生成AIパスポート 第2章 生成AI（2027年2月試験の新シラバス）一問一答

正解は「ハイパーパラメータ」である。Temperature（出力の多様性を調整する）やTop-p（候補を累積確率で絞り込む）のように、学習で得られるのではなく利用者が生成前に設定して挙動を調整する値の総称がハイパーパラメータ。パラメータはモデルが学習を通じて内部に獲得・調整する値で、外から設定するものではない。データセットは学習に用いるデータの集まり、プロンプトはAIへの指示文そのもので、いずれも生成の挙動を外から調整する値の総称ではない。 値・指示文・データの集合を区別する。モデルが学習する内部の値はパラメータ、入力する指示はプロンプト、学習材料はデータセットであり、TemperatureやTop-pのように外から設定する値はハイパーパラメータである。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「芸術の批評」である。作品の良し悪しを評価・論評することは、テキスト生成AIが不得意とされることの一つ（芸術の批評）で、ほかに計算や最新の情報も不得意とされる。キャッチコピーの作成・文章の要約・ブレインストーミングはプロンプト実践やビジネス応用で活用できる使い方で、いずれも不得意なことではない。 各選択肢が生成用途か評価行為かを分ける。ブレインストーミングは案の発散、キャッチコピーは短い訴求文の生成、要約は情報圧縮として活用例に挙げられる。主観的な価値判断を含む作品評価は芸術の批評に該当する。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと）

正解は「Gemini」である。GeminiはGoogleが開発した対話型のテキスト生成AIである。ClaudeはAnthropic、CopilotはMicrosoft、ChatGPTはOpenAIがそれぞれ開発したテキスト生成AI・AIアシスタントであり、開発元がGoogleではない。サービス名から開発元を思い出すのではなく、開発元からサービス名を逆引きできるかを確認すると、Googleに対応するのはGeminiだけだと分かる。開発元とサービス名の対応は取り違えやすいため、4社4サービスを1対1で結び付けて整理しておく必要がある。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Anthropic」である。ClaudeはAnthropicが開発した対話型のテキスト生成AIである。GoogleはGemini、MicrosoftはCopilot、OpenAIはChatGPTをそれぞれ開発しており、いずれもClaudeの開発元ではない。開発元とサービス名を1対1で対応させると、Claudeに一致する企業はAnthropicだけであり、他の3社はそれぞれ別のサービスの開発元だと確認できる。企業名からサービス名を、サービス名から企業名を、どちらの向きでも答えられるようにしておくと取り違えにくい。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Microsoftが開発し、同社の製品やサービスと統合して利用できるAIアシスタント」である。CopilotはMicrosoftが開発したAIアシスタントで、同社の製品・サービスと統合して文章作成や要約などに利用できる。Googleの対話型テキスト生成AIはGemini、Anthropicのテキスト生成AIはClaude、OpenAIの動画生成AIはSoraである。この問題は、開発元と生成対象の両方を照合する。Google、Anthropic、OpenAIという開発元だけで判断せず、画像生成専用、音声生成、動画生成という説明もCopilotのAIアシスタントという役割に合うかを確認する。Microsoftの製品・サービスとの統合まで一致する選択肢は1つだけである。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Claude ── Anthropic」である。正しい対応は、Claude=Anthropic、Gemini=Google、Copilot=Microsoft、ChatGPT=OpenAIである。他の選択肢はサービス名と開発元の組み合わせを入れ替えたひっかけになっている。各選択肢のサービス名と開発元を分解し、正しい対応表と1つずつ照合すると、両方が一致する組み合わせはClaude ── Anthropicだけだと確認できる。開発元を入れ替えた誤答は、サービス名だけを覚えていると見落としやすい点に注意する。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Googleが開発した、対話形式で文章の生成などができるテキスト生成AI」である。GeminiはGoogleが開発した対話型のテキスト生成AIで、文章の生成・要約・翻訳などに利用できる。OpenAIのテキストから動画を作るAIはSora、Microsoftが提供するAIアシスタントはCopilot、AnthropicのAIはテキスト生成AIのClaudeである。サービス名を見分けるときは、開発元と主な生成対象を二段階で照合する。OpenAIと動画ならSora、MicrosoftとAIアシスタントならCopilot、Anthropicとテキスト生成ならClaudeであり、Googleと対話型のテキスト生成という組み合わせがGeminiに対応する。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「ChatGPT」である。ChatGPTはOpenAIが開発したテキスト生成AIである。GeminiはGoogle、ClaudeはAnthropic、CopilotはMicrosoftがそれぞれ開発しており、いずれもOpenAIが開発したものではない。なおCopilotの内部ではOpenAIの技術も活用されているが、サービスの開発・提供元はMicrosoftである。技術の一部提供元と、サービスそのものの開発・提供元は分けて判断する必要がある。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「OpenAIが提供する、テキストの指示から動画を作り出す動画生成AI」である。SoraはOpenAIが提供する動画生成AIで、テキストの指示（プロンプト）から動画を作り出す。名前から用途を判断せず、「何を生成するAIか」で分類することが重要である。AnthropicのテキストAIはClaude、Googleの動画生成AIとしてはVeo3が挙げられる。サービス名だけで選ばず、提供者、入力、生成物の三点を照合する。SoraについてOpenAI、テキスト指示、動画生成がすべてそろうのは正解選択肢だけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「Claude ── 動画生成AI」である。ClaudeはAnthropicが開発した対話型のテキスト生成AIであり、動画生成AIではないため誤り。Sora（OpenAI）とVeo3（Google）はいずれも動画生成AI、Gemini（Google）はテキスト生成AIで、これらの組み合わせは正しい。 否定形を確認し、各サービスの分類を一件ずつ照合する。SoraとVeo3は動画生成、GeminiとClaudeは対話型のテキスト生成に分類される。したがってClaudeを動画生成AIとする組合せだけが誤りである。 誤っている組を探す否定形なので、動画系2サービスと対話型テキスト系2サービスの対応表を作ってから左右を照合する。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「系列内の各要素が互いにどれだけ関連するかを計算する自己注意（Self-Attention）」である。Transformerモデルは、再帰や畳み込みを用いず、系列内の各要素が互いにどれだけ関連するかを計算する自己注意（Self-Attention）を中核とする。これにより長い系列でも並列に効率よく処理でき、大規模言語モデルの基盤となった。畳み込みはCNN、再帰はRNNの仕組みであり、Transformerの中核ではない。選択肢では、系列内の要素同士の関連を計算する処理か、画像を格子状に扱う処理か、順番に再帰処理する構造か、多数の決定木を組み合わせる方法かを分ける。Transformerと対応するのは自己注意だけである。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「ファインチューニング＝追加学習による調整、アライメント＝人間の意図に沿わせること、ハルシネーション＝事実と異なるもっともらしい出力」である。ファインチューニングは追加のデータでモデルを調整する追加学習、アライメントはモデルの出力を人間の意図や価値観に沿わせること、ハルシネーションは事実と異なるもっともらしい出力を生成してしまう現象である。これらは取り違えやすいので区別して覚える。他の選択肢は対応が入れ替わっており誤り。 3つの用語は、モデルに対して行う処理（ファインチューニング、アライメント）と、出力に起きる現象（ハルシネーション）に分けて考える。ファインチューニングは追加データによる重み調整、アライメントは人間の意図・価値観への整合、ハルシネーションは事実と異なる内容をもっともらしく生成する現象である。選択肢では、この3つの用語と説明の組み合わせがすべて合っているかを確認する。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「RLHF（人間のフィードバックによる強化学習）」である。RLHF（Reinforcement Learning from Human Feedback）は、人間による評価・フィードバックを報酬として強化学習を行い、モデルの応答を人間の意図に沿った有用で安全なものに近づける手法で、対話型AIのアライメントに用いられた。クラスタリング・次元削減は教師なし学習の手法、ワンホットエンコーディングは前処理の手法であり、いずれも人間の評価を報酬として学習に反映する手法ではない。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「GANは生成器と識別器を競わせて学習し、VAEはエンコーダとデコーダと潜在ベクトルを用いて学習する」である。GAN（敵対的生成ネットワーク）は、本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競い合わせて学習する。一方、VAE（変分自己符号化器）は、エンコーダで入力を潜在ベクトルに圧縮し、デコーダで復元する構造を用いて学習する。両者の構成要素を入れ替えた説明や、識別専用・学習なしとする説明は誤り。GAN側の「生成器と識別器」、VAE側の「エンコーダ・潜在ベクトル・デコーダ」を一組ずつ固定すると、入れ替えた選択肢を除ける。どちらも生成モデルであり、学習を行う点も同時に確認する。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「どちらも次の単語の選ばれ方に影響し、出力の多様性（ランダム性）を調整するために利用者が設定する値である」である。TemperatureとTop-pは、いずれも生成AIが次の単語を選ぶ際の選ばれ方に影響し、出力の多様性（ランダム性）を調整するために利用者が外から設定するハイパーパラメータである。モデルが学習で獲得する重みではなく、画像解像度やデータ件数を表す値でもない。共通点を問う問題では、それぞれの細かな違いより、誰がいつ設定し何に作用する値かを見る。利用者が生成時に設定し、次の単語の選択と出力の多様性に作用するという説明を選ぶ。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「正確な計算や最新の情報は不得意な場合があるため、計算ツールや信頼できる最新資料で確認する必要がある」である。テキスト生成AIは文章生成や要約などに活用できる一方、正確な計算や最新の情報、芸術の批評は不得意とされる。したがって、金額の厳密な集計は計算ツールで確認し、最近の出来事は信頼できる最新資料で裏取りする必要がある。文章生成が得意であることは、数値計算や未学習情報の正確性を保証しない。 言語生成の流暢さは算術結果や最新性を保証しない。1円単位の集計は計算ツールで再計算し、昨日のニュースは公開元など最新資料で確認する。翻訳や要約の可否とは別の制約で、モデルの学習時点や外部接続の有無も考慮する。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「学習したデータのパターンをもとに、テキスト・画像・音声・動画など新しいコンテンツを生成するAI」である。生成AI（ジェネレーティブAI）は、学習したデータのパターンをもとに、テキスト・画像・音声・動画などの新しいコンテンツを生成するAIを指す。既存データの分類・識別に特化するという説明は識別系AIの説明であり、生成AIの定義とは異なる。ルールベースのみで動作するという説明や、物理的な装置全般を指すという説明も、生成AIの定義と一致しない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「OpenAI」である。ChatGPTはOpenAIが開発したテキスト生成AIである。Googleは対話型テキスト生成AI「Gemini」の開発元、AnthropicはClaudeの開発元、MicrosoftはAIアシスタント「Copilot」の開発元であり、いずれもChatGPTの開発元ではない。ChatGPTは2022年11月に公開され、対話形式で自然な文章のやり取りができる点が広く注目を集め、公開からわずか数か月で世界的に利用者数が急増した。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT／その他の主要生成AI）

正解は「自己回帰モデル」である。自己回帰モデルは、音声・音楽・文章など時間や順序に沿って並ぶデータを生成する際に、それまでに生成した要素を踏まえて次の要素を順番に予測・生成していく方式のモデルである。正規化はデータの尺度をそろえる前処理手法、データ拡張技術は既存データを加工して学習データを水増しする手法、リマスタリングは既存の音源・映像などの品質を再調整する手法であり、いずれも「順番に次の要素を予測・生成する方式」そのものを指す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス／第2章 生成AIの誕生まで）

正解は「Attention Mechanism（注意機構）」です。Attention Mechanismは、Transformerモデルで単語間の関連度に応じて重みづけし、文脈を捉える仕組みです。設問では「単語間の関連度」「重みづけ」「文脈」が手掛かりになります。正則化とドロップアウトは、ニューラルネットワークの過学習を抑える手法です。データ拡張技術は、既存データを加工して学習データを増やす手法です。いずれも、単語間の関連度をもとに文脈を捉える仕組みそのものではありません。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「GPT-2 → GPT-3.5 → GPT-4」である。GPTモデルはGPT-2（2019年）、GPT-3.5（2022年11月）、GPT-4（2023年3月）の順に公開された。他の選択肢はこの公開順と一致しない。GPTモデルは世代を追うごとに対応できるタスクの幅や性能が向上しており、公開時期の把握は各モデルの特徴を理解するうえでの基準になる。公開年を軸に整理すると、各モデルの性能差や対応範囲の変化を追いやすくなり、出題でも頻出の知識である。

OpenAI公式「Better language models and their implications」（https://openai.com/index/better-language-models/）、「Introducing ChatGPT」（https://openai.com/index/chatgpt/）、「GPT-4」（https://openai.com/index/gpt-4-research/）

正解は「即座に回答するのではなく、回答前に時間をかけて考える（推論する）ことで複雑な課題への対応力を高めている」である。GPT-o1は、2024年9月にプレビュー版が公開されたOpenAIの「推論モデル」シリーズの最初のモデルであり、即座に回答するのではなく回答前に時間をかけて考える（推論する）ことで、複雑な科学・プログラミング等の課題への対応力を高めた点が特徴である。画像・音声を一切扱えないとする説明、事前学習を行わないとする説明、OpenAI以外が開発したとする説明は、いずれもGPT-o1の特徴と一致しない。

https://openai.com/index/introducing-openai-o1-preview/

正解は「データにランダムな乱れを加えて情報を崩し、それを取り除く過程をモデルに学習させるための材料として使われる」である。VAE等の生成モデルにおけるノイズは、データに段階的なランダムな乱れを加えて情報を崩し、その逆の過程（ノイズを取り除く過程）をモデルに学習させるための材料として使われる。品質チェックの基準値、データセットのフィルタ、出力結果の注釈という説明は、いずれもこの文脈での「ノイズ」の役割と一致しない。この仕組みは拡散モデルと呼ばれる画像生成手法の中核をなす考え方である。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで・VAE/ノイズ）

正解は「GPT-4.1」である。GPT-4.1は2025年4月14日に公開されたモデルで、最大100万トークンという大きなコンテキストウィンドウを扱える点が特徴であり、主にAPI利用者向けの性能強化に主眼が置かれた。GPT-2・GPT-3.5はGPT-4.1より前に公開されたモデル、GPT-o1は回答前に時間をかけて考える推論モデルシリーズであり、いずれも大きなコンテキストウィンドウとAPI向け性能強化を特徴とするモデルではない。長い文書やコードベース全体を一度に処理したい用途に適している。

https://openai.com/index/gpt-4-1/

正解は「GPT-5」である。GPT-5は2025年8月7日に公開されたモデルで、質問の複雑さに応じて高速な応答と深い推論のどちらを使うかを自動的に判断する「ルーター」を備えた統合システムである点が特徴である。GPT-4・GPT-3.5はGPT-5より前に公開されたモデル、GPT-o1は常に回答前に時間をかけて考える推論専用のモデルシリーズであり、いずれも高速応答と深い推論を自動的に切り替えるルーターを備えた統合システムではない。用途に応じた処理速度と推論精度の両立を狙った設計である。

https://openai.com/index/introducing-gpt-5/ ／ https://en.wikipedia.org/wiki/GPT-5

正解は「長い文章を要約することは、テキスト生成AIが不得意とすることの一つである」（誤り）である。長い文章の要約はテキスト生成AIが比較的得意とする作業の一つであり、不得意とすることには該当しない。桁数の多い数値の正確な計算・最新の情報・芸術作品の批評は、いずれもテキスト生成AIが不得意とすることとして挙げられる。テキスト生成AIは学習済みのデータをもとに文章を生成する仕組み上、リアルタイム性や厳密な数値計算、主観的な価値判断が絡む領域を苦手とする傾向がある。

https://guga.or.jp/assets/syllabus.pdf （第5章 テキスト生成AIの不得意なこと）

正解は「GPT-o3は複雑な段階的論理推論により多くの検討時間をかけて取り組む推論モデルであり、GPT-o4-miniは高速かつ低コストな推論に最適化された小型モデルである」である。GPT-o3とGPT-o4-miniはいずれも2025年4月16日に公開された推論モデルであり、GPT-o3は複雑な段階的な論理的推論を要する課題により多くの検討時間をかけて取り組むことに主眼が置かれ、GPT-o4-miniは高速かつ低コストな推論に最適化された小型モデルという位置づけである。画像生成/テキスト生成への特化とする説明、開発元が異なるとする説明、2019年公開とする説明は、いずれも実際の位置づけと一致しない。

https://openai.com/index/introducing-o3-and-o4-mini/

正解は「CNN（畳み込みニューラルネットワーク）とは、文章や時系列のような順序のある系列データを、隠れ層（リカレント層）で前の情報を保持しながら順に処理していくニューラルネットワークである」（誤り）である。CNNは画像認識などで広く使われ、フィルタを用いた畳み込みによって画像の局所的な特徴を抽出することを中核とするニューラルネットワークであり、設問の説明は系列データを扱うRNNの定義をCNNに誤って当てはめている。GAN・RNN・LSTMの説明はいずれも正しい。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「n-gramモデルとは、大量のテキストデータで学習し、人間が書いたような自然な文章を生成できる大規模な言語モデルである」（誤り）である。n-gramモデルは、ニューラルネットワークを使わず、直前に現れた数語の並びをもとに次に来る単語の出現確率を統計的に求める初期の言語モデルであり、設問の説明はLLM（大規模言語モデル）の定義をn-gramモデルに誤って当てはめている。LLM・プレトレーニング・ニューラル言語モデルの説明はいずれも正しい。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「音楽生成AIとは、入力した文章を読み上げたり、人の声を合成して話し言葉の音声を作り出す生成AIである」（誤り）である。音楽生成AIはメロディーや伴奏など楽曲を自動で作り出す生成AIの種類であり、設問の説明は音声生成AIの定義を音楽生成AIに誤って当てはめている。画像生成AI・音声生成AI・テキスト生成AIの説明はいずれも正しい。音楽生成AIと音声生成AIは、いずれも音を扱う生成AIだが、楽曲を作るか話し言葉を作るかという点で用途が異なる。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「Code Interpreterとは、自然言語での指示からプログラムのコードを生成・記述することを主な用途とするものである」（誤り）である。Code Interpreterは、ChatGPT上でアップロードしたファイルのデータを解析したり、プログラムを実行してグラフを作成したりできる機能であり、設問の説明はCodexの定義をCode Interpreterに誤って当てはめている。GPTs・Codex・Operatorの説明はいずれも正しい。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Top-pとは、生成AIから望ましい出力を得るために、指示（プロンプト）の与え方を工夫・設計する取り組みである」（誤り）である。Top-pは、生成AIが次の単語を選ぶ際に出現確率の高い候補を上位から累積し、累積確率が一定の割合に達するまでの候補の中から選ばせるハイパーパラメータであり、設問の説明はプロンプトエンジニアリングの定義をTop-pに誤って当てはめている。Temperature・プロンプトエンジニアリング・ハイパーパラメータの説明はいずれも正しい。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「Veo3」である。Veo3はGoogleが開発した、テキストの指示から動画を作り出す動画生成AIである。Soraは同種の動画生成AIだがOpenAIが開発したものであり、GPTsはChatGPT上でカスタムAIを作成する機能、CodexはOpenAIが提供するコード生成ツールであり、いずれもGoogleが開発した動画生成AIではない。動画生成AIは近年各社が開発競争を進めている分野であり、開発元の違いを把握しておくことが重要である。

Google DeepMind公式「Veo」（https://deepmind.google/models/veo/）およびGoogle Developers Blog「Build with Veo 3, now available in the Gemini API」（https://developers.googleblog.com/veo-3-now-available-gemini-api/、2025-07-17付）

正解は「NSP（Next Sentence Prediction）とは、BERTモデルのパラメータ数を削減し、軽量化・効率化を図った派生モデルである」（誤り）である。NSPは、与えられた2つの文が文章内で連続しているかどうかを判定させる事前学習タスクであり、設問の説明はALBERTの定義をNSPに誤って当てはめている。MLM・RoBERTa・ALBERTの説明はいずれも正しい。BERTはTransformerの一部（エンコーダ）を用いた双方向の文脈理解に強みを持つモデルとして知られる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「位置エンコーディングとは、文中の各単語が他のどの単語と強く関連しているかに応じて重みづけを行い、文脈を捉える仕組みである」（誤り）です。位置エンコーディングは、Transformerモデルに単語の並び順（位置）を伝える仕組みです。設問は、Attention Mechanismの定義を位置エンコーディングに誤って当てはめています。ほかの3つの説明（アーキテクチャ、Attention Mechanism、ニューラルネットワーク）は、いずれも正しい内容です。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「パラメータとは、AIモデルの学習（訓練）に用いるために集められた、データの集まりである」（誤り）である。パラメータは、GPTモデルの世代が進むにつれて一般に増加してきた、モデルの規模を表す指標でモデル内部で調整される値であり、設問の説明はデータセットの定義をパラメータに誤って当てはめている。自然言語処理・データセット・ハルシネーションの説明はいずれも正しい。パラメータ数はモデルの表現力に関わる指標として、GPTモデルの世代比較でもしばしば言及される。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「LMは言語モデル全般を指す語であり、LLMはその中でも大規模なデータで学習した言語モデルを指す」である。LM（Language Model、言語モデル）は、n-gramモデルからニューラル言語モデルまでを含む言語モデル全般を指す語であり、LLM（Large Language Model、大規模言語モデル）はその中でも大量のデータで学習した大規模なモデルを指す。両者は上位概念と下位概念の関係にある。ほかの3つの選択肢（LLMをLMより後に登場した小規模なモデルとする説明、両者を無関係とする説明、LLMの方が広い概念とする説明）は、いずれもこの関係と一致しない。

https://guga.or.jp/assets/syllabus.pdf （第5章 LMとLLM）

正解は「プロンプトエンジニアリングとは、生成AIの出力や振る舞いを、人間の意図や価値観に沿うように調整しようとする取り組みである」（誤り）である。プロンプトエンジニアリングは、生成AIから望ましい出力を得るために指示（プロンプト）の与え方を工夫・設計する取り組みであり、設問の説明はアライメントの定義をプロンプトエンジニアリングに誤って当てはめている。転移学習・ファインチューニング・アライメントの説明はいずれも正しい。プロンプトエンジニアリングは、モデル自体を再学習させずに出力を改善できる手軽な手法として広く使われている。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT／第5章 LMとLLM）

正解は「事前学習済みの単一モデルを様々な自然言語処理タスクにファインチューニングして応用できることを示した研究成果として位置づけられる」である。GPT-1は2018年6月にOpenAIが発表した最初のGPTモデルであり、消費者向け製品としてではなく、事前学習済みの単一モデルを様々な自然言語処理タスクにファインチューニングして応用できることを示した研究成果として位置づけられる。統合システムはGPT-5、大きなコンテキストウィンドウはGPT-4.1、推論モデルシリーズの最初のモデルはGPT-o1の特徴であり、いずれもGPT-1の説明ではない。

https://openai.com/index/language-unsupervised/