LLM（大規模言語モデル）とは？仕組み・種類と生成AIとの違いを解説

LLM（大規模言語モデル）とは、大量のテキストなどから言語のパターンを学習し、入力された文脈に続くトークンを確率的に予測するAIモデルです。「LLMという言葉は聞いたことあるけど、詳しいことはよく分からない」という企業担当者も多いのではないでしょうか。

近年は、回答前に時間をかけて考える推論モデルや、画像・音声も扱うマルチモーダルモデルが登場し、さらにモデルの重みが公開され自社環境で動かせる「オープンウェイトモデル」も実用的な選択肢になりました。LLMはもはや「クラウドの対話サービスで使うもの」だけではありません。

そこで今回は、LLM（大規模言語モデル）の概要や仕組み、種類と主要モデルの比較、生成AI・ChatGPTとの違い、できること、活用時の注意点について解説します。

LLM（大規模言語モデル）とは？

はじめに、LLM（大規模言語モデル）の概要について解説します。

そもそも言語モデルとは？

言語モデルとは、自然言語処理において利用される技術の一つであり、ある文脈のなかで特定のトークンやトークン列が現れる確率を推定するモデルです。ここでいうトークンとは、モデルが文章を処理する単位のことで、単語そのものだけでなく、単語の一部（サブワード）や文字、記号などになる場合もあります。

たとえば、「明日の天気は__」という入力に対しては、「晴れ」や「曇り」、「雨」などの候補にそれぞれ高い確率が割り当てられます。この場合、「資料」や「機械」といった候補の確率は低くなるでしょう。文章を生成するときは、この予測を繰り返して応答を組み立てていきます。

なお、モデルは常に最も確率が高い候補だけを選ぶとは限りません。生成時の設定によっては確率分布から別の候補が選ばれることもあるため、同じ入力でも出力が変わる場合があります。

LLM（大規模言語モデル）の概要

LLM（大規模言語モデル）とは「Large Language Model」の略であり、大量のテキストやコードなどで事前学習された、大規模なニューラル言語モデルを指します。「何パラメーター以上ならLLM」という共通の数値基準はありませんが、一般には学習データ・パラメーター・計算資源が従来の言語モデルより大規模で、複数の用途に対応できるモデルがLLMと呼ばれます。

LLMの性能や実用性には、おもに以下の要素が関係します。

このうち計算量・データ量・パラメーター数の関係については、米国のAI研究機関であるOpenAIが2020年に「Scaling Laws for Neural Language Models」という論文で報告しています。Transformer言語モデルのテスト損失が、パラメーター数・データ量・学習計算量と経験的なべき乗関係を示すという内容です。

ただし、この関係はあらゆる実務タスクの性能が一律に向上することを示したものではありません。実際、その後のChinchillaの研究では、同じ学習計算量であれば、2,800億パラメーターのGopherより、700億パラメーターを約4倍のデータで学習したモデルのほうが多くの評価で高性能だったと報告されています。単純にパラメーター数を増やせばよいわけではないという点は、モデルを選ぶうえで押さえておきたいポイントです。

出典：Scaling Laws for Neural Language Models／Training Compute-Optimal Large Language Models

LLMと生成AI・ChatGPTとの違い

LLM（大規模言語モデル）と混同されやすい用語として、「生成AI」と「ChatGPT」があります。3つの関係を整理すると以下のとおりです。

生成AIは、テキストや画像、音声、動画などのコンテンツを生成するAI技術全般のことです。GPT系のような生成型のLLMは、そのうち文章を生成する生成AIの一種にあたります。

ただし、両者は完全な同義ではありません。画像生成モデルや動画生成モデルは生成AIですが、通常はLLMとは呼ばれません。逆に、LLMのなかにもBERTのように文章の理解・分類を主用途とするモデルがあり、すべてのLLMを「文章生成AI」と説明するのは適切ではありません。

また、「GPTやBERTはモデル」「ChatGPTはモデルを利用するサービス」という区別も重要です。ClaudeやGeminiのように、モデルファミリーの名称とサービス名が同じケースもあるため、製品を比較するときは「基盤モデル」「利用サービス」「API」「料金プラン」を分けて確認しましょう。

さらに、LLMに検索・社内データ・業務システムなどのツールと実行環境を組み合わせ、計画と実行を繰り返せるようにしたものはAIエージェントと呼ばれます。エージェントはLLMの別名ではなく、LLMを中核に構成されたシステムです。

LLM（大規模言語モデル）の仕組み

LLMの処理は、「モデルを作る学習工程」と、学習済みモデルを使って回答を生成する「推論工程」に分けて考えると理解しやすくなります。

なお、事前学習とファインチューニングを交互に繰り返すわけではありません。利用する企業側がファインチューニングを行わず、プロンプトの工夫やRAG（検索拡張生成）だけで運用するケースも一般的です。

そのうえで、LLMがプロンプト（入力）を受けてから文章を生成するまでの流れは以下のとおりです。

1. トークン化：入力をトークンに分割し、トークンIDへ変換する
2. ベクトル化：トークンIDを、意味や位置を表す埋め込みベクトルへ変換する
3. 文脈理解：Transformer層で自己注意（Self-Attention）などの計算を行い、トークン同士の関連性を捉える
4. スコア計算：次に現れる各トークン候補のスコアを計算する
5. トークンの選択：確率分布と生成設定をもとに、次のトークンを選ぶ
6. 繰り返し：選んだトークンを入力列に追加し、終了条件を満たすまで2〜5を繰り返す
7. 出力：生成したトークン列を文章へ戻す

現在のLLMの多くは「Transformer」というニューラルネットワークアーキテクチャを基盤としており、文章中のどの単語同士が強く関係しているかを計算する自己注意の仕組みによって、離れた場所にある単語の関係や文脈を捉えられます。

たとえば「日本の首都は」と入力された場合、学習した言語パターンにもとづいて「東京」に対応するトークンの確率を高く計算するイメージです。ただし、これはモデルがデータベースを検索して答えを取り出しているわけではありません。実際の出力も、トークナイザーや生成設定によって変わります。

また、実際のAIサービスはLLM単体で動いているとは限りません。Web検索や社内データベース、業務APIをツールとして呼び出す構成では、LLMが「どのツールをどの引数で使うか」を出力し、外部のアプリケーションが処理を実行して、その結果をモデルへ戻します。生成AIサービスの仕組みは、検索・RAG・ツール実行・権限管理までを含むシステム全体として捉える必要があります。

出典：Attention Is All You Need

LLM（大規模言語モデル）の種類と主要モデル比較

LLMの種類は、Transformerの構造による分類が基本です。ただし現在は、それだけではモデルを選べません。重みが公開されているか、推論にどれだけ時間をかけるか、どこで動かすかといった軸が実務上は重要になっています。

Transformerの構造による3分類

これはあくまで基本構造を理解するための分類であり、用途を限定するものではありません。現在の生成モデルは、一つのモデルで要約・翻訳・推論・コード生成などを扱います。また、複数の専門ネットワークを使い分けるMoEや、画像・音声を扱うマルチモーダル機構を組み合わせたモデルも一般的です。

なお、商用モデルのなかには内部構造が公開されていないものもあります。公式情報の範囲を超えて「このモデルは○○型」と断定しないほうが安全です。

いまのLLMを見分ける3つの軸

アーキテクチャに加えて、以下の3つの軸で捉えると、自社に合うモデルを絞り込みやすくなります。

重要なのは、この3軸が独立しているという点です。「オープンウェイト＝自社運用」「クローズド＝API」と単純に対応するわけではなく、オープンウェイトモデルを第三者のホスティングAPIで使うこともできます。

代表的なLLMの比較

代表的なLLM（大規模言語モデル）を比較すると以下のとおりです。モデルの優劣を一つの指標だけで決めることは難しいため、用途に応じて推論能力、マルチモーダル対応、コンテキスト長、料金、データ管理などを比較します。

コンテキスト長（一度に扱える情報量）も重要な比較軸です。主要な商用モデルには100万トークン級の入力に対応するものがあり、オープンウェイトモデルにもさらに長いコンテキストを掲げるモデルがあります。ただし、公称の上限まで入力できることと、その全範囲を同じ精度で扱えることは同義ではありません。自社の文書を使って、精度・遅延・費用をあわせて評価しましょう。

なお、モデル名や世代、料金、標準モデルの設定は短期間で更新されます。導入を検討する際は、各社の公式モデル一覧と料金ページで最新の情報を確認してください。

オープンウェイト／ローカルLLMという選択肢

ここ数年で大きく変わったのが、高性能なモデルの重みが公開され、自社のサーバーや手元のPCで動かせるようになった点です。クラウドの対話サービスやAPIだけがLLMの使い方ではなくなりました。

• OpenAIのgpt-ossは、Apache 2.0で重みが公開された推論対応モデル。開発元の説明では、20bは約16GB、120bは約80GBのメモリでの動作が想定されている
• Qwen3は複数サイズがApache 2.0で提供され、日本語を含む119の言語・方言を対応言語に含む。推論モード（Thinking）と通常モードを切り替えられる
• Llama 4はネイティブ・マルチモーダルのオープンウェイトモデルとして公開され、MoEを採用している

オープンウェイトモデルを自社の管理環境に配置すれば、入力データを外部のモデルAPIへ送らない構成を選べます。機密情報を扱う業務やレイテンシーを重視する用途では、有力な選択肢です。

ただし、注意点もあります。第一に、「オープンウェイト」であることだけでデータ保護が保証されるわけではありません。重みが公開されていても、クラウドや第三者の推論サービスで利用すればデータは外部へ送信されます。データの流れを決めるのは重みの公開有無ではなく、どこで動かすかという配置の問題です。

第二に、オープンウェイトはオープンソースとも同義ではありません。重みが公開されていても、学習データや開発工程まで公開されているとは限らないためです。

第三に、自社運用ではGPUなどの計算資源、アクセス制御、ログ管理、モデル更新、セキュリティ対策がすべて自社の責任になります。また、開発元が公表するベンチマークは評価条件が異なるため、「商用の最上位モデルと同等」と一般化せず、自社の日本語データで評価することが重要です。

出典：OpenAI「Introducing gpt-oss」／Qwen「Qwen3」／Meta「The Llama 4 herd」

LLMを使った代表的なサービス

©rokastenys/123RF.COM

LLMを利用したサービスと、その内部で動くモデルは同じものではありません。サービス側が複数のモデルを自動で切り替えたり、検索・社内データ・外部ツールと組み合わせたりする場合があります。

自社サイトのコンテンツがこうしたLLMやAI検索の回答に引用されるかどうかは、今後の集客を左右するポイントです。SEデザインでは、AI時代の検索最適化（LLMO）の診断・伴走支援を提供しています。

LLM（大規模言語モデル）で実現できること

LLM（大規模言語モデル）で実現できることとしては、以下のような事項が挙げられます。

ここで押さえておきたいのは、「LLM単体の能力」と「ツールを組み合わせたシステムの能力」は別物だという点です。たとえば最新情報の検索や出典の提示は、LLMが単独で行っているのではなく、Web検索やRAGといった機能と連携することで実現しています。

たとえばカスタマーサポートでは、問い合わせの分類、回答案の作成、社内FAQの検索、会話の要約などをLLMに任せることで、オペレーターの負担軽減が期待できます。外部システムと連携すれば、照会や手続きの補助といった処理も可能です。

ただし、削減できる工数やコスト、顧客満足度への影響は、問い合わせ内容、正答率、有人転送率、運用設計によって変わります。効果を測定しながら、適用範囲を段階的に広げていくとよいでしょう。

LLM（大規模言語モデル）活用の注意点

LLM（大規模言語モデル）は、情報検索や翻訳、テキストの要約などに役立つ一方で、いくつか注意点も存在します。出力の正確性や公平性、入力データの取り扱いは、モデルだけでなく、利用するサービス、契約プラン、設定、連携先によっても変わります。

企業で利用するときは、以下の点を確認しましょう。

モデルや利用環境によって精度が異なる

LLMの精度は、モデルの規模だけでは決まりません。一般的な会話、論理的な推論、翻訳、長文処理、画像理解など、得意なタスクはモデルごとに異なります。推論に時間をかけるモデル、低遅延・低価格を重視したモデル、オープンウェイトモデルなどもあるため、品質・処理時間・費用・運用場所を含めて選定する必要があります。

また、偏りは学習データだけでなく、プロンプト、検索対象、連携するデータベース、評価方法などからも生じます。採用、人事評価、融資など人の権利や機会に影響する用途では、出力をそのまま判断に使わず、評価基準を定めて人が確認しましょう。

日本語の性能についても、モデルやタスクによって差があります。過去には、GPT-4発表時の評価（機械翻訳したMMLU）で日本語79.9％、英語85.5％と報告され、日本語が英語を下回りました。その後のモデルでは日本語0.8887・英語0.9230といった報告もあり、差は残るものの評価方法やモデルによって結果は変わります。「日本語だから精度が落ちる」と一般化せず、自社の日本語文書や専門用語を使って評価することが重要です。

出典：GPT-4 Technical Report／経済産業省「AI事業者ガイドライン第1.2版」

機密情報や個人情報の取り扱いを確認する

LLMを利用する際に機密情報や個人情報を入力すると、情報漏えいにつながるおそれがあります。ただし、「入力すると必ず学習されて外部に漏れる」わけではありません。入力データが学習に使われるか、どのくらい保存されるかは、サービス、契約プラン、設定、API機能によって異なります。

たとえばOpenAIは、ChatGPTのBusiness／Enterprise／EduとAPIの入出力を、明示的なオプトインがない限りモデルの学習に使用しないとしています。一方で、APIでは不正利用監視のためのログにプロンプトや応答が含まれ、一定期間保持される場合があります。

そのため、確認すべきなのは「学習に使われるか」だけではありません。保存期間、データの所在地、削除方法、管理者権限、外部ツールへの送信範囲まで含めて確認しましょう。個人情報や機密情報は、会社が承認した環境で、業務上必要な範囲に限定し、可能であれば匿名化・マスキングして扱うのが基本です。

オープンウェイトモデルを社内環境で運用すれば、外部事業者への送信を抑えられる場合があります。ただし、アクセス制御、端末・サーバーの保護、ログ管理、モデル更新などは自社の責任になる点に注意が必要です。

出典：OpenAI「ビジネスデータの取り扱い」／個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」

出力結果が正確とは限らない

LLMは、存在しない事実や出典を、もっともらしい文章として生成することがあります。この現象はハルシネーションと呼ばれます。新しいモデルでは改善が進んでいるものの、誤りがなくなったわけではありません。

最新情報についても、モデル内部の知識だけで回答する場合と、Web検索や社内データを参照して回答する場合を区別する必要があります。検索やRAGを利用していても、参照元の信頼性、更新日、引用内容が正しいかは確認しましょう。

また、コンテキストウィンドウが長いモデルであっても、入力した文書のすべてを同じ精度で読み取れるとは限りません。重要な判断、対外公開する情報、数値、引用、法務・医療・財務などの高リスク情報については、一次情報と照合し、担当者または専門家が確認する運用が必要です。

エージェントには操作権限を与えすぎない

Webサイト、メール、クラウドストレージ、CRMなどを操作するAIエージェントでは、誤判断だけでなく、外部コンテンツに埋め込まれた悪意ある指示に影響されるプロンプトインジェクションにも注意が必要です。情報の流出や、意図しない操作が起きる可能性があります。

必要なデータと機能だけにアクセスを限定し、送信、公開、削除、購入、顧客データの更新など影響の大きい操作には人の承認を設けましょう。実行履歴を保存し、問題が起きたときに操作を追跡・停止できるようにしておくことも重要です。

LLM（大規模言語モデル）に関するよくある質問

ChatGPTとLLMの違いは何ですか？

LLM（大規模言語モデル）は、言語を中心とする大量のデータからパターンを学習し、文章の理解や生成などに利用されるAIモデルそのものを指します。それに対しChatGPTは、GPT系モデルなどとWeb検索、ファイル分析、画像生成といった機能を組み合わせて提供されるAIサービスです。「GPTはモデル、ChatGPTはモデルと各種機能をまとめた製品」という関係になります。ChatGPTで利用されるモデルや機能は、契約プランや提供時期によって変わります。

生成AIとLLMの違いは何ですか？

生成AIは、テキスト・画像・音声・動画などのコンテンツを生成するAIモデルやシステムの総称です。LLMは言語を中心に扱う大規模モデルの総称で、GPT系のような生成型のLLMは、文章を生成する生成AIの一種に位置付けられます。ただし、画像生成モデルは生成AIですがLLMとは呼ばれず、BERTのように理解・分類を主用途とする言語モデルもあるため、両者は完全な同義ではありません。

LLMにはどのような種類がありますか？

複数の軸で捉えると整理しやすくなります。アーキテクチャでは、文章理解が得意なエンコーダー型（BERTなど）、文章生成に使われるデコーダー型（GPT系など）、翻訳・要約に使われてきたエンコーダー・デコーダー型（T5など）に分けられます。加えて、テキスト専用かマルチモーダルか、高速応答型か推論重視型か、重みが公開されたオープンウェイトかクローズドか、といった軸があります。

ローカルLLMは業務で使えるレベルになっていますか？

用途によっては現実的な選択肢になっています。たとえばOpenAIのgpt-ossはApache 2.0で重みが公開され、開発元の説明では20bが約16GB、120bが約80GBのメモリでの動作を想定しています。Qwen3も複数サイズが公開され、日本語を含む119の言語・方言に対応しています。

ただし、開発元が公表するベンチマークは評価条件が異なるため、「商用の最上位モデルと同等」と一律には言えません。gpt-ossは学習データが主に英語とされており、日本語業務での適性は個別の評価が必要です。GPUなどの計算資源、運用・保守の体制、セキュリティ対策を含めた総コストで比較しましょう。

オープンウェイトとオープンソースは同じ意味ですか？

同じではありません。オープンウェイトは学習済みの重みが公開され、ダウンロードや改変ができる状態を指します。一方、学習データや開発工程まで含めて公開する「オープンソースAI」とは条件が異なります。また、重みが公開されていても、第三者のホスティングAPIで利用すればデータは外部に送信されるため、オープンウェイトであること自体がデータ保護を意味するわけではありません。

LLM（大規模言語モデル）は「どこで動かすか」まで含めて選ぶ時代へ

LLM（大規模言語モデル）は、大量のテキストなどで事前学習し、文脈に続くトークンを確率的に予測するモデルであり、文章の作成や要約、翻訳、分類、コーディング支援などに利用できます。

代表的なモデル系列には、OpenAIのGPT、AnthropicのClaude、GoogleのGemini、MetaのLlamaなどがあります。これらはChatGPTやClaude、Geminiといった対話サービスで使えるほか、APIで自社システムへ組み込む方法や、Llama・gpt-oss・Qwenなどのオープンウェイトモデルを自社環境で運用する方法もあります。「LLMを使う＝クラウドの対話サービスを使う」とは限らなくなったのが、いまの状況です。

近年のモデルは、画像・音声・動画なども扱うマルチモーダル機能や、回答前に時間をかけて考える推論機能を備えています。Web検索やコード実行などのツールと連携し、複数の工程を進めるエージェントとしての利用も広がっています。

一方で、出力に事実と異なる内容が含まれる可能性がある点や、入力データの取り扱いがサービス・プランによって異なる点には注意が必要です。モデルを選ぶ際は、精度だけでなく、コンテキスト長、応答速度、料金、データの保存・学習利用の条件、そしてどこで動かすかまでを含めて比較しましょう。

SEデザインでは、IT分野を中心に約40年にわたりBtoBマーケティング＆セールス支援を行っています。検索エンジンとAIの双方に評価されるコンテンツ制作（LLMO/SEO記事制作）にも対応していますので、業務の効率化や顧客へのアプローチでお困りの際は、お気軽にSEデザインへご相談ください。