LLM（エルエルエム）とは大規模言語モデルのこと。大量の文章を学んで、次の言葉を予測しながら文章を書くAIの中身を、わかりやすく。生成AIとの違い・仕組み・主なLLMも【2026年10月版】。GPT-3の1,750億パラメータから、Kimi K3の2.8兆まで

2026年10月8日・日本時間時点の情報です。 LLM（エルエルエム、大規模言語モデル）とは、大量の文章を学んで、次に来る言葉を予測しながら文章を書くAIモデルのことだ。ChatGPT、Claude、Gemini、Grokといった対話AIの中身にあたり、生成AIのうち、文章とプログラムを扱う部分を指す。「大規模言語モデル」は Large Language Model の日本語名だ。最初の一文の「大量の文章を学んで、次に来る言葉を予測しながら文章を書くAIモデル」という言い方は、GPT-3とInstructGPTの原論文の説明に沿った本記事のもので、公的な資料の定義文ではない。この記事は、総務省が掲載するAI事業者ガイドライン（第1.2版）、原論文、各社の公式モデルページだけを材料に、意味・仕組み・生成AIとの違い・主なLLM・弱点を整理する。数字は10月2日に取り、10月8日1時すぎに公式ページを開き直して確かめた。

3行まとめ

1. LLM＝大規模言語モデル。 AI事業者ガイドライン（第1.2版）は、LLMを「基盤モデル」の代表例として脚注で挙げ、「生成AI」は「文章、画像、プログラム等を生成できるAIモデルにもとづくAIの総称」と定義し、「大規模言語モデルを始めとする生成AI」とも書く。LLMは生成AIのうち、言語を扱うモデルにあたる。
2. 「大規模」はパラメータ数と学習データの量。 GPT-3の論文は1,750億パラメータ、3,000億トークンで学習と書く。2026年のモデルは今回開いた公式ページの多くにパラメータ数が見当たらず、記載があったのはKimi K3（総2.8兆・有効104B）とGLM-5.3-Flash（総320B・有効18B）。文脈長（一度に読める量）はGPT-3の2,048トークンに対し、多くが100万トークン前後だ。
3. 弱点は3つ。 もっともらしい誤りを出す（ハルシネーション）、学習時点より後のことを知らない（知識のカットオフ）、一度に読める量に上限がある（文脈長）。InstructGPT論文は、要約などの閉じた課題で作り話をする率がGPT-3の41%に対し21%と書く。

LLM（大規模言語モデル）とは何か：わかりやすく言うと

スマホで文字を打つと次の言葉の候補が出る、あの「予測変換」を、はるかに大きな規模にしたものと考えるとつかみやすい（これは筆者のたとえで、公式の説明ではない）。ただし、冒頭の「大量の文章を学んで、次に来る言葉を予測しながら文章を書くAIモデル」も本記事の言い方で、公的な資料に同じ一文があるわけではない。まず公的な資料の言い方を見ておく。

AI事業者ガイドライン（第1.2版）は、総務省と経済産業省が公表している、AIを開発・提供・利用する事業者向けの指針だ。筆者は10月2日11時すぎに、総務省が掲載する本編PDFをダウンロードし、pdftotext で全文を文字にして、「大規模言語モデル」と「LLM」を検索した。どちらかの語が出てくるページは6つあった。このうち定義に関わる箇所と、生成AIの定義は次のとおりだ。

• PDFの10ページ目の脚注16に、「大規模言語モデルに代表される基盤モデルは、様々なサービスを支える個別モデルを生み出すコアの技術基盤である。」とある。
• PDFの11ページ目の用語の定義に、「生成AI」が「文章、画像、プログラム等を生成できるAIモデルにもとづくAIの総称を指す」と書かれている。

本記事が確認した範囲では、このガイドラインの用語の定義の欄に「LLM」という見出し語はなかった。使えるのは、LLMが基盤モデルの代表として扱われていること、生成AIが何の総称かが定義されていること、の2点だ。技術的な説明は原論文に頼ることになる。InstructGPT論文は言語モデルの学習目標を「次のトークンの予測」と説明し、GPT-3論文はGPT-3を「自己回帰（autoregressive）の言語モデル」と呼ぶ。冒頭の一文は、これらを組み合わせた本記事の言い方だ。

「大規模」「言語」「モデル」を分けて言うと、次のようになる。

LLMでできること：文章生成・要約・翻訳・コード

GPT-3の論文は、このモデルを、翻訳、質問応答、穴埋めに加え、単語の並べ替え、文の中で新しい単語を使う、3桁の足し算など「その場の推論」を要する課題で評価したと書く。論文は同時に、GPT-3が書いた報道記事を、人間の評価者が人間の書いた記事と見分けにくかったとも記す。

2026年の公式ページが挙げる用途も同じ線の上にある。Anthropicは2026年9月28日付の発表で、Claude Sonnet 5.5を日常の明確な作業、バグ修正、資料・スライド・表計算の作成に強いモデルと紹介し、OpenAIのGPT-6.1 Solのモデルページは、複雑なコーディング、コンピューター操作、専門的な仕事を挙げる。できることの共通項は、文章を入力し、文章（コードを含む）を出力する作業だ。

画像や音声を作る用途は、LLM単体の話ではない。GPT-6.1 Solの公式ページも、入力はテキストと画像、出力はテキストで、音声と動画は非対応と書く。

LLMはどう動くのか：トークン、次の語の予測、Transformer、事前学習とRLHF

仕組みの骨組みは、4つの用語でつかめる。

トークン。 LLMは文章を、単語や文字より細かい「トークン」という単位に区切って扱う。料金、文脈長、出力の上限はこの単位で数える。くわしくはトークンとはに。

次の語の予測。 InstructGPT論文は、近年の大きな言語モデルが使う学習の目標を「ウェブページ上の次のトークンを予測すること」と書き、同じ論文の最後の節（Broader impacts）では「既定では言語モデルは次の語の予測という目的に向けて学習されるが、それは私たちが望むことの代用にすぎない」（原文：By default, language models optimize the next word prediction objective, which is only a proxy for what we want these models to do.）と述べる。GPT-3は自己回帰（autoregressive）の言語モデルで、前のトークンから次のトークンを順に作る。

Transformer。 2017年の論文 Attention Is All You Need は、再帰や畳み込みを使わず「注意機構のみに基づく、新しくシンプルなネットワーク構造」をTransformerと名づけた。原文の要旨は「We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely.」。GPT-3の論文も、GPT-2と同じ構造を使い、transformerの層の注意のパターンだけを変えたと書いている（2.1節）。仕組みの詳細はTransformerとはに。ニューラルネットワークそのものの基礎はニューラルネットワークとはに。

事前学習とRLHF。 GPT-3の論文は、「大量の文章で事前学習し、続いて個別の課題で微調整する」やり方が主流だったと書き、GPT-3は微調整なし（パラメータを更新しない）で、課題の例を文章で示すだけの「少数例（few-shot）」で動かすと説明する。その後のInstructGPT論文は、人間が書いた望ましい回答でGPT-3を微調整し、さらに人間が出力に付けた順位で強化学習（RLHF：人間のフィードバックによる強化学習）をかける手順を示した。結果は要旨に「（論文が集めたプロンプトでの）人間の評価で、13億パラメータのInstructGPTの出力が、1,750億パラメータのGPT-3の出力より好まれた。パラメータ数は100分の1」とある。

つまりLLMは、事前学習で言語の統計を身につけたあと、人の意図に沿うよう追加の訓練を受けて、チャットで使える形になる。最近の推論用モデルが考える時間を増やす仕組みは推論モデルとはで扱っている。

「大規模」は何が大きいのか：パラメータ数と学習データ

「大規模」の中身は2つある。パラメータ数（モデルの中の学習で決まる数値の数）と、学習データの量だ。

筆者がGPT-3論文の表を引いた結果

筆者は10月2日11時すぎにGPT-3論文のPDFをダウンロードし、pdftotext で文字にして、Table 2.1（モデルの大きさ）とTable 2.2（学習データ）を読んだ。Table 2.1の8モデルは次のとおり。

論文は「すべてのモデルは合計3,000億トークンで学習した」と書き、文脈長は2,048トークン（nctx = 2048）と記す。Table 2.2の学習データは、Common Crawl（フィルター後）が4,100億トークン、WebText2が190億、Books1が120億、Books2が550億、Wikipediaが30億で、数字を足すと4,990億トークンになる。ただし学習で実際に見たのは3,000億トークンで、データごとに見る回数（エポック）が異なる。Common Crawlは0.44回、Wikipediaは3.4回だ。

2026年のモデルは、公式ページにパラメータ数が見当たらないことが多い

では現在のモデルはどうか。今回開いたページに限ると、記載のあるモデルと、見当たらないモデルに分かれた。

• Kimi K3（Moonshot AI）：Hugging Faceのモデルカードに、アーキテクチャはMixture-of-Experts（MoE）、総パラメータ2.8T（2.8兆）、有効パラメータ104B、文脈長1,048,576と書かれている。GPT-3の175Bと比べると、総パラメータは16倍だが、トークンごとに働く有効パラメータ（104B）は175Bより小さい。MoEの考え方はMoEとはに。
• GLM-5.3-Flash（Z.AI）：Z.AIのリリースノートに「総パラメータ320B、有効18B」とある。
• Claude、GPT、Gemini、Grok、DeepSeek：筆者が今回開いた各社のモデルページ（下の一覧の出典）には、パラメータ数の記載は見当たらなかった（本文を parameter で検索しても、該当は設定項目などの語だけだった）。非公開なのか、別の資料にあるのかは確認できていない。

文脈長（一度に読める量）は公式ページで確かめられる。GPT-3は2,048トークン、Gemini 3.8 Flashの入力上限とKimi K3の文脈長は1,048,576トークンで、GPT-3のちょうど512倍（1,048,576÷2,048）だ。Claudeの3モデルとDeepSeek-V4.1-Flashは1M、GPT-6.1 Solは1,050,000で、いずれもGPT-3の約500倍にあたる。文脈長はコンテキストウィンドウとはにまとめた。

生成AIとの違い：LLMは生成AIのうち、言語を扱うもの

LLMと生成AIの関係を一言で言えば、生成AIの中に、LLMが入る。AI事業者ガイドラインも、脚注36で「大規模言語モデルを始めとする生成AI」と書き、LLMを生成AIの一つとして扱っている。

同ガイドラインは、生成AIを「文章、画像、プログラム等を生成できるAIモデルにもとづくAIの総称」とする。画像を作るモデルも、音声を作るモデルも、生成AIの一部だ。LLMは、このうち言語（文章とプログラム）を扱うモデルを指す。ChatGPTやClaudeアプリのような「サービス」は、LLMを中に入れた製品の名前で、モデルそのものの名前ではない。

生成AI全体の整理は生成AIとはに、AIという言葉そのものの意味はAIとは何の略かに、AIへの指示の書き方はプロンプトとはにある。パラメータ数の小さいLLMは小規模言語モデル（SLM）、手元のPCで動かす使い方はローカルLLMの入門に分けて書いた。

2026年10月8日時点の主なLLM

次の表は、筆者が10月2日11時すぎに各社の公式ページを開いて写した数字を、10月8日1時すぎに開き直して確かめたものだ。10月2日から変わった数字はなかった。ただしClaude Haiku 5.5だけは、10月8日1時すぎの取得分に載っておらず（表にはHaiku 4.5を書いていた）、4時25〜30分に取り直して表に入れた。表にあるのは、そこに書かれていた数字だけだ。「記載なし」は、取得したページに書かれていなかった項目を指す。選んだのは当サイトが記事にしたモデルを中心に、公式ページを取得できたもので、すべてのLLMを網羅した一覧ではない。

表の数字について2点補足する。

• 入力料金は100万トークンあたり、Claude Haiku 5.5の$0.10（プロンプトが10万トークン以下の場合）からClaude Fable 5.1の$10まで、100倍（$10÷$0.10）の開きがある。次に安いDeepSeek-V4.1-Flashの$0.15は「キャッシュなし・オフピーク」の価格で、他社と条件は揃っていない。
• Anthropicの比較表では、知識のカットオフはFable 5.1・Opus 5.5・Sonnet 5.5・Haiku 5.5の4モデルがいずれも2026年6月。旧モデルのHaiku 4.5は2025年2月で、世代によって1年以上の差がある（10月8日1時33分に開いた比較表は、Haiku 5.5が載る前の4モデルで、Haiku 4.5が2025年2月だった）。

重みが公開されたモデル（Kimi K3など）とは何かはオープンウェイトとはに。

この表は一部にすぎない。当サイトの後継モデル台帳（model-succession.json）を筆者が10月2日に python3 で数えると30行、10月8日に数え直すと32行あった（増えた2行はNano Banana 2.1とMistral Large 4への切り替わり）。これは旧→現行モデルの対応の行数で、モデルの数ではない。

LLMの弱点：ハルシネーション、知識の期限、文脈長

もっともらしい誤り（ハルシネーション）

InstructGPT論文は、入力に書かれていない情報を出力に含めてしまうことを「hallucination」と呼び、要約や閉じた質問応答の課題で、GPT-3は41%、InstructGPTは21%だったと書く。この数字は2022年の論文の、特定の課題の結果で、2026年のモデルの率ではない。

AI事業者ガイドラインの脚注27は、RAG（検索拡張生成）の活用等により、ハルシネーションの抑制や出力過程・根拠の透明性向上等が期待されている、と書く。「期待されている」という書き方で、抑える効果を保証する文ではない。原因と対策はハルシネーションの原因と対策に。

学習した時点より後のことを知らない（知識のカットオフ）

前節の表のとおり、公式ページは知識のカットオフを月か日付で書いている。GPT-6.1 Solは2026年4月30日、Grok 4.7は2026年5月、Claudeの新しい3モデルは2026年6月だ。この日付より後の出来事は、モデル単体では答えられない。くわしくは知識のカットオフとはに。

一度に読める量に上限がある（文脈長）

文脈長は、入力と出力に数えられるトークンの上限に関わる。GPT-6.1 Solのページは、入力が272Kトークンを超えるリクエストは、全体の入力・キャッシュ料金が2倍、出力が1.5倍になると書く。上限まで読める、ことと、上限まで同じ料金で使える、ことは別だ。

筆者がログインせずに開いた公式画面で見えたこと

筆者は2026年10月8日1時33分に、ログインせず、ヘッドレスのブラウザ（画面を出さずに動くブラウザ）でClaude Platform DocsのClaude Opus 5.5のページを開き、パソコン幅（1280×800）とスマホ幅（390×844）で撮影した。ページの上部には「コンテキスト ウィンドウ 100万 トークン」「最大出力 12.8万 トークン」「入力料金 $4 / MTok」「出力料金 $20 / MTok」と並び、比較表の「知識カットオフ」の欄は、Fable 5.1・Opus 5.5・Sonnet 5.5が「2026年6月」、Haiku 4.5が「2025年2月」だった（この時点の比較表にHaiku 5.5の列は無かった。4時台に取り直すとHaiku 5.5が載っていた）。画面の文字を取り出して「parameter」で探すと、出てきたのは「effort parameter」（思考の深さを決める設定項目）だけで、モデルのパラメータ数の記載は見当たらなかった。

1時34分には、ログインせずにHugging FaceのKimi K3のモデルカードを同じ2つの幅で開いた。表には「Total Parameters 2.8T」「Activated Parameters 104B」とあり、パラメータ数を数字で書いているモデルがある、という違いを画面で確かめられた。撮影は筆者の作業フォルダ（evidence）に保存してある。

この記事が決めきれなかったこと

• LLMの一文の定義の出典。 ガイドラインの用語の定義欄にLLMは無い。冒頭の説明は、ガイドラインの位置づけ（基盤モデルの代表、生成AIの一つ）と、InstructGPT論文の「次のトークンの予測」、GPT-3論文の「自己回帰の言語モデル」を組み合わせた本記事の言い方で、公的な一文の定義ではない。
• 「大規模」の線引き。 パラメータ数がいくつ以上ならLLMか、という基準は、今回当たった資料には書かれていなかった。GPT-3論文は125Mから175Bまで8つの大きさを並べて「GPT-3」シリーズとしている。
• 各社の現時点の仕様。 一覧の数字は2026年10月8日に開き直した時点のもので、モデルの追加や料金改定で変わる。
• OpenAIの英語の発表ページ。 発表記事は自動取得ができなかったため、API ドキュメントのモデルページだけを使っている。

この記事が当たった一次資料

中心は、AI事業者ガイドライン（第1.2版）本編、Transformer・GPT-3・InstructGPTの3本の原論文、各社の公式モデルページで、URLは下の出典欄に載せた。数字は筆者が2026年10月2日に開き、10月8日に開き直した各資料の原文から写した。英語の引用は原文を一字一句抜き、日本語の訳は筆者が意味を変えない範囲で付けた。