モデルを理解する · 第1章(全8章)
モデルの種類
チャット、推論、マルチモーダル、埋め込み、リランカー、音声、画像生成、ガード、小型のモデルはそれぞれ別の仕事をし、1つのエージェントが複数を使うこともよくあります。
目標
- 音声エージェントの最初の枠を埋めましょう:発信者の声をテキストに変える枠です。未完了
- 質問に答えるメモを見つける2つの枠を埋めましょう。未完了
- 最後の3つの枠を埋めましょう:返答を書き、確認し、読み上げる枠です。未完了
- 確認問題に合格しましょう。未完了
ステップ1/4: 本文
モデルが違えば、仕事も違う
モデルとは、例からパターンを学んだプログラムです。モデルが学ぶ仕事はそれぞれ違います。どのモデルも、テキスト、音声、画像など、ある種類の入力を受け取り、ある種類の出力を返します。エージェントは複数のモデルをつなげることがよくあり、それぞれが最も得意な仕事をします。
書くモデル
チャットモデルは、インストラクトモデルとも呼ばれ、指示に従って返答を書きます。推論モデルは答える前に問題を一歩ずつ考えるので、難しい問題には強い一方、時間がかかります。最近のモデルの多くは両方ができ、どれだけ考えるかを設定で決められます。マルチモーダルモデルは、画像、音声、動画も読み取ります。
見つけて並べるモデル
埋め込みモデルはテキストを数値のリストに変え、意味が似たテキストには似た数値が付きます。すると検索は数値を比べて、質問と意味の近いメモを、数千件の中からでもすばやく見つけられます。リランカーは、渡された各メモを質問と一緒に読み、最もよいものを先頭に置きます。そのほうが丁寧ですが時間がかかるので、検索が見つけた少数のメモだけを並べ替えます。
聞く、話す、描く、確かめるモデル
音声認識は、人が話したことを書き起こします。音声合成は、テキストを声に出して読み上げます。画像生成モデルは、説明文から画像を作ります。ガードモデルは安全分類器とも呼ばれ、テキストや画像に安全か危険かのラベルを付けるので、エージェントは誰かが見聞きする前によくない返答を止められます。
小型、クローズド、オープン
モデルの大きさはパラメータの数で数えます:パラメータとは学習中に調整された内部の値で、重みとも呼ばれます。小型モデルのパラメータは数十億個以下なので、スマートフォンやノートパソコンでも動きます。クローズドなモデルの重みは公開されておらず、ほとんどのクローズドなモデルはオンラインのサービスを通じて使います。オープンウェイトのモデルは、ダウンロードして自分のコンピュータで動かせます。
ビジュアルでは、図書館の電話窓口のための音声エージェントを、1枠ずつ組み立てます。図書館は架空ですが、登場する例のモデルはすべて実在します(2026-11-03時点)。
ステップ2/4: 試す:音声エージェントを組み立てる
音声エージェントを組み立てる
上から1枠ずつ埋めましょう:枠が何を受け取り、何を返す必要があるかを読んでから、合うモデルカードを選びます。
ビジュアルを読み込んでいます…
モード:シミュレーションシミュレーション:図書館、そのメモ、通話は架空で、このページではモデルは動いていません。例として挙げたモデル、そのサイズ、表示している1つの価格は実在のものです(2026-11-03時点)。
ステップ3/4: 確認問題
確認問題
次:質問2/3
ステップ4/4: これでできること
これでできること
- 10種類のモデルを挙げ、それぞれが何を受け取り、何を返すかを説明する。
- 簡単なエージェントの各ステップに合うモデルの種類を選び、別の種類が合わない理由を説明する。
- 日付つきのスナップショットから、各種類のクローズドな例とオープンな例を1つずつ挙げる。