G検定 用語解説
大規模言語モデル（LLM）とは
膨大なテキストで事前学習した大規模なモデルで、文章生成や質問応答など幅広い言語タスクをこなす。
まず押さえる結論
大規模言語モデル（LLM）は、G検定の「大項目6 ディープラーニングの応用例」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-10-02。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「大項目6 ディープラーニングの応用例」の問題で、取り違えやすい組み合わせです。
- 物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
- word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
- 強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
大規模言語モデルのハルシネーションについての説明として、最も適切なものはどれか。
正解は「事実に基づかないもっともらしい誤った内容を生成してしまう現象で、出力の事実確認が重要となる」である。ハルシネーションは、大規模言語モデルが事実に基づかないもっともらしい誤った内容を生成してしまう現象を指す。モデルはもっともらしい文を生成する性質があるため、出力を鵜呑みにせず事実確認（ファクトチェック）を行うことが重要である。高解像度化・学習停止・指示無視のいずれとも異なる。問題文では、出力内容がもっともらしく見えることと、事実に基づかないことを一組で捉える。画像処理、学習中の不具合、指示への対応ではなく、生成された内容の事実性に関する現象を選ぶ。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
大量の文章で学習し、質問応答や文章生成に利用する多数のパラメータを持つモデルはどれか。
この事例では「大規模テキストで学習し言語の生成・理解を行うか」を確認すると、「膨大なテキストデータで学習し、文章の生成や理解を行う巨大なパラメータを持つ言語モデル」という説明が正しいと分かる。正解は「膨大なテキストデータで学習し、文章の生成や理解を行う巨大なパラメータを持つ言語モデル」である。大規模言語モデル（LLM: Large Language Model）は、膨大なテキストデータで学習し、非常に多くのパラメータを持つ言語モデルで、文章の生成・理解・翻訳・要約など幅広い言語タスクに対応する。画像専用のモデルや手書きルールベースのモデルとは異なる。見分ける軸は、主な学習対象がテキストであること、文章の生成と理解を扱うこと、巨大なパラメータを持つことの3点である。画像の物体検出、少数の手書きルール、音声の記録装置は、言語モデルの学習方法と機能を説明していない。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
大量の技術文書を学習し、質問への文章回答や要約を行う大規模なモデルはどれか。
この事例では「大量テキストと多数パラメータを持つ言語モデルか」を確認すると、「膨大なテキストデータで学習し、文章の生成や理解を行う巨大なパラメータを持つ言語モデル」という説明が正しいと分かる。正解は「膨大なテキストデータで学習し、文章の生成や理解を行う巨大なパラメータを持つ言語モデル」である。大規模言語モデル（LLM: Large Language Model）は、膨大なテキストデータで学習し、非常に多くのパラメータを持つ言語モデルで、文章の生成・理解・翻訳・要約など幅広い言語タスクに対応する。画像専用のモデルや手書きルールベースのモデルとは異なる。見分ける軸は、主な学習対象がテキストであること、文章の生成と理解を扱うこと、巨大なパラメータを持つことの3点である。画像の物体検出、少数の手書きルール、音声の記録装置は、言語モデルの学習方法と機能を説明していない。
同じ章で確認したい用語
到達チェック
- 大規模言語モデル（LLM）を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、大規模言語モデル（LLM）に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）