生成AI基礎

大規模言語モデル（LLM）とは

この記事の結論

大規模言語モデル（LLM）とは、大量の文章で学習し、次に来るトークン（文字や語の断片）を1つずつ予測しながら文章を生成するAIモデルです。
いまの主流は、2017年の論文で提案された Transformer という構造を土台にしています。「大規模」は、学習に使う文章の量と、モデル内部のパラメータの数の両方を指します。
自信ありげな誤りを出すことがあります。AIコーディングエージェントで使う場合も、出力はテストやレビューで確かめてから取り込みます（2026-09-26 時点の情報）。

だいきぼげんごモデル／Large Language Model

大量の文章で学習し、次に来るトークンを予測しながら文章を生成するAIモデルのことです。

最終更新: 2026-09-26

大規模言語モデル（LLM）とは（意味と読み方）

大規模言語モデル（LLM）とは、大量の文章で学習し、次に来るトークンを予測しながら文章を生成するAIモデルです。英語の Large Language Model の頭文字をとって「エルエルエム」と読みます。

機械学習用語集（Google for Developers）では、LLM を「Transformer 構造にもとづき、非常に大きなテキストのコーパスで学習したモデル」と説明しています。押さえる点は2つです。1つは、文章の続きを当てるという単純な課題で学習していること。もう1つは、その学習の規模がとても大きいことです。

2020年の論文 Language Models are Few-Shot Learners は、1,750億個のパラメータを持つモデルが、重みを更新する追加学習なしで、指示と数個の例を文章で渡すだけで翻訳や質問応答をこなせると報告しました。1つのモデルに指示を替えて色々な作業をさせる今の使い方は、この性質の上に成り立っています。

LLMが文章を組み立てる仕組み

入力を細かく分ける：入力文はトークナイザーによってトークンに分けられ、番号の列に置き換わります。
次の候補の確率を出す：モデルは入力全体を見て、語彙に含まれるどのトークンが次に来そうかを確率として計算します。どの語に注目するかを決めるのが、Transformer の中心にある注意機構（attention）です。
1つ選んで末尾に足す：確率に従ってトークンを1つ選び、入力の後ろにつなげます。選び方の揺らぎは温度パラメータなどの設定で変わります。
終わるまで繰り返す：終了の記号が出るか、上限の長さに届くまで2と3を繰り返します。学習を終えたモデルをこうして動かす段階を推論と呼びます。

Transformer を提案した Attention Is All You Need（2017年）は、再帰や畳み込みを使わずに注意機構だけで組んだ構造が、並列に計算しやすく、学習にかかる時間も短いと報告しています。この性質が、大量の文章で大きなモデルを学習させる道を開きました。

AI開発でLLMが担う役割

コードの生成と修正：AIコーディングエージェントは、「このテストが落ちる原因を直して」という指示と関係するファイルの中身をLLMに渡し、返ってきた差分をリポジトリに書き込みます。LLMが受け持つのは文章（コード）を返すところまでです。ファイルの書き換えやコマンドの実行は、エージェント側の仕組みが行います。
自分のアプリへの組み込み：会話を messages の配列に入れてAPIに送り、返ってきたテキストを画面に出すのが最小の形です。
要約・分類・抽出：問い合わせ文を「不具合」「要望」に振り分ける、長いログから原因の行を抜き出す、といった処理を、専用のモデルを作らずにプロンプトだけで試せます。
道具の呼び出し：LLMが「この関数をこの引数で呼ぶ」という指示をJSONで返し、プログラムがそれを実行する使い方です。詳しくは関数呼び出しの項目で扱っています。

LLMについてのよくある誤解

誤解：LLMはネットを検索して答えている → 実際：モデル単体は、学習で身につけた重みから文章を組み立てているだけです。新しい情報や社内文書を踏まえさせるには、検索結果を入力に足すRAGのような仕組みが別に要ります。
誤解：言い切っている文章なら正しい → 実際：米国立標準技術研究所の NIST AI 600-1（2024年7月）は、確信をもって述べられた誤りを生成するリスクを「confabulation」と呼び、俗にハルシネーションと呼ばれるものだと説明しています。口調の自信と中身の正しさは別の話です。
誤解：話しかけるたびにモデルが学習していく → 実際：推論の最中にパラメータは書き換わりません。前の発言を覚えているように見えるのは、会話の履歴を毎回まとめて入力に含めて送っているためです。
誤解：パラメータ数が多いほど何にでも強い → 実際：規模は目安の1つです。学習データや調整の仕方でも得意分野は変わります。自分の課題に合うかは、実際の入力で試して判断します。

LLMを使いこなすためのコツ

前提は文章で渡す：LLMはこちらの画面やフォルダを見ていません。言語とバージョン、期待する出力の形式をプロンプトに書きます。
渡せる量には上限がある：一度に読める量はコンテキストウィンドウで決まります。ファイルを丸ごと貼るより、関係する箇所に絞ったほうが答えがぶれにくくなります。
秘密の値は貼らない：APIキーやパスワード、顧客の個人情報を入力にそのまま入れないようにします。
出力は裏を取ってから使う：生成されたコードはテストを通し、事実についての記述は一次資料で確かめます。

LLMの出典・参考資料

Attention Is All You Need（arXiv:1706.03762）：Transformer を提案した2017年の論文
Language Models are Few-Shot Learners（arXiv:2005.14165）：1,750億パラメータのモデルで、追加学習なしの少数例指示を検証した2020年の論文
NIST AI 600-1 生成AIプロファイル（PDF）：confabulation を含む生成AIのリスク整理
機械学習用語集（Google for Developers）：LLM・トークンなどの定義

大規模言語モデル（LLM）のよくある質問

Q1. LLMとは何ですか？
大量の文章で学習し、次に来るトークンを予測しながら文章を生成するAIモデルです。Large Language Model の略で、日本語では大規模言語モデルと呼びます。

Q2. LLMと生成AIは同じものですか？
同じではありません。生成AIは文章・画像・音声などを作り出すAI全体を指す言葉で、LLMはそのうち言葉を扱うモデルです。画像だけを作るモデルは生成AIですが、LLMには入りません。

Q3. LLMはなぜもっともらしい誤りを書くのですか？
事実を照合しているのではなく、文脈の続きとして自然なトークンを選んでいるためです。正しさを確かめる仕組みはモデル自体に備わっていないので、大事な内容は出典や実行結果で確認します。

Q4. LLMは会話の中で学習して賢くなりますか？
その会話の中でモデルが学び直すことはありません。回答を作るときにパラメータは更新されず、前の発言を覚えているように見えるのは履歴を入力に含めて送っているためです。会話データを将来の学習に使うかどうかは、各サービスの規約で別に定められています。

Q5. プログラミング初心者でもLLMを自分のアプリに組み込めますか？
APIに文章を送って返事を受け取るだけなら、短いコードで試せます。そのうえで、APIキーを環境変数で管理すること、利用料の上限を設定することを、動かす前に確認しておきます。