B-ThinkingとLFM2.5-1.2B-Instructから蒸留されました。
- Minico M1の代わりになるものは?
- 当サイトでレビューした中で最も近い代替はLFM3, Granite 4.2, SmolLM3-3B 、 Gemma 4です。
回答確認日:2026年11月21日