LLMの種類とは？主要モデルの一覧と目的別の選び方を解説

「LLMにはどんな種類があるのか」を調べ始めると、GPT、Claude、Gemini、Llamaといった名前が次々と出てきて、かえって全体像が見えづらくなることがあります。モデルの数は増え続け、名前も半年単位で入れ替わるため、一覧を眺めるだけでは「で、自社はどれを使えばいいのか」という肝心の問いに答えが出ません。

大切なのは、個々のモデル名を暗記することではなく、「作り方」と「作り手」の2軸で捉えるという見取り図を持つことです。この軸さえ手元にあれば、新しいモデルが登場しても迷わず位置づけられます。

本記事では、日々の情報発信の現場で複数のLLMを使い分けている立場から、LLMの種類の整理のしかた、主要モデルの一覧、そして目的別の選び方までを順を追って解説します。

LLM（大規模言語モデル）とは何か

LLMとは、Large Language Model（大規模言語モデル）の略で、膨大なテキストで学習し、次に来る言葉を高い精度で予測することで文章を生成するAIを指します。「大規模」と呼ばれるのは、学習に使うデータ量と、モデル内部の調整パラメータの数がともに桁違いに大きいためです。

現在のLLMの多くは、2017年に発表された「Transformer（トランスフォーマー）」という構造を土台にしています。文中のどの単語が互いに関係し合うかを効率よく捉える仕組みで、これが登場して以降、言語モデルの精度は急速に伸びました。ChatGPTをはじめとする対話サービスが一気に普及した背景には、この技術的な転換点があります。

Attention Is All You Need（Transformerを提案した原論文）

The dominant sequence transduction models are based on complex recurrent or convolutional neural networks in an encoder-decoder configuration. The best performing models also connect the encoder and decoder through an attention mechanism. We propose a new simple network architecture, the Transformer, based solely on attention mechanisms, dispensing with recurrence and convolutions entirely. Experiments on two machine translation tasks show these models to be superior in quality while being more parallelizable and requiring significantly less time to train. Our model achieves 28.4 BLEU on the WMT 2014 English-to-German translation task, improving over the existing best results, including ensembles by over 2 BLEU. On the WMT 2014 English-to-French translation task, our model establishes a new single-model state-of-the-art BLEU score of 41.8 after training for 3.5 days on eight GPUs, a small fraction of the training costs of the best models from the literature. We show that the Transformer generalizes well to other tasks by applying it successfully to English constituency parsing both with large and limited training data.

🌐 arxiv.org

外部リンク

生成AI・ChatGPT・機械学習との違い

LLMは、周辺の言葉と混同されがちです。ここを整理しておくと、種類の話がぐっと理解しやすくなります。

生成AIは、文章・画像・音声・動画など何かを新しく生み出すAIの総称です。その中で、言語（テキスト）を担う中核エンジンがLLMにあたります。つまりLLMは生成AIの一部であり、イコールではありません。

ChatGPTは、OpenAIが提供する対話サービスの名前であり、その内側でGPTというLLMが動いています。ChatGPTは「製品」、GPTは「エンジン」と考えると混乱しません。機械学習はさらに広い概念で、データからパターンを学ぶ手法全般を指します。LLMは、機械学習の一分野である深層学習を用いて作られたモデルの一種です。

言い換えると、機械学習という大きな傘の下に生成AIがあり、その言語担当がLLM、それを製品化したものの一つがChatGPTという入れ子の関係になっています。

Web担当者

記事作成のためにLLMを調べているのですが、モデルが多すぎて、正直どこから手をつければいいか分かりません。全部覚える必要がありますか。

Writers-hub
編集部

いいえ、個別のモデル名を覚える必要はありません。むしろ数が多いからこそ、次にお話しする「作り方」と「作り手」という2つの軸で棚に並べてしまうのがおすすめです。新しいモデルが出ても、その棚のどこに入るかを考えるだけで済みます。

LLMの種類は「作り方」と「作り手」で捉える

LLMの一覧を丸暗記しようとすると挫折します。代わりに、次の2軸で整理すると、どんなモデルも位置づけられます。

1つ目の軸は作り方（オープンウェイト型かクローズド型か）、2つ目の軸は作り手（どの開発元か）です。まずは作り方の違いから見ていきます。

クローズド型（プロプライエタリ）は、モデルの中身が公開されず、提供元のクラウド経由でAPIやアプリとして利用する形式です。GPT、Claude、Geminiなどが代表例で、常に最新版を手軽に使える反面、内部の重み（パラメータ）を手元に持てないため、動かす場所は提供元の環境に依存します。

オープンウェイト型は、学習済みの重みが公開され、自社のサーバーや手元の環境にダウンロードして動かせる形式です。LlamaやMistral、Gemmaなどがこれにあたります。自社データを外へ出さずに運用しやすく、細かな調整（ファインチューニング）も可能ですが、動かすための計算資源と運用の手間は自分たちで負う必要があります。

なお、「オープンウェイト」と「オープンソース」は厳密には別物です。重みは公開されていても、学習データや学習コードまでは非公開というモデルも多く、「無料で使える」と「中身が全部公開されている」は必ずしも一致しない点は押さえておきたいところです。

作り方の軸を押さえたら、次は作り手です。開発元ごとに設計思想や得意分野の傾向が異なり、同じ「クローズド型」でも性格は違います。次の一覧で具体的に見ていきましょう。

代表的なLLMの一覧（主要モデルの特徴）

ここでは、実務でよく名前が挙がる主要なモデルを系統ごとに整理します。バージョン番号は移り変わりが速いため、あえて系統（ファミリー）単位でまとめ、それぞれの提供形態と得意な傾向に絞って一覧にしました。

一覧を眺めると、クローズド型は「手軽さと最新性能」、オープンウェイト型は「自社運用と調整の自由度」という性格の違いが浮かび上がります。どちらが上という話ではなく、目的によって最適解が入れ替わるだけです。

国産系のモデルが選択肢に挙がる理由も、この整理の延長で説明できます。海外発モデルの日本語性能は年々上がっているものの、契約書や社内文書に特有の言い回し、あるいは学習データやログを国内に留めたいという要件が絡む場面では、日本語や国内運用を前提に設計されたモデルが検討に値します。性能の一点だけでなく、こうした運用条件まで含めて土俵を揃えることが、後悔しない比較につながります。

こうして並べると、「結局どれがいいのか」という問いは、実は「何をさせたいのか」という問いと表裏一体だと分かります。次章では、目的からモデルを逆算する考え方を見ていきます。

目的・業務別、向いているLLMの選び方

モデル選びでつまずく典型は、「一番賢いモデルはどれか」から入ってしまうことです。ベンチマークの総合力は日々塗り替わりますし、総合力が高いモデルが、自社の具体的な業務で最適とは限りません。出発点は「賢さ」ではなく「用途」に置くのが定石です。

たとえば、社内文書の要約や下書き作成が中心なら、長文を安定して扱えるクローズド型が扱いやすい選択になります。顧客情報や機密性の高いデータを外に出せない業務なら、オープンウェイト型を自社環境で動かす構成が候補に上がります。対話型のカスタマーサポートなら、応答速度とコストのバランスが効いてくるでしょう。用途が決まって初めて、比べるべき指標が定まるという順序です。

選定は、次の手順で進めると迷いにくくなります。

選定時に見落とされがちな観点を、チェックリストにまとめました。

• 自社の実データで試したうえで精度を評価したか
• 機密データの送信可否と保管ポリシーを確認したか
• 利用料が使用量に応じてどう増えるかを試算したか
• 既存の社内ツールやシステムと連携できるか
• モデルが更新・終了したときの乗り換えやすさを考えたか

もう一つ、見過ごせない視点があります。LLMは「使う」対象であると同時に、検索の入口そのものを変えつつある存在でもあります。ChatGPTやGeminiが質問に直接答える場面が増え、利用者が従来の検索結果を経由せず情報を得るケースが広がってきました。つまり、LLMの種類を理解することは、「自社の情報がこれらのモデルにどう引用され、どう届くか」を考える入口にもなります。

LLMをビジネスに取り入れるときの落とし穴と勘所

種類を理解し、モデルを選べたとしても、導入がうまくいくとは限りません。現場で繰り返し起きるつまずきには、いくつかの共通点があります。

最も多いのが、ハルシネーション（もっともらしい誤情報）を前提に運用設計していないケースです。LLMは事実を保証する仕組みではなく、確からしい言葉を並べる仕組みです。だからこそ、社外に出す情報には人の確認を挟む、根拠を添えて回答させる（RAGと呼ばれる、外部データを参照させる手法）といった設計が欠かせません。精度は「モデルの賢さ」より「使い方の設計」で決まる場面が多いのが実感です。

次に多いのが、モデルの新しさに引っ張られることです。新版が出るたびに乗り換えていては、業務が安定しません。求める品質にすでに届いているなら、最新を追うより運用を固めるほうが成果につながります。加えて、データの取り扱い方針を曖昧にしたまま便利さで使い始め、後から情報の扱いが問題になる例も後を絶ちません。

コスト感覚のズレも、見落とされがちな落とし穴です。クローズド型のAPIは使った分だけ費用がかかるため、試用では安く感じても、全社展開で利用量が跳ね上がると想定を超えることがあります。逆にオープンウェイト型を自社運用する場合は、モデル自体は無償でも、動かすためのサーバー費用や運用人件費という別のコストが発生します。どちらの型を選ぶにせよ、小さな範囲で試して実際の利用量とコストを掴んでから広げる進め方が安全です。

裏を返せば、モデル選定は導入全体のスタート地点にすぎません。選んだLLMを既存の業務にどう連携させ、どこを自動化し、どこに人の目を残すか。この設計まで踏み込んで初めて、投資が成果に変わります。

LLMの種類に関するよくある質問

まとめ

LLMの種類は数こそ多いものの、「作り方（オープンウェイト型かクローズド型か）」と「作り手（開発元）」の2軸で捉えれば、新しいモデルが出ても迷わず位置づけられます。GPTやClaude、Geminiといったクローズド型は手軽さと最新性能に強く、LlamaやMistralなどのオープンウェイト型は自社運用と調整の自由度に強い、というのが大きな性格の違いでした。

そして選び方の出発点は「一番賢いモデル」ではなく「何をさせたいか」です。用途を一文で言語化し、データ方針を決め、自社の実データで小さく試す。この順序を守るだけで、モデル選びの失敗は大きく減らせます。導入の成否を最終的に分けるのは、モデル単体の性能よりも運用の設計だという点も、繰り返し強調しておきたいポイントです。

私たち合同会社Writers-hubは、コンテンツ制作とSEO・AI検索対策を手がける中で、複数のLLMを日々使い分けています。「どのモデルから始めるべきか決めきれない」「選んだ先の活用や、AI検索への対応まで見据えたい」という段階なら、現場の運用目線でご一緒に整理できます。