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」で確認しておきたい用語です。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。
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
×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
大規模言語モデルが、事実に基づかないもっともらしい誤った情報を生成してしまう現象を指す語はどれか。
正解は「ハルシネーション」である。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情報を生成してしまう現象はハルシネーション。マルチモーダルは複数種類のデータを扱うこと、プロンプトはモデルへの入力指示、ファインチューニングは追加学習による調整を指し、いずれも誤情報生成の現象名ではない。 選択肢を切るときは、設問の条件を「ハルシネーション」「大規模言語モデル（LLM）」「生成AI（ジェネレーティブAI）」のどれに結び付けるかを先に固定する。「ファインチューニング」、「マルチモーダル」、「プロンプト」は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解の「ハルシネーション」は、問われている定義や状況に最も直接対応する点で選べる。
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
大量かつ多様なデータで事前学習され、その後さまざまな下流タスクへ適応（ファインチューニング等）して幅広く応用できる大規模なモデルの総称はどれか。
正解は「基盤モデル（Foundation Model）」である。大量かつ多様なデータで事前学習し、その後さまざまな下流タスクへ適応して幅広く応用できる大規模モデルの総称が基盤モデル。敵対的生成ネットワーク（GAN）・変分オートエンコーダ（VAE）・畳み込みニューラルネットワーク（CNN）はいずれも特定の構造を持つモデルであり、多様なタスクに広く適応する総称ではない。 選択肢を切るときは、設問の条件を「基盤モデル（Foundation Model）」「事前学習とファインチューニング」「大規模言語モデル（LLM）」のどれに結び付けるかを先に固定する。他の選択肢は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解の「基盤モデル（Foundation Model）」は、問われている定義や状況に最も直接対応する点で選べる。
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（LLM）の説明として、最も適切なものはどれか。
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。 選択肢を切るときは、設問の条件を「大規模言語モデル（LLM）」「生成AI（ジェネレーティブAI）」のどれに結び付けるかを先に固定する。他の選択肢は名称が近い、または同じ分野に見える場合があるが、対象・役割・前提が設問文とずれる。正解選択肢は、問われている定義や状況に最も直接対応する点で選べる。
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