大規模言語モデル(LLM)とは?
大規模言語モデル（LLM）とは、膨大な量のテキストで学習し、言語を予測して書くAIモデルで、AIアシスタントの中で回答を書く部分です。 ChatGPT、Claude、Gemini、そして Perplexity の回答を支えるモデルは、どれも大規模言語モデルの上に作られています。回答を書くのはモデルです。エンジンが検索をする場合、検索はモデルが最初に何を読むかを決めるだけです。
大規模言語モデルはどのように動くのですか?
大規模言語モデルは、膨大なテキストでの学習から得たパターンをもとに、次に来るテキストをトークン単位で1つずつ予測して動きます。現在のモデルは、2017年に Vaswani らが Attention Is All You Need で発表した Transformer アーキテクチャの流れをくんでいます。
学習した内容は知識のカットオフ時点で固定されます。モデルが知っているのは学習データが集められた時点のウェブで、それ以降のことは知りません。それより新しい情報が回答に入るのは、アシスタントがウェブを検索し、回答を書いている最中のモデルに結果を渡した場合だけです。
LLM はあなたのブランドについて何を知っていますか?
学習データがあなたについて述べていたことを、混ぜ合わせて圧縮したものです。カテゴリー、よく知られた主張、ほかのページがあなたにどれだけ言及していたか。カットオフ以降に変わったことは知らず、ある事実をどのページから学んだかを示すこともできません。
だからこそ、ブランドが自信満々に間違って説明されることがあり、作業の順番が重要になります。モデルの記憶は新しいモデルが出るまで変わらないので、エンジンが今すぐ調べられるページから直しましょう(記事)。
実例ではどう見えますか?
公開されている Tesla の例(2026年10月4日)では、Claude は「What is Tesla?」と「Is Tesla legit?」に、モデルがすでに知っていることから、情報源を引用せずに答えました。有名ブランドは学習データに十分含まれているので、記憶による回答でも良い内容になりえます。
購買者の質問では、同じエンジンが検索しました。購買者の質問25件で Claude は351件を引用し、そのうち tesla.com は1件だけで、Tesla に言及したのは11件の回答でした。モデルと読んだページが一緒に働き、候補リストの多くはページが決めていました。
同じ LLM が違う回答をするのはなぜですか?
生成にはサンプリングが含まれ、提供時にも独自のばらつきが加わるからです。OpenAI は、Chat Completions はデフォルトで非決定的であり、出力はリクエストごとに異なる可能性があると明記しています(OpenAI API ドキュメント、2026年10月15日閲覧)。
ブランドにとっては、1つの回答は1回の抽選にすぎないということです。モデルがあなたをどう扱っているかを正しく読むには、質問を繰り返し、すべての数値に区間を付ける必要があります。AI 回答のサンプリングをご覧ください。
Proofsource はどの LLM を追跡していますか?
Proofsource は、購買者が使う一般向けのエンジン(それぞれ提供元のモデルの上に構築)に尋ね、エンジンが報告する場合は、どのモデルバージョンが回答したかを記録します。エンジンとモデルと各エンジンのブランドの選び方をご覧ください。
大規模言語モデル（LLM）についてのよくある質問
ChatGPT は LLM ですか?
ChatGPT は OpenAI の大規模言語モデルの上に構築されたアシスタントで、その周りにウェブ検索などのツールを備えています。テキストを書くのは LLM で、先に検索するかどうかを決めるのはアシスタントです。
LLM が自社について知っている内容を更新できますか?
直接はできません。モデルの記憶が変わるのは、新しいモデルが学習されたときです。今すぐ変えられるのは、エンジンが検索時に調べるページで、そのほうがずっと早く回答に届きます。
知識のカットオフとは何ですか?
それ以降の学習データをモデルが持たない日付です。提供元はモデルのページで公開しており、モデルのリリースより数か月前であることがよくあります。
LLM は自社サイトの文章をコピーしますか?
新しい文章を書きます。エンジンが検索した場合は、取得したページに近い内容になり、そのページを引用することもあります。記憶から答える場合は、特定のページではなく学習で得たパターンに基づきます。
関連用語
- 学習データとリアルタイム検索
学習データはモデルが知識のカットオフ以前に学んだもの、リアルタイム検索は回答中にウェブで調べるもので、1 つのAI回答はどちらか一方、または両方に基づくことがあります。
- 検索拡張生成（RAG）
検索拡張生成（RAG）とは、言語モデルがまず関連する文書を検索して取得し、それを参照しながら回答を書く手法です。
- AIのハルシネーション
ハルシネーションとは、AIの回答に含まれる自信ありげな記述のうち、誤っているか根拠のないもので、誤った価格、存在しない機能、書かれたことのない情報源などがあります。
- 回答エンジン
回答エンジンとは、順位付けされたリンクの一覧ではなく、通常は情報源付きの 1 つの文章で質問に答える検索ツールです。
実例：Tesla、公開されているAIの回答、2026年10月4日：Proofsource による Tesla の初回スキャン。購買者の質問25問とブランドの質問5問を、4つのエンジンそれぞれで1問につき1回ずつ質問。1ブランドの小さなサンプルで、ベンチマークではなく例として示しています。
AI があなたを外している場所と、改善すべき点を確認。
どの購買者の質問があなたのブランドに言及しているか、代わりにどのブランドに言及しているか、何を改善すべきかを確認。200件の回答。25 Prompts/質問。主要AIエンジン。2日間。無料。 カード不要。
Google AI OverviewsGoogle AI Mode
