合同会社しゅし
Syushi LLC.

— Blog

キーワードは「盆栽」。次にひっそりとくる「三値化」とは？～名前にaiがつくのがみそ～

#AI活用テクニック

AI生成
この記事は、PrismML社の公式発表・技術文書と第三者の公開ベンチマークをもとに AI（Claude）で記事を生成し、人が内容を確認したうえで公開しています。数値は出典元の公表値です（弊社の実測ではありません）。

2026年9月17日、「27B（270億パラメータ）のAIモデルが5.9GB」というモデルが静かに公開されました。ふつうに動かせば54GB必要なものが、約9分の1。それでいて元のモデルの性能の98％を保っていると発表されています。名前は Bonsai（盆栽）。大きな木を小さく剪定して、形も生命も保つ──あの盆栽です。綴りをよく見ると bons-ai。名前にaiが入っているのが、みそです。

この記事の結論（3行）

  1. 三値化とは、AIの重みを「-1・0・+1」の3つの値だけで表す技術。メモリが約9分の1になり、しかも掛け算が要らなくなる。
  2. Bonsaiの新しさは「既存の強いモデルを盆栽のように剪定する」こと。ゼロから学習する従来方式（BitNet）と違い、元モデルが強くなればそのまま自分も強くなる。
  3. ローカルAIの技術を「土台／削る／作り変える」の三段階で見ると、三値化は第3段階。第3段階の技術が、第2段階の主力（4bit量子化）に肉薄する品質を初めて出したのが今回の出来事。

先にことわり：「三値」と「三段階」は別の話です

この記事には似た言葉が2つ出てきます。混ざらないよう先に整理しておきます。

  • 三値（さんち） ─ AIの重みを「-1, 0, +1」の3つの値で表す技術用語。Bonsaiの中身の話
  • 三段階 ─ ローカルAIの技術を整理するために本記事で使う分類。後半で出てきます

三値化とは何か

AIモデルの中身は、巨大な数の表（「重み」と呼びます）です。27Bモデルなら270億個の数が入っています。ふつうは1つの数を16bit、つまり65,536通りの細かさで持っています。

三値化は、これを「-1 か 0 か +1」の3通りだけにしてしまう技術です。3通りの情報量は log2(3) ≒ 1.58bit なので、「1.58bit LLM」とも呼ばれます。16bit → 1.58bit ですから、理論上はメモリが約10分の1で済みます。

もう一つ、地味に大きいのが掛け算が消えることです。重みが ±1 か 0 なら「掛ける」必要がなく、足すか・引くか・無視するかだけで済みます。AIの計算の大半は掛け算なので、GPUがなくてもCPUやスマホでそこそこ速く、しかも省電力で動きます。

盆栽（Bonsai）の何が新しいのか

三値のLLM自体は、2024年にMicrosoftの研究チームが「BitNet b1.58」として示しています。ただBitNetは最初から三値でモデルを学習する方式でした。学習コストが莫大なので、公開されたのは2Bクラスまで。研究としては正しいのですが、実用の主戦場（8B〜30B）には届いていませんでした。

Bonsaiを作ったのはPrismMLという米国のスタートアップ（Caltech＝カリフォルニア工科大学の研究者が創業、CEOは同大のBabak Hassibi教授）。発想はBitNetの逆で、すでに強い既存モデル（AlibabaのQwen3系）を三値に「剪定」する方式です。だから最初から実用サイズで出せました。

  • Microsoft「BitNet b1.58」論文。三値LLMの元祖（2Bまで）
  • PrismMLがステルス解除。1-bit Bonsai 8B（Qwen3-8B由来、1.15GB）
  • 三値版 Bonsai 8B / 4B / 1.7B（8Bで1.75GB）
  • Bonsai 27B（Qwen3.6-27B由来）。三値 5.9GB、性能保持 94.7％
  • Bonsai 2 27B（Qwen3.8-27B由来）。三値 5.9GB、性能保持 98.2％

半年で「8B → 27B」「保持率 95％ → 98％」と伸びています。元モデルが強くなれば、そのままBonsaiも強くなるのがこの方式の強みです。大手が出したわけでも、新しい基盤モデルでもないのでニュースにはなりにくい。だから「ひっそり」なのです。

中身をもう少しだけ

重み1つを {-1, 0, +1} のコードにし、128個ごとに1つの倍率（16bitの小数）を共有します。「実際の重み ＝ 倍率 × コード」という形です。実装上のビット数は三値で 1.71bit、1-bit版で 1.125bit（倍率のぶんが上乗せされます）。埋め込み層から出力層まで全層を低ビット化していて、PrismMLは「高精度の逃げ道なし」と表現しています。

ただし、どうやって品質を保ったまま変換しているか（学習方法・コスト）は非公開です。ここは後述の注意点にも関わります。

ローカルAI特化で見る：各技術の位置

「AIの最新技術」といっても、ローカルAI（自分のPCでAIを動かす人）にとって効く技術と、そうでもない技術があります。前回の記事で書いたとおり、ローカルAIの評価軸は突き詰めると「メモリに載るか」「速いか」「品質が落ちないか」の3つです。この軸で主要技術を並べてみます。

技術 代表例 メモリ削減 速度 品質保持 ローカルでの成熟度
Transformer すべての土台（2017〜） ─ ─ ─ 前提
8bit量子化 GGUF Q8_0 約2倍 ○ ほぼ100％ ◎
4bit量子化 GGUF Q4_K_M 約3.5倍 ○ 97〜99％ ◎ デファクト
2bit量子化 IQ2_XXS 約6倍 ○ 大きく劣化 △
蒸留 DeepSeek-R1-Distill （別の小型モデルになる） ◎ 元とは別物 ◎
MoE DeepSeek-V3、Qwen3-30B-A3B 減らない（全部載せる） ◎ ─ ○
KVキャッシュ圧縮 DeepSeek MLA、KV 4bit 長文のときだけ ○ ほぼ100％ ○
三値化 Bonsai（三値）、BitNet 約9倍 ◎ 95〜98％（公式） △ 2026年4月〜
1-bit化 Bonsai（1-bit） 約14倍 ◎ 約90％（公式） △

見てほしいのは、「メモリ削減 約9倍」と「品質保持 95〜98％」が同じ行にあることです。これまでは、2bitまで削ると品質がガタ落ちするのが常識でした。それが1.58bitで4bit量子化に近い品質、というのがBonsaiの主張です。

重みのビット数と品質保持率のポジションマップ 80% 85% 90% 95% 100% 16bit 8bit 4bit 2bit 1bit 従来の2bit量子化 （品質が崩れる領域） 元モデルに対する品質保持率（ベンチマーク平均） 重み1つあたりのビット数（右へ行くほど小さい＝メモリが少なくて済む） FP16（元モデル） 100% Q8_0 ※目安 99.7% Q4_K_M ※目安 98% 三値 Bonsai 2 27B（公式） 98.2% 三値 Bonsai 8B（公式） 95.2% 三値 Bonsai 27B（公式） 94.7% 三値 27B（第三者） 91.5% 1-bit Bonsai 27B（公式） 89.5% 1-bit Bonsai 8B（公式） 88.9% 1-bit 27B（第三者） 88% 公式発表値 一般的な目安（GGUF量子化の経験則） 第三者の独立計測（4bit版を100とした相対値）
図1: 重み1つあたりのビット数と品質保持率。右へ行くほど少ないメモリで動く。Q8／Q4はGGUF量子化の一般的な目安、Bonsaiは公式値と第三者計測（白抜き）

DeepSeekの技術（MoE、MLA、蒸留）はどれも優秀ですが、ローカルAIの「載るか載らないか」には直接効きません。MoEは速いけれど全パラメータをメモリに置く必要がある。MLAは長文のときだけ効く。蒸留は小さい別モデルを作る話。三値化は「同じモデルをそのまま9分の1にする」ので、効き方が違います。

三段階で分類する（ここが「三段階」の話）

ローカルAIの視点で、技術を3つの段階に分けてみます。

ローカルAI技術の三段階 第1段階 土台 変えられない前提 ・Transformer / Attention ・RoPE・GQA など ・→ 全モデル共通 第2段階 削る できた物を後から軽くする ・量子化（Q8 / Q4） ・蒸留（DeepSeek-R1 Distill） ・MoE（DeepSeek-V3） ・KVキャッシュ圧縮（MLA） 第3段階 作り変える 数の表し方そのものを変える ・三値化 {-1, 0, +1} ・1-bit化 {-1, +1} ・掛け算が消える ・BitNet(2024) → Bonsai(2026) ▼ 今のローカルAIの常識（llama.cpp ＋ Q4_K_M） 盆栽（Bonsai）はここ 品質は第2段階の主力（Q4）に肉薄 ※この「三段階」は本記事の整理軸。技術用語の「三値（-1/0/+1）」とは別の話
図2: ローカルAI技術の三段階。量子化・蒸留・MoEは第2段階、三値化・1-bit化は第3段階

第1段階：土台

Transformer、Attention、RoPE、GQA。全モデルが乗っている基盤で、ここではローカルの差はつきません。

第2段階：削る

できたモデルを後から軽くする。量子化（Q4/Q8）、蒸留、MoE、KVキャッシュ圧縮。今のローカルAIの常識はここで、llama.cpp＋Q4_K_Mがデファクトのまま2023年からほぼ変わっていません。

第3段階：作り変える

数の表し方そのものを変える。1-bit／三値。掛け算が消え、計算の性質が変わります。専用カーネル（llama.cppのQ1_0、TQ系、MLX）が必要で、将来は専用ハードウェアの話にもつながります。

三値化は第3段階の技術です。そして今回の見どころは、第3段階の技術が「第2段階の主力（4bit量子化）に肉薄する品質」を初めて出したこと。2024年にBitNetが研究として示し、2026年にBonsaiが実用サイズ（27B）で持ってきました。段階が一つ上がる瞬間は、だいたいこういう「ひっそり」から始まります。

数字で見る：27Bが8GBのGPUに載る

27Bモデルの容量比較 27Bモデルの重みの容量 GB（小さいほど少ないVRAMで動く） 8GB 12GB 16GB ▲ 前回記事「VRAMの壁」の3台（8 / 12 / 16GB） FP16（元のまま） 54 GB Q8_0 ※目安 約29 GB Q4_K_M（第三者実測） 15.7 GB 三値 Bonsai 27B 5.9 GB 1-bit Bonsai 27B 3.9 GB 三値なら 8GB のGPUに 27B が丸ごと載る。1-bit ならスマホ（6GB）にも
図3: 27Bモデルの重みの容量。前回記事の「VRAMの壁」（8／12／16GB）に重ねると、三値版は8GBの壁の内側に入る

前回の記事では「16GBのGPUでやっと20Bが丸ごと載る」という話をしました。三値のBonsai 27Bは5.9GBなので、8GBのGPUに27Bが丸ごと載ります。1-bit版（3.9GB）なら、メモリ6GB制限のiPhoneでも動くとPrismMLは公表しています（実際にiPhone 17 Proで11 tok/s）。

速度（公式公表値）

モデル デバイス 三値版 1-bit版
Bonsai 27B GeForce RTX 5090 134 tok/s 163 tok/s
Bonsai 27B Mac（M5 Max） 58 tok/s 87 tok/s
Bonsai 27B iPhone 17 Pro ─ 11 tok/s
Bonsai 2 27B GeForce RTX 5090 最大 143 tok/s ─
Bonsai 8B Mac（M4 Pro） 82 tok/s 131 tok/s
Bonsai 8B iPhone 17 Pro Max 27 tok/s 44 tok/s

人が読む速さの目安が15〜20 tok/sなので、8Bはスマホでも「待たされない」水準です。電力効率はFP16比で3〜5倍とされています。

品質（公式公表値）

Bonsai 27B（Qwen3.6-27B由来）のカテゴリ別スコアです。全体平均は元モデル85.0に対して三値80.5（94.7％）、1-bit 76.1（89.5％）。

Bonsai 27B カテゴリ別スコア（公式） 50 60 70 80 90 100 95.3 93.4 91.7 数学 1-bitで −3.6 88.7 86 81.9 コーディング 1-bitで −6.8 80 74 66 ツール呼出 1-bitで −14 78.4 71.8 65.8 指示追従 1-bitで −12.6 83.1 77 73.4 知識/STEM 1-bitで −9.7 72.6 65.2 59.6 画像理解 1-bitで −13 スコア（各カテゴリのベンチマーク平均・軸は50から） Qwen3.6 27B（FP16・54GB） 三値 Bonsai 27B（5.9GB） 1-bit Bonsai 27B（3.9GB）
図4: Bonsai 27B カテゴリ別スコア（PrismML公表値・15ベンチマークを6カテゴリに集計）。数学・コーディングは強く、ツール呼び出し・画像理解は落ち幅が大きい

落ち方が均一でないのがポイントです。数学は1-bitでも −3.6 で済むのに、ツール呼び出しは −14.0。文章を「それっぽく生成する」タスクは低ビットに強く、「正確な1つの答えを選ぶ」タスクは弱い、という傾向です。エージェント用途（ツールを呼ぶ、関数を選ぶ）なら三値版を選ぶべき、とPrismML自身も案内しています。

参考までに、最初に出た8Bの数字も置いておきます（三値 8B は 1.75GB、元のQwen3 8B は 16GB）。

モデル 平均 MMLU Redux GSM8K HumanEval+ IFEval BFCLv3（ツール）
Qwen3 8B（16GB） 79.3 83.0 93.0 82.3 81.5 81.0
三値 Bonsai 8B（1.75GB） 75.5 72.6 91.0 77.4 81.8 73.9
1-bit Bonsai 8B（1.15GB） 70.5 65.7 88.0 73.8 79.8 65.7

冷静に見ておく点

ここまでは公式の数字が中心です。使う側として、割り引いて見るべき点も並べておきます。

① 第三者の計測は公式より落ちる

NVIDIA Jetson Orin上でQwen3.5／3.6系と横並びにした独立ベンチマークでは、三値Bonsai 27Bは86.2％、1-bitは82.9％（4bit版Qwen3.6-27Bは94.2％）。公式の「95％保持」よりも落ち幅が大きめです。ただしメモリは6.7GB対15.7GBで、速度は逆に1.4倍でした。

② 落ちる分野が偏る。日本語は未検証

同じ第三者計測で、一般知識・コーディングは97〜100％維持だった一方、数学と多言語が弱く、ペルシャ語では79.8→45.2まで落ちた例があります。日本語での品質は公式・第三者とも未検証。日本語で使うなら、自分の業務データで試してから判断すべきです。

③ 1-bit版はツール呼び出しに弱い

図4のとおり、ツール呼び出しは80→66。「チャットや要約なら1-bit、エージェントや関数呼び出しなら三値」という使い分けが現時点の答えです。

④ 変換手法が非公開、27Bは要トークン

「どうやって98％を保ったか」はホワイトペーパー待ちで、再現性は今のところPrismML頼み。ライセンスはApache 2.0ですが、27BのモデルファイルはHugging Faceでゲート付き（ダウンロードにアカウントのトークンが必要）です。

動かすには

  • llama.cpp: 1-bit形式（Q1_0）が本家に取り込み済み。CPU／Metal／CUDA／Vulkanで動く。三値は TQ系の形式
  • MLX／MLX Swift: Mac、iPhone、iPad向け。PrismMLの公式配布はこちらが中心
  • OpenAI互換サーバ／Open WebUI: 公式デモ（GitHub: PrismML-Eng/Bonsai-demo）にセットアップ手順あり
  • OpenRouter: ローカルで動かす前に試すなら、クラウド経由でも提供されています（prism-ml/ternary-bonsai-2-27b）

まとめ：盆栽は「小さいのに本物」を狙っている

  • 三値化 ＝ 重みを -1／0／+1 の3値にして、メモリ約9分の1、掛け算なし
  • 盆栽（Bonsai）＝ 既存の強いモデル（Qwen3系）を剪定して三値にする。BitNetの「ゼロから学習」と違い、元モデルの進化にそのまま乗れる
  • ローカルAIの技術を三段階で見ると、量子化・蒸留・MoEは第2段階、三値化は第3段階
  • 第3段階の技術が、第2段階の主力（4bit量子化）に肉薄する品質を初めて出した。それが2026年4月〜9月の半年で起きた
  • ただし日本語・数学・ツール呼び出しは要確認。公式数値は少し盛り気味に見ておく

名前にaiが入っているモデルは、たいてい狙って付けられています。盆栽が「小さいのに本物」であるように、Bonsaiも「小さいのに本物」を狙っている。前回の記事で「VRAMが天井を決める」と書きましたが、天井を上げるのではなく、モデルのほうを縮めて天井をくぐる──次にひっそりくるのは、この方向だと思っています。

弊社では、業務データを外に出さないローカルAI環境の構築や、モデル選定のご相談を承っています。「三値モデルをうちの業務データで試してみたい」といったご相談も歓迎です。お気軽にお問い合わせください。

参考・出典

  • PrismML「Introducing Ternary Bonsai: Top Intelligence at 1.58 Bits」（2026-04-16） https://prismml.com/news/ternary-bonsai
  • PrismML「Bonsai 27B」（2026-07-14） https://prismml.com/news/bonsai-27b
  • PrismML「PrismML Launches Bonsai 2 27B, Its Most Capable Model Yet」（2026-09-17） https://prismml.com/news/prismml-launches-bonsai-2-27b
  • PrismML Docs「Introduction – Bonsai」 https://docs.prismml.com/get-started/introduction
  • Hugging Face「prism-ml/Bonsai-8B-mlx-1bit」モデルカード https://huggingface.co/prism-ml/Bonsai-8B-mlx-1bit
  • GitHub「PrismML-Eng/Bonsai-demo」 https://github.com/PrismML-Eng/Bonsai-demo/
  • The Register「PrismML debuts 1-bit LLM in bid to free AI from the cloud」（2026-04-04） https://www.theregister.com/2026/04/04/prismml_1bit_llm/
  • MarkTechPost「PrismML Releases Bonsai 27B」（2026-07-14） https://www.marktechpost.com/2026/07/14/prismml-releases-bonsai-27b-1-bit-and-ternary-builds-of-qwen3-6-27b-that-run-on-laptops-and-phones/
  • 第三者ベンチマーク: ArmanJR「PrismML-Bonsai-vs-Qwen3.5-Benchmark」（NVIDIA Jetson Orin） https://github.com/ArmanJR/PrismML-Bonsai-vs-Qwen3.5-Benchmark
  • Ma, S. et al.「The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits」（2024） https://arxiv.org/abs/2402.17764
  • Wikipedia「1.58-bit large language model」 https://en.wikipedia.org/wiki/1.58-bit_large_language_model
  • 図1のQ8_0／Q4_K_Mの保持率、図3のQ8_0の容量は、GGUF量子化の一般的な経験則にもとづく目安であり、特定モデルの実測値ではありません。Q4_K_Mの容量15.7GBは上記第三者ベンチマークでの計測値です。
← 前の記事 ローカルAIのPC選び、決め手は「世代」より「VRAM」だった

記事一覧へ戻る

お困りごと、聞かせてください。

記事の内容についてのご質問も、システム開発のご相談も歓迎です。まずはお気軽にどうぞ。

お問い合わせ →