AI・機械学習

LLMの生成出力を後処理段階で検査・修正・ブロックする技術。有害コンテンツ検出・PII除去・事実性検証・フォーマット強制等を推論パイプラインの最終段階で適用し、安全で正確な出力を保証する。

LLMが生成したテキスト・画像・コードなどの出力をユーザーに返す前にリアルタイムで検査し、有害・不正確・ポリシー違反の内容を検出・修正・遮断する仕組み。入力フィルタとは異なり、モデルの実際の生成物を制御する点が特徴。

LLMアウトプットルーティング（LLM Output Routing）とは、ユーザーのプロンプトやタスク特性に応じて最適なLLM（大規模言語モデル）を動的に選択・切り替えするルーティング技術の総称である。単一モデルへの固定的なAPI呼び出しではなく、品質・コスト・レイテンシ・専門性といった複数の評価軸に基づき、リクエスト単位でモデルを振り分けることで、システム全体のコストパフォーマンスと応答品質を最適化する。Martian、Not Diamond、Unify.ai、OpenRouter、LiteLLM等のルーティングプラットフォームが代表的な実装例である。

LLMの中間層における活性化ベクトルを直接操作することで、重みを変更せずにモデルの出力傾向を制御する技術群の総称。Representation Engineeringとも呼ばれる。

GPT-4oやClaude 4などの高性能LLMを審判モデルとして活用し、他のLLMの出力品質を自動評価する手法。人間評価との一致率が85-90%に達し、コスト効率が高いことから2025年以降のLLM評価の標準手法となっている。

LLM自体を評価者として用いてAI出力の品質を評価するアプローチ。人間アノテーターの代替として強力なLLM（GPT-4/Claude等）が他モデルの出力をスコアリング・比較する手法。

アテンション機構とは、入力シーケンス内の各トークンが他の全トークンとの関連度を動的に計算し、重要な情報に選択的に注目する仕組みである。2017年のTransformer論文「Attention Is All You Need」で提案されたSelf-Attentionが基盤となり、GPT-4o、Claude 4、Gemini 2.5 Pro、Llama 3.1など現代のLLMすべてがこの機構を中核に採用している。

LLMが生成した回答の各主張に対して、根拠となった情報源を特定・提示する技術で、出力の透明性と検証可能性を確保するための仕組み。

LMSYS Chatbot Arena の対戦形式を自動化し、複数の LLM を自己対戦させてEloレーティングを算出する評価手法。人間の投票を LLM ジャッジで代替することで大規模・高頻度なモデル評価を実現する。

LLM安全性評価フレームワークとは、大規模言語モデルの安全性・堅牢性・倫理性を体系的にテスト・測定するためのベンチマーク、ツールキット、評価基準の総称である。HarmBench、MITRE ATLAS、OWASP LLM Top 10などが代表例。

Transformerモデルにおいてトークンの並び順情報を付与する技術の総称。Self-Attentionは本来順序を区別できないため、位置エンコーディングがなければ「猫が犬を追う」と「犬が猫を追う」を同一視してしまう。絶対位置・相対位置・回転型など複数の方式が研究されている。

LLM自体を分類器として使用し、ユーザーの入力意図（Intent）を判定して最適な処理パスに振り分ける手法。Semantic Routerより精度が高いが、LLM呼び出しコストとレイテンシが発生するため、高精度が求められるエンタープライズ用途で採用される。

LLM Inference Acceleratorは、大規模言語モデル（Large Language Model）の推論処理を高速化する専用ハードウェアアクセラレータです。2025年に登場した最新世代のAIチップは、従来のGPUベースの推論と比較して、大幅な電力効率の改善と推論速度の向上を実現しています。

LLM引用生成（Citation Generation）とは、大規模言語モデルが回答を生成する際に、各主張や事実に対して出典情報（引用元URL、文書名、段落番号等）を自動的に付与する技術である。Attributable LLM、Attributed QA等とも呼ばれ、ALCE（Automatic LLMs' Citation Evaluation）ベンチマークにより引用精度が定量評価される。

LLMが回答を生成する際に、情報の出典や参照元を明示的に付与する技術。ハルシネーション対策として注目され、学術論文・ニュース記事・公式ドキュメントなどのソースURLや文献情報を回答に埋め込むことで、出力の信頼性と検証可能性を向上させる。

LLM（大規模言語モデル）が生成したテキストに不可視の透かし（ウォーターマーク）を埋め込み、AI生成文であることを後から検証可能にする技術の総称。著作権保護・偽情報対策・規制準拠を目的とする。

LLM（大規模言語モデル）が生成したテキストに人間には知覚できない統計的パターンを埋め込み、後からそのテキストがAI生成であることを検出可能にする技術。

LLM埋め込みモデル（Embedding Model）とは、テキストや画像などのデータを固定長の高次元ベクトルに変換し、意味的な類似度を数値的に計算可能にするニューラルネットワークモデルである。RAG（検索拡張生成）やセマンティック検索、クラスタリング、分類など幅広いNLPタスクの基盤技術として利用される。

LLM（大規模言語モデル）を中核としたAIエージェントが、複雑なタスクを自律的に計画・分解・実行する能力の総称。ReActパターンやPlan-and-Solve、Tree-of-Thoughtなどの手法を組み合わせ、人間の介入を最小限にしながら目標達成を目指す。

LLM（大規模言語モデル）を中核にしたAIエージェントの構築・運用を支援するソフトウェアフレームワークの総称。ツール呼び出し・メモリ管理・マルチエージェント連携などの機能を提供する。