生成AIパスポート 用語解説
GPT-3とは
OpenAIが2020年7月に発表したGPTモデル。少数の例示（Few-Shot）や例示なし（Zero-Shot）だけで、追加学習なしに多様なタスクをこなせることを示した論文の対象モデルとして知られる。
まず押さえる結論
GPT-3は、生成AIパスポートの「第2章 生成AI（ジェネレーティブAI）」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。
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: 2026-06-27。
公式シラバス（PDF）（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
×ハルシネーション・アライメント・ファインチューニングの取り違え。事実と異なるもっともらしい出力＝ハルシネーション、人間の意図に沿わせること＝アライメント、追加学習で調整＝ファインチューニング。
×GANとVAEの混同。GANは生成器と識別器を競わせる方式、VAEはエンコーダ・デコーダと潜在ベクトルを使う方式。
×Transformerの中核を畳み込みや位置エンコーディングと取り違える。中核は自己注意（Self-Attention）。
関連する確認問題
第2章 生成AI（ジェネレーティブAI） / ChatGPT
事前学習済み言語モデルに少数の入出力例をプロンプト内で示し、モデルのパラメータを追加学習せずに新しいタスクへ対応させる方法はどれか。
正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。
第2章 生成AI（ジェネレーティブAI） / ChatGPT
分類例を三つプロンプトへ示し、その規則に従って新しい文を分類させた。この方法の説明はどれか。
この事例では「少数の入出力例を文脈内に提示するか」を確認すると、Few-Shotプロンプティングに絞れる。正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。
第2章 生成AI（ジェネレーティブAI） / ChatGPT
翻訳の見本を二組示した後、新しい一文を同じ形式で翻訳させた。この手法はどれか。
この事例では「例示を少数与えて追加学習なしにタスクを示すか」を確認すると、Few-Shotプロンプティングに絞れる。正解は「Few-Shotプロンプティング」である。Few-Shotでは、実行してほしいタスクの少数の入出力例をプロンプト内に示し、モデルの重みを更新せず、テキストによる指示と例示だけで回答させる。GPT-3原論文でも、勾配更新やファインチューニングを行わず、タスクと少数例をテキストで与える設定が評価された。ファインチューニングはタスク向けデータでモデルのパラメータを追加学習する。転移学習は別タスクで得た知識を新しいタスクへ利用する広い枠組みで、プロンプト内の例示だけを指す名称ではない。ドロップアウトは学習中に一部のノードを無効化して過学習を抑える手法である。
同じ章で確認したい用語
到達チェック
- GPT-3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、GPT-3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）