LLM（大規模言語モデル）Large Language Model — 読み：えるえるえむ
LLM は、大量のテキストで学習した大規模な言語モデルです。要約・翻訳・文章作成・対話・コード生成まで、1 つのモデルで幅広いタスクをこなします。このページでは定義・仕組み・出典・プロンプト例・FAQ をまとめて解説します。
導入Introduction
LLM は、大量のテキストで学習した大規模な言語モデルです。要約・翻訳・文章作成・対話・コード生成まで、1 つのモデルで幅広いタスクをこなします。このページでは定義・仕組み・出典・プロンプト例・FAQ をまとめて解説します。
用語の定義Definition
LLM（Large Language Model：大規模言語モデル）は、インターネット上の膨大な文章を学習し、人間のように自然な文章の生成や要約、翻訳、質問応答ができるAIモデルです。ChatGPTやClaude、Gemini の中身はこのLLMです。
- 大量のテキストで事前学習した Transformer ベースのモデル
- 「次のトークン」を予測する形で文章を生成する
- プロンプト次第で汎用タスクをこなすが、事実確認は別途必要
出典：my-best.ai 用語辞典「LLM（大規模言語モデル）」（https://my-best.ai/ai-dictionary/llm/）
仕組み・原理How it works
① トークン化と埋め込み
入力した文章はまず単語より細かい「トークン」に分割され、それぞれが数値ベクトル（埋め込み）に変換されます。モデルは文字ではなくこのベクトル列を扱います。
② 自己注意（Self-Attention）で文脈を読む
Transformer の中核である自己注意機構が、文中のどのトークンがどのトークンと関係するかを重み付けして計算します。これにより、離れた位置にある語同士の関係や指示語の参照先を同時に扱えます。
③ 次トークン予測で生成する
モデルは「ここまでのトークン列の次に来る確率が最も高いトークン」を繰り返し選び、文章を伸ばしていきます。つまり LLM は検索ではなく、学習した確率分布に沿って文章を組み立てている点が重要です。
原始出處Origin
LLM を単独で提唱した人物・論文があるわけではなく、2017 年の Transformer 論文を土台に、2018 年の GPT-1・BERT、2020 年の GPT-3 を経て「大規模言語モデル」という呼称が定着しました。特に GPT-3 は、学習し直さなくてもプロンプトだけで多様なタスクを解けることを示し、現在の活用の起点になっています。
応用シーンUse cases
チャット・アシスタント
問い合わせ対応、壁打ち、下書き作成
要約・翻訳
議事録・長文レポートの要約、多言語展開
コード生成と補完
実装案の提示、既存コードの説明
社内文書検索（RAG）
自社資料を検索させて回答させる構成
メリット・デメリットPros & Cons
メリット
- 1 つのモデルで要約・翻訳・分類・生成など多様なタスクに対応できる
- 自然言語で指示できるため、専門のプログラミング知識が無くても使える
- API 経由で自社サービスに組み込みやすく、試作から本番まで速度が出る
- プロンプトや参照資料の調整だけで精度を改善できる場面が多い
デメリット・注意点
- 学習時点の知識に依存し、最新情報や社内情報は持っていない
- もっともらしい誤り（ハルシネーション）を出力することがある
- 入力できるトークン数に上限があり、長文は分割や要約が必要
- 出力が毎回同じにならず、業務利用では検証と統制の設計が要る
よくある誤解Misconceptions
関連用語Related terms
- トークン
- コンテキストウィンドウ
- プロンプト
- プロンプトエンジニアリング
- ファインチューニング
- ハルシネーション（AI 幻覚）
- RAG（検索拡張生成）
- エンベディング（埋め込み）
- チュートリアル：はじめての LLM 活用：1 通のメールから始める →
- ガイド：AI ツールの始め方： 初心者のための完全ガイド →
用語同士は相互リンクされています。未掲載の用語は用語一覧の該当項目へリンクします。
プロンプト集Prompt collection
実務でそのまま使えるプロンプト例です。コピーして〔 〕内を置き換えてください。同じカードはプロンプト集にも掲載されています。
長文を構造化して要約する
会議メモや調査資料を、指定フォーマットで圧縮する
あなたは編集者です。以下の文章を日本語で要約してください。 条件： ・結論を 1 文で先に書く ・要点を箇条書きで 5 つ（各 40 字以内） ・不明点は「要確認」として列挙する ・本文に無い情報は追加しない --- 文章 --- （ここに要約したいテキストを貼り付け）
言葉の違いを比較する
似た 2 つの概念の差を表形式で整理する
「A」と「B」の違いを、日本語で表にまとめてください。 列：観点／A／B／実務での使い分け 行：目的、仕組み、必要なデータ、コスト、向く場面 最後に、どちらを選ぶべきかの判断基準を 3 行で述べてください。
新入社員向けに言い換える
専門用語をかみ砕いた説明に変換する
以下の内容を、AI に詳しくない新入社員向けに説明し直してください。 条件：専門用語は初出時に必ず短い言い換えを添える／たとえ話を 1 つ入れる／全体 300 字以内／最後に「今日やること」を 1 つ示す。 （ここに元の説明文）
出力フォーマットを固定する
毎回同じ形式で受け取り、後工程を自動化する
あなたはデータ整形の担当です。以下のテキストから情報を抽出し、必ず次の JSON だけを出力してください。説明文は書かないこと。
{"title":"", "summary":"", "points":["",""], "risk":"", "next_action":""}
--- テキスト ---
（ここに抽出対象を貼り付け）指示のあいまいさを先に潰す
実装前に前提を確認させる
私の依頼：「（やりたいことを 1 文で書く）」 この依頼を実行する前に、曖昧な点を最大 5 つ質問してください。各質問には、あなたの推奨する既定値も添えてください。私が回答してから作業を開始してください。
出力を自己レビューさせる
初稿の弱点を洗い出してから仕上げる
以下の文章を、次の 3 観点で採点してください（各 5 点満点、理由も記載）。 1. 事実関係の確からしさ 2. 読み手にとっての分かりやすさ 3. 指示との一致度 そのうえで、最も点が低い観点を改善した改訂版を出力してください。 （ここに文章）
FAQ（よくある質問）FAQ
LLM と ChatGPT は何が違いますか？
無料で使える LLM はありますか？
日本語は英語より苦手ですか？
社内データを学習させられますか？
出典・参考文献References
- Vaswani et al. (2017) Attention Is All You Need — arXiv:1706.03762
- Brown et al. (2020) Language Models are Few-Shot Learners — arXiv:2005.14165
- Devlin et al. (2018) BERT — arXiv:1810.04805
- my-best.ai 用語辞典「LLM（大規模言語モデル）」
定義・出典の記述は一次資料に基づきます。リンク先の内容は公開時点のものです。
まとめSummary
LLM は「次のトークンを予測する」仕組みで文章を作るモデルであり、検索でも推論でもありません。この性質を前提に、プロンプト設計・参照資料（RAG）・出力検証を組み合わせて運用するのが実務の基本です。
- 確率生成であることを前提に、出典確認の工程を必ず入れる
- 長文は分割し、コンテキストウィンドウの上限を意識する
- 特定業務に寄せたいときは RAG → ファインチューニングの順で検討する