【2026年版】ローカルLLM用語集 – 完全ガイド

GPT （ジーピーティー）

Gemma （ジェマ）

GemmaはGoogleが開発したオープンソースのLLMシリーズで、Gemma-2やGemma-2.5など複数のバージョンが存在。ローカル環境での実行を想定し、軽量かつ高精度な処理を実現。研究や開発に適し、コスト効率の良い導

LLM （エルエルエム）

LLM（Large Language Model）は、膨大なテキストデータを学習したAIモデルで、自然言語の理解・生成を可能にします。ローカル環境で利用可能なモデル（例：LLaMA、Mistral）は、チャットボットや翻訳、コンテンツ生成などに活用され、計算リソースを節約しながら高精度な処理が可能です。

Llama （ラマ）

Mistral （ミストラル）

Mistralは、フランスのMistral AIが開発した大規模言語モデル（LLM）シリーズ。7Bパラメータの「Mistral-7B」が代表的で、オープンソース化されている。ローカル環境での実行を想定し、効率的な推論性能と軽量設計が特徴。ユーザーは自社のハードウェアで

Phi （ファイ）

Phiはマイクロソフトが開発した効率

Qwen （チェン）

Qwenはアリババクラウドが開発した大規模言語モデルで、多言語対応・長文処理能力に優れ、ローカル環境での導入が可能

SLM （エスエルエム）

Transformer （トランスフォーマー）

Transformerは、2017年に発表されたLLMの基盤となるアーキテクチャで、自己注意機構（Self-Attention）と位置エンコーディングを採用。並列処理を可能にし、文脈理解を高める。ローカルLLMでは、GPUメモリ効率を考慮したスケ

ファインチューニング （ふぁいんちゅーにんぐ）

ファインチューニングは、既存のLLMに特定のタスクやドメインのデータで追加学習し、性能を最適化する手法です。ローカルユーザー向けには、自社データに合わせたカスタマイズが可能で、再訓練より効率的です。過学習を防ぐため、適切なデータ選択と学習率調整が重要です。

AWQ （エーダブリューキュー）

EXL2 （イーエックスエルツー）

EXL

FP16 （エフピーじゅうろく）

FP16

GGUF （ジージーユーエフ）

GPTQ （ジーピーティーキュー）

GPTQ（Group-wise Quantization）は、モデルの重みをグループごとに量子化し、精度を維持しながらメモリ使用量を削減する技術。ローカルLLMユーザー向けに、GPUメモリの制限を緩和し、大規模モデルの実行を可能にします。Hugging Faceなどと互換性があり、

INT4 （イントよん）

INT8 （イントはち）

INT8は、モデルの重

KVキャッシュ （けーぶいきゃっしゅ）

量子化 （りょうしか）

量子化は、モデルの重みやアクティベーションの精度を低下させる最適化技術で、通常は32ビット浮動小数点から8ビット整数などに変換します。これによりモデルサイズが縮小し、推論速度が向上しますが、精度に多少の影響が出る可能性があります。ローカルLLMユーザーは、ハードウェア制約に対応するためこの技術を活用します。

ExLlamaV2 （イーエックスラマブイツー）

ExLlamaV2は、ローカルで大規模言語モデル（LLM）を効率的に

LM Studio （エルエムスタジオ）

LM Studioは、ローカル環境でLLMを実行するための推論エンジン。モデルのローカル実行を可能にし、コストやプライバシーを重視するユーザー向け。複数モデルのサポートと直感的なインターフェースを提供し、クラウド依存を避ける実践的な選択肢となる。

LocalAI （ローカルエーアイ）

LocalAIは、大規模言語モデル（LLM）をローカル環境で実行可能なオープンソースの推論エンジンです。クラウドに依存せず、プライバシー保護

Ollama （オラマ）

Ollamaは、ローカルで大規模言語モデル（LLM）を効率的に実行できる推論エンジン。軽量な設計とメモリ最適化により、GPUやCPUでの高速推論を実現。モデルのロー

Text Generation Inference （てきすとじぇねれーしょんいんふぁれんす）

llama.cpp （ラマシーピーピー）

llama.cppは、LL

vLLM （ブイエルエルエム）

ComfyUI （コンフィユーアイ）

ComfyUIは、Stable Diffusionを操作するためのノードベースのインターフェースで、柔軟なワークフロー構築が可能。ローカル環境でカスタマイズしやすく、非プログラマでも直感的に使用可能。オープンソースで拡張性に優れ、画像生成プロセスの細かい調整が実践的。

ControlNet （コントロールネット）

ControlNetは、Stable Diffusionなどの拡散モデルに接続され、画像生成を制御するための技術です。エッジ、ポーズ、セグメンテーションなどの外部信号を入力として受け取り、生成画像の構

Flux （フラックス）

Fluxは、Black Forest Labsが開発した拡散モデルのシリーズで、高解像度かつ詳細な画像生成を特徴

LoRA （ローラ）

LoRA（Low-Rank Adaptation）は、大規模モデルを微調整する際、重み行列の一部を低ランク近似で調整する技術。画像生成では、既存モデルにスタイルや特

SDXL （エスディーエックスエル）

SDXL（Stable Diffusion XL）は、高解像度かつ高品質な画像生成を可能にする拡張型のディフュージョンモデルです。従来のバージョンに比べて詳細表現や芸術的質感が向上し、複雑な

Stable Diffusion （ステーブルディフュージョン）

Stable Diffusionは、Stability AIが開発したテキストから画像を生成するオープンソースモデル。拡散過程を用いて高品質な画像を生成し、ローカル環境でも実行可能。ユーザーが独自のプロ

VAE （ブイエーイー）

CUDA （クーダ）

CUDAはNVIDIAが提供するGPU向け並列計算プラットフォームで、LLMのトレーニングや推論時にGPUの計算能力を活用するための基盤技術です。ローカルユーザー向けには、CUDAドライバやツールキットのインストールが必須で、PyTorchやTensorFlowなどのフレームワークがGPU加速を実現するためのインターフェースを提供します。

NPU （エヌピーユー）

Tensor Core （テンサーコア）

Tensor Coreは、NVIDIA GPUに搭載された専用ハードウェアで、行列演算を高速化する。LLMのトレーニングや推論時に、FP16/INT8の混合精度計算を効率的に行い、性能を飛躍的に向上させる。ローカルユーザー向けに、GPUの計算リソースを

VRAM （ブイラム）

VRAM（ビデオRAM）は、GPUがグラフィック処理や機械学習計算時に一時的にデータを保存する専用メモリ。ローカルLLMでは、モデルパラメータやバッチデータがVRAMに格納されるため、容量が大きいほど大規模モデルの処理や高速推論が可能

eGPU （イージーピーユー）

RAG （ラグ）

RAG（Retrieval-Augmented Generation）は、外部データベースから情報を検索し、LLMに統合して回答を生成する技術。ローカルLLMユーザーには、知識の最新化や精度向上に役立ち、実装にはベクトルDBとLLMの連携が不可欠。効率的な情報検索と生成の融合が特徴。

エンベディング （えんべでぃんぐ）

エンベディングは、テキストを意味を含む数値ベクトルに変換する技術です。ローカルLLMでは、類似性検索やクラスタリングに活用され、自然言語をモデルが処理可能な形式に変換します。Hugging Faceのライブラリなどで生成され、効率的なデータ処理やモデルの精度向上に貢献します。

プロンプトエンジニアリング （ぷろんぷとえんじにありんぐ）

プロンプトエンジニアリングは、LLMに最適な入力（プロンプト）を設計する技術です。明確な指示や例を組み込み、反復的なテストを通じて精度を向上させます。ローカルLLMユーザーは、この手法でモデルの出力を最適化し、クラウド依存を減らすことができます。

ベクトルストア （べくとるすとあ）

ベクトルストアは、テキストや画像を数値ベクトルに変換したデータを効率的に保存・検索するデータベースです。LLMユーザー向けには、文書の埋め込み（embedding）を格納し、類似性検索やRAG（検索拡張生成）で活用します。ロ

LangChain （ラングチェーン）

LangChainは、LLMアプリケーション開発を支援するフレームワークで、プロンプト、チェーン、メモリ、エージェントなどのモジュールを提供します。ローカルLLMユーザー向けに、複数モデルの統合やワークフロー自動化を簡易化し、実用的なアプリケーション構築を可能にします。

LlamaIndex （ラマインデックス）

LlamaIndexは、ローカルLLMとデータソースを統合するフレームワークで、ドキュメントの検索・処理を

Top-P （トップピー）

Top-P（核サンプリング）は、確率の累積値がPを超えるトークンを候補に選ぶ手法。Top-Kより柔軟で、出力の多様性とコヒーレンスを調整可能。ローカルLLMユーザー向けに、Pを0.9に設定すると自然な文章生成が期待でき、0.5にすると精度重視の出

コンテキスト長 （こんてきすとちょう）

コンテキスト長は、LLMが一度に処理可能な入力トークン数の上限を指します。ローカルユーザー向けに、長さが大きいほど複雑なタスクに対応可能ですが、メモリ使用量や推論速度に影響を与えます。適切な設定で、モデルの精度と効率を最適化しましょう。

トークン （とーくん）

トークンは、テキストをモデルが処理可能な最小単位に分割した要素（例：単語、サブワード）。LLMでは、入力・出力をトークンに変換して処理し、モデルの性能やリソース使用量に

ハルシネーション （はるしねーしょん）

ハルシネーションは、LLMが訓練データにない情報を勝手に生成する現象。誤った事実や架空の内容を出力するリスクがある。ユーザーは出力内容を信頼できる情報源で確認し、論理的整合性をチェックするなど、慎重な検証が重要。

バッチ処理 （ばっちしょり）

バッチ処理は、複数のデータを一括で処理する方法で、LLMでは大量の入力データを効率的に処理するために用いられます。並列処理により

推論 （すいろん）

推論（インフェレンス）は、学習済みモデルに新たな入力データを渡し、予測や出力を生成するプロセスです。ローカルLLMユーザー向けには、モデルの実行効率（推論速度・メモ

温度 （おんど）