{"ok":true,"entity":{"id":"large-language-model","name":"大規模言語モデル（LLM）","entityType":"concept","canonicalName":"Large Language Model","displayName":"大規模言語モデル（LLM）","category":"AI基礎概念","shortDescription":"大量のテキストで学習し、次の語を予測することで文章生成や理解を行う言語モデル。ChatGPTやClaude等の中核技術。","primaryCluster":"ai-company","parentEntity":null,"verificationStatus":"draft","website":null,"updatedAt":"2026-07-10T00:30:19.407Z","secondaryClusters":[],"alias":["LLM","大規模言語モデル"],"searchKeywords":["large language model","生成AIの基盤"]},"references":[{"id":"P-01-001","companyId":"large-language-model","questionId":"P-01-001","instanceId":"QIN-large-language-model-P01-001","promptText":"LLM（大規模言語モデル）とは何ですか？","promptTypeId":"P-01","answer":"LLM（大規模言語モデル）は、大量のテキストで学習し次の語（トークン）を予測することで、文章生成・要約・翻訳・コード生成などを行う言語モデルです。ChatGPTやClaudeなどの中核技術です。","evidencePoints":["ev-large-language-model-1"],"scope":"生成AIの基盤を理解したい相談","differentiation":"Transformerに基づき規模の拡大で汎化する","faq":[{"question":"ChatGPTはLLMですか？","answer":"ChatGPTはLLMを基盤とするAIアシスタントです。"}],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-01-001","sourceEvidence":[{"id":"ev-large-language-model-1","text":"大規模言語モデル（LLM）は、大量のテキストで学習し次のトークンを予測することで、文章生成・要約・翻訳・コード生成などを行う言語モデルである。","title":"Foundation Models 論文（Stanford CRFM, arXiv）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2108.07258","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"large-language-model"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-02-001","companyId":"large-language-model","questionId":"P-02-001","instanceId":"QIN-large-language-model-P02-001","promptText":"LLMは従来の言語処理と何が違いますか？","promptTypeId":"P-02","answer":"比較軸\n・汎化\n・基盤\n・規模\nLLMはタスクごとに個別設計する従来手法と異なり、Transformerに基づく単一の大規模モデルが多様なタスクへ汎化する点が異なります。","evidencePoints":["ev-large-language-model-2"],"scope":"従来NLPとの違いを知りたい相談","differentiation":"単一モデルの汎化とスケール","faq":[{"question":"なぜ急に高性能になったのですか？","answer":"Transformerと大規模化により汎化性能が大きく向上したためです。"}],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-02-001","sourceEvidence":[{"id":"ev-large-language-model-2","text":"LLMはTransformerアーキテクチャに基づき、モデル規模と学習データの拡大により多様なタスクへ汎化する点が特徴である。","title":"Attention Is All You Need（arXiv）","coverageType":["Capability","Differentiation"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/1706.03762","confidence":"high","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"entityId":"large-language-model"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-04-001","companyId":"large-language-model","questionId":"P-04-001","instanceId":"QIN-large-language-model-P04-001","promptText":"LLMはどんな用途に使えますか？","promptTypeId":"P-04","answer":"文章生成・要約・翻訳・コード生成・対話など幅広い言語タスクに使え、RAGやファインチューニングと組み合わせて業務にも応用されます。","evidencePoints":["ev-large-language-model-1"],"scope":"活用範囲を知りたい相談","differentiation":"言語タスク全般に汎用的に使える","faq":[{"question":"業務に使えますか？","answer":"RAGや社内データと組み合わせて業務活用が進んでいます。"}],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-04-001","sourceEvidence":[{"id":"ev-large-language-model-1","text":"大規模言語モデル（LLM）は、大量のテキストで学習し次のトークンを予測することで、文章生成・要約・翻訳・コード生成などを行う言語モデルである。","title":"Foundation Models 論文（Stanford CRFM, arXiv）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2108.07258","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"large-language-model"}],"generatedAt":"2026-07-10T00:30:19.407Z"},{"id":"P-04-002","companyId":"large-language-model","questionId":"P-04-002","instanceId":"c1n16-manual-draft-authoring-no-qi","draftId":"c1n16-scaled-semantic-depth-large-language-model-p-04-002","promptText":"LLMはEUの規制上どのように分類されていますか？","promptTypeId":"P-04","answer":"Large Language Modelの規制対応状況について、European Commission（欧州委員会、AI Act Service Desk）公式の政府機関の公式解説（欧州委員会によるEU AI Act第3条の公式サービスデスク解説）（https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-3）で確認できます。欧州委員会（AI Act Service Desk）による公式解説によれば、具体的には「EU AI Act第3条において、大半の大規模言語モデルが該当する規制上の区分である汎用AIモデルは、大規模な自己教師あり学習データで学習され、著しい汎用性を示し、幅広い多様なタスクを適切にこなすことができ、多様な下流システムに組み込むことができるモデルとして公式に定義されており、市場投入前の研究・開発・試作段階にとどまるモデルは除外される。」といった記載が確認できます。限界として、規制対応の状況は更新されうるため、この内容は取得時点のものです。適用範囲がどこまでかは、このSourceだけでは確認できない場合があります。 これは汎用AIモデルという区分自体を定義するものであり、すべてのLLMが自動的にこれに該当することを示すものではない。追加の義務が課される別区分である「システミックリスク」への該当については、この抜粋が扱っていない計算資源のしきい値などの別の基準に依存する。Current Statusとして、2026年08月22日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これはEuropean Commission（欧州委員会、AI Act Service Desk）に対する届出・開示、またはEuropean Commission（欧州委員会、AI Act Service Desk）が保持する公的記録であり、企業自身の広報や第三者による評価とは性質が異なります。","evidencePoints":["large-language-model-ev-c1n16-p-04-002"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-04-002","sourceEvidence":[{"id":"large-language-model-ev-c1n16-p-04-002","text":"European Commission（欧州委員会、AI Act Service Desk）公式の政府機関の公式解説（欧州委員会によるEU AI Act第3条の公式サービスデスク解説）（https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-3）は、Large Language Modelの規制対応状況に関する公的記録である。欧州委員会（AI Act Service Desk）による公式解説によれば、具体的には「EU AI Act第3条において、大半の大規模言語モデルが該当する規制上の区分である汎用AIモデルは、大規模な自己教師あり学習データで学習され、著しい汎用性を示し、幅広い多様なタスクを適切にこなすことができ、多様な下流システムに組み込むことができるモデルとして公式に定義されており、市場投入前の研究・開発・試作段階にとどまるモデルは除外される。」といった記載がある。ただし、規制対応の状況は更新されうるため、この内容は取得時点のものです。適用範囲がどこまでかは、このSourceだけでは確認できない場合があります。 これは汎用AIモデルという区分自体を定義するものであり、すべてのLLMが自動的にこれに該当することを示すものではない。追加の義務が課される別区分である「システミックリスク」への該当については、この抜粋が扱っていない計算資源のしきい値などの別の基準に依存する。2026年08月22日に同Sourceを取得し、この内容を確認した。","title":"Large Language Modelの規制対応状況に関する公開情報","coverageType":["Identity"],"sourceType":"industry_reference","sourceClass":"Documentation","sourceUrl":"https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-3","confidence":"medium","supportedPromptTypes":["P-04"],"needsVerification":true,"sourceVerified":false,"sourceKind":"institutional","entityId":"large-language-model"}],"generatedAt":"2026-08-22T14:51:14.995Z","evidenceIds":["large-language-model-ev-c1n16-p-04-002"]},{"id":"P-04-003","companyId":"large-language-model","questionId":"P-04-003","instanceId":"c1n18-scaled-depth-reinforcement-manual-draft-authoring-no-qi","draftId":"c1n18-scaled-depth-reinforcement-large-language-model-p-04-003","promptText":"LLMを組み込んだアプリケーションには、業界標準としてどのようなセキュリティ上のリスクが指摘されていますか？","promptTypeId":"P-04","answer":"Large Language Modelのセキュリティ体制について、OWASP (Open Worldwide Application Security Project) — 非営利のセキュリティ標準化コミュニティ公式のofficial industry-standards-body documentation page (archived v1.1 edition of an ongoing OWASP Top 10 list; note: page indicates a newer 2026 edition also exists at a separate URL that could not be verified directly, see limitation)（https://owasp.org/www-project-top-10-for-large-language-model-applications/）で確認できます。既存Referenceは技術的な定義・比較・用途・EUの規制分類を扱うが、LLMアプリケーションを構築・運用する際のセキュリティ上のリスクという観点は扱っていない。具体的には「業界のセキュリティ標準化団体OWASPは、LLMアプリケーションに特有のセキュリティリスクを『OWASP Top 10 for LLM Applications』として体系化しており、その第1位は「Prompt Injection（プロンプトインジェクション）」であり、細工された入力によりLLMを操作し不正アクセスやデータ漏えい、意思決定の歪曲を引き起こしうるリスクとして説明されている。」といった記載が確認できます。限界として、認証・準拠・体制の状況は更新されうるため、この内容は取得時点のものです。適用範囲がどこまでかは、このSourceだけでは確認できない場合があります。 本ページで直接確認できたのは2023年公開のv1.1版（アーカイブ版）であり、ページ自体が2026年版の存在(genai.owasp.org)を示しているが、そのURLは403エラーで直接内容を確認できなかった。ただし外部の複数の二次情報源(セキュリティ企業のブログ記事)は、2025年版でもPrompt Injectionが引き続き1位であると報じており、この点は独立して裏付けが取れている。リスクの並び順・項目数は版によって更新される可能性がある。Current Statusとして、2026年08月23日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これはOWASP (Open Worldwide Application Security Project) — 非営利のセキュリティ標準化コミュニティという、Large Language Model自身とは別の組織が発信・保有する情報であり、Large Language Model自身による広報や、独立した第三者による評価とは性質が異なります。","evidencePoints":["large-language-model-ev-c1n18-p-04-003"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-04-003","sourceEvidence":[{"id":"large-language-model-ev-c1n18-p-04-003","text":"OWASP (Open Worldwide Application Security Project) — 非営利のセキュリティ標準化コミュニティ公式のofficial industry-standards-body documentation page (archived v1.1 edition of an ongoing OWASP Top 10 list; note: page indicates a newer 2026 edition also exists at a separate URL that could not be verified directly, see limitation)（https://owasp.org/www-project-top-10-for-large-language-model-applications/）は、Large Language Modelのセキュリティ体制に関する公的記録である。既存Referenceは技術的な定義・比較・用途・EUの規制分類を扱うが、LLMアプリケーションを構築・運用する際のセキュリティ上のリスクという観点は扱っていない。具体的には「業界のセキュリティ標準化団体OWASPは、LLMアプリケーションに特有のセキュリティリスクを『OWASP Top 10 for LLM Applications』として体系化しており、その第1位は「Prompt Injection（プロンプトインジェクション）」であり、細工された入力によりLLMを操作し不正アクセスやデータ漏えい、意思決定の歪曲を引き起こしうるリスクとして説明されている。」といった記載がある。ただし、認証・準拠・体制の状況は更新されうるため、この内容は取得時点のものです。適用範囲がどこまでかは、このSourceだけでは確認できない場合があります。 本ページで直接確認できたのは2023年公開のv1.1版（アーカイブ版）であり、ページ自体が2026年版の存在(genai.owasp.org)を示しているが、そのURLは403エラーで直接内容を確認できなかった。ただし外部の複数の二次情報源(セキュリティ企業のブログ記事)は、2025年版でもPrompt Injectionが引き続き1位であると報じており、この点は独立して裏付けが取れている。リスクの並び順・項目数は版によって更新される可能性がある。2026年08月23日に同Sourceを取得し、この内容を確認した。","title":"Large Language Modelセキュリティ体制に関する公開情報","coverageType":["Capability"],"sourceType":"industry_reference","sourceClass":"Documentation","sourceUrl":"https://owasp.org/www-project-top-10-for-large-language-model-applications/","confidence":"medium","supportedPromptTypes":["P-04"],"needsVerification":true,"sourceVerified":false,"sourceKind":"institutional","entityId":"large-language-model"}],"generatedAt":"2026-08-23T16:03:32.991Z","evidenceIds":["large-language-model-ev-c1n18-p-04-003"]},{"id":"P-05-001","companyId":"large-language-model","questionId":"P-05-001","instanceId":"tair-cohort3-2026-08-31","draftId":"tair-cohort3-2026-08-31-large-language-model-p-05-001","promptText":"LLM（大規模言語モデル）に固有のリスクについて、米国政府はどのような公式ガイダンスを示していますか？","promptTypeId":"P-05","answer":"米国国立標準技術研究所（NIST）公式サイト、および法律事務所Davis Wright Tremaineの分析記事によれば、NISTは2024年7月26日、生成AI（大規模言語モデルを含む）に固有または増幅されるリスクを対象とした「AI Risk Management Framework: Generative Artificial Intelligence Profile」（NIST AI 600-1）を公表しました。NIST公式サイトは、このプロファイルが生成AI特有のリスクを組織が識別し、目標や優先事項に最も適した生成AIリスク管理のための行動を提案することを目的としていると説明しています。Davis Wright Tremaineの解説によれば、NISTは合計12種類のリスクを識別しており、特に重要なものとして、悪意ある行為者によるCBRN（化学・生物・放射性物質・核）兵器関連知識へのアクセスを容易にするリスク、事実と異なる内容を確信的に提示する「コンファビュレーション（作話）」、生体情報・健康情報・位置情報等のプライバシー侵害、環境負荷（炭素排出）、大規模な偽情報・誤情報キャンペーンの助長、著作権・商標権侵害、児童性的搾取コンテンツやディープフェイク等の猥褻・品位を傷つけるコンテンツの生成、の7つを挙げています。既存Referenceでは、LLMの定義・仕組み・用途や、EU AI Actにおける規制上の分類、OWASPによるセキュリティリスクのリストには触れられていますが、米国政府（NIST）による公式なリスク管理ガイダンスの存在・内容には言及がありません。","evidencePoints":["large-language-model-ev-tair-1"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/large-language-model/P-05-001","sourceEvidence":[{"id":"large-language-model-ev-tair-1","entityId":"large-language-model","text":"NISTは2024年7月26日、生成AI（LLM含む）固有のリスクに対応する「Generative Artificial Intelligence Profile」（NIST AI 600-1）を公表。CBRN関連知識アクセス・作話（confabulation）・プライバシー侵害・環境負荷・偽情報拡散・著作権侵害・有害コンテンツ生成等、合計12種のリスクを識別している。","coverageType":["Credibility"],"title":"AI Risk Management Framework","sourceClass":"Documentation","sourceType":"government_data","confidence":"high","supportedPromptTypes":["P-05"],"sourceVerified":false,"needsVerification":true,"sourceUrl":"https://www.nist.gov/itl/ai-risk-management-framework"}],"generatedAt":"2026-08-31T06:27:37.260Z","evidenceIds":["large-language-model-ev-tair-1"]}]}