検索

画像と言語を結びつけて理解する、マルチモーダルモデルの一種。

別のLLMに出力の良し悪しを採点させる、自動評価の手法。

LLMの推論を高速・高効率に行うための人気の推論サーバー。

プログラムコードに特化して学習した大規模言語モデル。コード生成・補完に使う。

重みが公開され、誰でも入手・改変・自社運用できる大規模言語モデル。

パラメータ数を抑えた小型の言語モデル。端末上での動作や低コスト運用に向く。

膨大なテキストで訓練された巨大な言語モデル。文章生成・要約・対話などを高い精度でこなす。

テキスト・画像・音声など複数種類の情報をまとめて扱えるAIモデル。

大量データで広く事前学習され、多様な用途の土台となる大規模モデル。

画像や紙の文書に写った文字を、コンピュータが読める文字に変換する技術。

画像と文章を同じ空間で結びつける、マルチモーダルの基礎モデル。

LLMアプリ開発を支援する人気フレームワーク。RAGやエージェント構築に使う。

Meta AIが公開した代表的なオープンソースLLMシリーズ。

高い推論性能と効率で注目された、中国発のオープンモデル。

文章・画像・音声・動画などの新しいコンテンツを生み出すAIの総称。LLMや画像生成モデルを含む。

文章をトークンに分割する処理プログラム。LLMの入口を担う。

AIが文章を自動で作り出すこと。LLMの最も基本的な機能。

データとLLMをつなぐ、RAG構築に特化したフレームワーク。

Alibabaが開発した、多言語対応のオープンソースLLMシリーズ。

LLMが、あらかじめ定義された関数を構造化された形で呼び出す仕組み。

57分野の知識を問う、LLMの総合学力を測る代表的ベンチマーク。

200以上の多様なタスクでLLMの能力を多角的に測る大規模ベンチマーク。

[[attention]]機構を中核とする深層学習アーキテクチャ。現代のLLMの基盤となっている。

Google DeepMindが開発したマルチモーダルなLLMシリーズ。

人間が日常使う言葉(自然言語)をコンピュータに理解・生成させるための技術分野。

文章を[[token]]という処理の最小単位に分割すること。言語モデルが文を扱う最初のステップ。

言語モデルがテキストを処理する際の最小単位。単語や単語の一部、記号などに相当する。

言語モデルが一度に処理・記憶できる[[token]]の最大量。会話や文書の「視野の広さ」。

言語モデルが、事実に基づかないもっともらしい誤情報を、自信を持って生成してしまう現象。

AIに与える指示文や質問。プロンプトの良し悪しが、出力の質を大きく左右する。

AIから望む出力を引き出すために、[[prompt]]を工夫・設計する技術や手法の体系。

外部の知識を検索してプロンプトに与え、その情報をもとにAIに回答させる手法。最新情報や社内文書に強い。

事前学習済みのモデルを、特定タスク向けの追加データで再訓練し、専門特化させる手法。

エージェントが環境の中で試行錯誤し、報酬を最大化する行動を学んでいく機械学習の枠組み。

Anthropicが開発する大規模言語モデル。安全性と有用性の両立を重視して設計されている。

目標を与えると、自ら計画を立て、ツールを使いながら多段階のタスクを自律的に遂行するAI。

データ自身から擬似的な正解を自動生成し、人手のラベルなしで学習する手法。

モデルが学習を通じて獲得する内部の数値。重みやバイアスの総称。

複数の数値を、合計が1になる確率分布に変換する関数。多クラス分類の出力に使う。

大量の汎用データでモデルに基礎的な知識・能力を獲得させる最初の学習段階。

指示と理想の応答のペアで学習させ、指示に従う能力を高める手法。

モデルの一部のパラメータだけを更新し、低コストでファインチューニングする手法群。

元のモデルを固定し、小さな追加行列だけを学習する代表的なPEFT手法。

大きな教師モデルの知識を、小さな生徒モデルに移して軽量化する手法。

理想的な応答例を正解として学習させる、ファインチューニングの基本段階。

好まれた応答を直接学習し、報酬モデルなしで人間の好みに合わせる手法。

強化学習の代表的アルゴリズム。RLHFでモデルを安定的に更新するのに使われる。

入力ごとに一部の専門家(サブネットワーク)だけを使い、効率的に大規模化する設計。

モデル規模・データ量・計算量を増やすほど性能が予測的に向上する経験則。

モデルの学習データが収集された最終時点。それ以降の出来事は基本的に知らない。