AI・機械学習用語集

中国法律文書に特化した大規模言語モデル。中国語の法令・判例・司法試験データで訓練し、法律相談・文書生成に対応する。

LLM生成において情報量がモデルの予測エントロピーに近いトークンを優先選択するデコーディング手法。top-p/top-kより自然な文章生成が可能で、繰り返しや意味のないトークン選択を抑制する。

LLM・画像生成・音声認識をOpenAI API互換インターフェースでセルフホストするためのオープンソースサーバー。GPUなしCPUのみでも動作し、単一エンドポイントで複数AIモダリティを統合提供できる。

2023年Ettore Di Giacinto (Itlyイタリア発・元SUSE Senior Engineer) 発表のLocalAI・OSS OpenAI API互換 Self-Host LLM platform。MIT License・GitHub Star 25k+ (2024年Q4・OSS Self-Host LLM最大級)・Go実装・Docker Compose一発デプロイ・llama.cpp / vLLM / Whisper / Stable Diffusion / TTS統合・Function Calling + Tool use + Vision + Audio + Image gen + Embedding 全Endpoint対応・OpenAI Python/JS SDK 完全互換 (drop-in replacement) で Self-Host AI Stack の業界標準OSS。

Local LLM実行スタック。Ollama 0.5+ (Go・OpenAI互換)・LM Studio 0.3.10+ (GUI・MLX)・Jan 0.5 OSS Desktop・GPT4All 3.x・llama.cpp b4400+ (CUDA/Metal/Vulkan/CPU)・llamafile (Mozilla)・vLLM 0.7 (推論サーバ)・SGLang・Text Generation WebUI (Oobabooga)・KoboldCPP・msty.app・¥0 OSS、2026年70B Q4家庭普及。

ローカル環境のNPU（Neural Processing Unit）を活用し、クラウドを介さず自作PC内で大規模言語モデル（LLM）を実行する技術。プライバシー保護と低遅延な応答を実現する。

自宅GPUでLLMを特定タスク向けに追加学習するLoRA/QLoRA手順と必要環境

ローカル環境での大規模言語モデル処理。プライバシー保護とレスポンス向上

ローカルLLM実行フロントエンド。LM Studio(GUI・MLX/GGUF/OpenAI互換API)・Ollama 0.7(CLI/REST・GGUF量子化)・GPT4All(Nomic)・Jan.ai(OSS)・text-generation-webui(Oobabooga)・llama.cpp(バックエンド)・KoboldCpp・LocalAI・AnythingLLM(RAG統合)・Msty・Open WebUI・Enchanted・2026年Mac Studio M4 Max+RTX 5090自宅推論定着。

スパースアテンションの基本設計パターンで、各トークンが隣接トークンのみに注意するローカル層と、特定のアンカートークンが全トークンに注意するグローバル層を組み合わせる手法。LongformerやBigBirdの中核構成であり、2025年のMistralやDeepSeekにも受け継がれている。

Local Image Generation Workflow。GPU要件: VRAM 12GB+ (SDXL min)/16GB(Flux Dev)/24GB+(Flux Pro/Multi-LoRA)・RTX 3090 24GB(Best Value)/RTX 4090 24GB/RTX 5090 32GB・ComfyUI(Node Workflow・OS-agnostic)・Flux.1 Dev FP8/Q8(VRAM 16GB ok)・SD 3.5 Large GGUF Q4(VRAM 8GB)・Forge(Auto1111 fork・高速)・SwarmUI Web UI・LoRA training: Kohya_ss Web UI・OneTrainer・15-30 image data + 4 hour 4090 train・Civitai model hub(検閲注意)・2026年 Flux + Civitai LoRA定番、画像生成 Mac mini 16GB unable。

トークンの位置情報を回転行列（Rotation Matrix）として表現する相対位置エンコーディング手法。Query・Keyベクトルに回転変換を適用することで、内積計算時に自然と相対位置情報が反映される。LLaMA・Qwen・Gemmaなど現代の主要LLMで標準採用されている。

アテンション計算でQueryとKeyベクトルを回転行列で変換することで相対位置情報を直接エンコードする位置エンベディング手法。絶対位置埋め込みより長距離依存を捉えやすく、学習時より長いコンテキストへの外挿性が高い。

Rotary Position Embedding(Su et al. 2021)・LLM位置エンコーディング。Llama/Mistral/Qwen/Yi/DeepSeek/Gemma/Command-R採用、Linear RoPE・NTK-Aware RoPE・YaRN・LongRoPE(Microsoft)・NTK-by-parts派生、Long Context対応+absolute→relative position transform、2026年LLMアーキ標準。

Transformer モデルの位置情報を回転行列で表現する手法。相対位置を内積の回転角としてエンコードすることで、訓練時より長いシーケンスへの外挿（extrapolation）を可能にする。Llama・Qwen・Mistral 等の主要オープンソースLLMで標準採用されている。

クエリとキーのベクトルを回転行列で変換することで、内積計算時に相対位置情報を自然にエンコードする位置埋め込み手法。追加パラメータ不要で外挿性に優れ、2024-2026年のLLMで最も広く採用されている。

Transformer系LLMでトークンの位置情報を相対的な回転行列として埋め込む手法。RoPE（Rotary Position Embedding）を基盤に、YaRN・ALiBi・NTK-awareスケーリングなどの拡張技術により、学習時のコンテキスト長を超えた外挿（extrapolation）を可能にする。ロングコンテキスト実現の中核技術。

LLMの位置エンコーディング手法RoPE(Rotary Position Embedding)を拡張し、学習時より長いコンテキストを処理できるようにする技術。YaRN・LongRoPE・DynamicNTKなどの派生手法が存在する。

Rotary Position Embedding（RoPE）の周波数を調整し、事前学習時より長いコンテキストウィンドウを実現する手法の総称。線形スケーリング・NTK-awareスケーリング等の派生が存在する。

2024年発表RoPE-based Extrapolation・Industry-leading RoPE extrapolation methods + Industry-leading LongRoPE + Industry-leading SelfExtend + Industry-leading CLEX + Industry-leading 2M context RoPE extrapolation。