2023年10月の初期バージョン提供開始、2024年3月の商用化を経て、段階的に進化を続けてきたNTTの「tsuzumi」。軽量さと日本語理解力を売りとするこの大規模言語モデル（LLM）は、2025年10月に「tsuzumi 2」へと進化した（関連記事：NTTの独自LLM「tsuzumi」がアップグレード 3つの強化ポイントとは）。
それから約半年。2026年5月19日に発表したのが、「文字＋図表」の理解力を高めた新モデル「tsuzumi 2 Vision」だ。NTT サービスイノベーション総合研究所 人間情報研究所 上席特別研究員の西田京介氏は記者説明会で、「従来のテキスト処理能力に加えて、ビジョン機能（画像理解機能）を新たに搭載したこと」が最大の特徴だと説明した。
Visionモデルの概要
tsuzumi 2の利用形態は「オンプレミスが約6割」
tsuzumiとその進化版であるtsuzumi 2は、OpenAIのChatGPTなどと比べて、「軽量」であることを強みとしてきた。tsuzumi 2は1GPU、40GBメモリで動作可能であり、それでいて「他社の最新・最先端モデルに匹敵する日本語指示遂行能力を備えている」（西田氏）。
より小さなコンピューティング能力でも軽快な動作が可能なことから、tsuzumi 2の利用形態としては「オンプレミスあるいはプライベートクラウド環境」が多いと同氏。外部にデータを出せない「機微情報を扱う業務での利用に適して」おり、実際、問い合わせの約6割が金融や医療、公共といった分野からのオンプレミス運用を求めるケースだという。
西田氏は、今回のVisionモデルの開発・提供には、こうした利用形態が背景にあると話した。
