OkayStudy
JA English 한국어 日本語 中文 हिन्दी বাংলা اردو Español Português Français Deutsch Русский العربية Bahasa Indonesia Tiếng Việt ไทย Türkçe

通知を有効にする方法

このブラウザーまたはアドレスでは通知を利用できません。対応ブラウザーで安全な接続のBaeumNovaサイトを開いてください。

通知がブロックされている場合は、ブラウザーの設定で許可してください。

  1. アドレスバー横のサイト設定、またはブラウザーのサイト設定を開き、このサイトの通知を許可に変更してください。
  2. 端末の設定でブラウザーの通知を許可し、おやすみモードや集中モードを確認してください。
  3. BaeumNovaに戻ってページを再読み込みしてください。通知が有効になるとベルは表示されなくなります。

iPhoneやiPadではBaeumNovaをホーム画面に追加し、そこから開いて通知を許可してください。

ゲスト

ログインすると、あなたのレッスン予定を確認できます。

はじめよう

一歩ずつ始める英語レッスン

ステップを押すとその画面へ移動します。

無料体験

  1. 無料体験の講師を選ぶ

    写真に[無料体験]が付いた講師を押します。

  2. プレゼントの印がある時間を押す

    時間割でプレゼントの絵がある無料の時間を押します。

  3. ログインして予約する

    ログインするとすぐ予約されます。お支払いはありません。

  4. カメラ&マイクテスト

    授業の前にカメラとマイクを確認しましょう。

  5. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  6. レッスンに入室

    時間になったらビデオ教室に入ります。

  7. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  8. 講師を評価

    レッスンが終わったら講師を評価します。

自己紹介

  1. プロフィール写真を登録

    写真があると講師があなたを見分けやすくなります。

  2. 自己紹介を書く

    自己紹介掲示板にあいさつを書きましょう。

レッスンを受ける

  1. レッスンを予約

    気に入った講師の時間割から予約します。

  2. PayPalでレッスン料を支払う

    PayPalで支払います。PayPalが確認するとすぐにレッスンが予約されます。

  3. 予約したレッスンを確認

    予約したレッスンの時刻と講師を確認します。

  4. レッスンに入室

    時間になったらビデオ教室に入ります。

  5. 過去のレッスンを確認

    終わったレッスンの記録を見返します。

  6. 講師を評価

    レッスンが終わったら講師を評価します。

リクエストが通る道

ロボットの受付が質問カードを、たくさんある専門家の机のうち3つだけに送り、明かりのついたその3人だけが働いているオフィスの絵
ひと目でわかる全体の道のり

文章を学んだ AI があなたの画面に答えるまで

まず文章を集めてを作ります()。次に、できあがったモデルが次のを一つずつ計算して答えます()。上の道ではが変わり、下の道では重みはそのままで計算だけをします。

XSLM の実際の計算 数字は小さな学習用モデル XSLM を標準の設定で実際に動かした値です。「説明用の例」と書かれた棒だけは、手で決めた点数を使っています。

モデルを作る — 学習 重みが変わる

  1. データを集める
  2. 整理する
  3. トークンと数字に
  4. くり返し学習

学習のくり返し:予測 → 正解とくらべる → 損失を計算 → 重みを直す

モデルを使う — 推論 重みは固定

  1. 人が質問する
  2. 入力を数字に
  3. モデルが計算
  4. 次のトークンを選ぶ
  5. 文字にもどす
  6. 画面に表示

答えのくり返し:次のトークンを計算 → 一つ選ぶ → 入力の後ろにつける → また計算(終わりの印が出るか、長さの上限で止まる)

  • データ(文章)
  • トークン
  • 重み
  • 確率
  • 文
いろいろな文章が整理の機械を通り、きれいなデータの束になる絵

① 学ぶデータを用意する

ウェブページ・本・・会話の文章を集め、重なった文や質の低い文をと人がふるい落とします。一部はテスト用(検証データ)として取り分けます。

XSLM XSLM:15 行 → 重なりを取りのぞく → 学習用 12 行 · 検証用 3 行

くわしく学ぶ
文の帯がトークンのかけらに切られ、かけらごとに数字の列につながる絵

② 文章を数字に変える

文をトークンのかけらに切り、かけらごとに番号をつけ、その番号で数字の束()を取ってきます。

  1. Q:␣29
  2. s22
  3. u24
  4. n18
  5. ↵1
  6. A:␣30
  7. t23
  8. h13
  9. e11
  10. ␣2
  11. s22
  12. u24
  13. n␣31
  14. is␣35
  15. w25
  16. a7
  17. r21
  18. m.39
  19. ↵1

XSLM 語彙 40 個 · この文はかけら 19 個

くわしく学ぶ
ロボットがかくれたかけらを当て、ちがいを測って調整のつまみを回す絵

③ 予測しながら重みを学ぶ

次のかけらをかくして当ててみます。正解とのちがい(損失)を後ろへ送り、重みを少しずつ直します。

予測は前へ進む 直す合図は後ろへもどる

XSLM 同じ窓をもう一度計算すると 損失 3.7050 → 3.6684

くわしく学ぶ
設計図・重み・トークナイザー・設定が一つの箱に入り、サーバーに読みこまれる絵

④ 使うモデルを仕上げる

学習が終わると、初めて見る検証データで実力を測り、の設計・学習した重み・・設定を一つの束にして保存します。会話用の大きなモデルは、その前に追加の学習と評価を受けます。がこの束をに読みこみます。

XSLM XSLM:行列 9 個 · 重み 1,248 個 · 検証損失 3.7568 → 3.7298

くわしく学ぶ
質問のかけらがモデルを通って確率の棒になり、いちばん大きいかけらが後ろにつく絵

⑤ 次のトークンを計算する

質問を数字に変えてモデルに入れます。候補ごとに点数が出て、点数をに変え、かけらを一つ選びます。選んだかけらを後ろにつけて、また計算します。

説明用の例 — 単語ごと もっと長く学んだモデルなら the sun is …
  • warm63.2%
  • hot23.2%
  • blue10.4%
  • run3.1%

重みは固定 このとき重みは変わりません。

くわしく学ぶ
トークンが文字になってノートパソコンのチャット画面にあらわれ、後ろに全体の道が見える絵

⑥ 人が読める答えになる

選んだ番号を文字にもどし、がに送って、チャット画面に表示します。

the sun is warm.

XSLM のランナーは答えができあがってからまとめて送ります。多くのチャットボットは書きながら少しずつ流します。

くわしく学ぶ

自分でやってみる

同じ文 "⁨the sun is warm.⁩" をたどりながら、ボタンを押してトークン・埋め込み・重み・確率のちがいを見てみましょう。

トークン番号と埋め込み

かけらを押すと、その番号と数字の束(埋め込み)がいっしょに光ります。

トークン番号 — かけらを指す番号にすぎず、意味はありません
t 23

埋め込み — 学習で決まる 8 個の数字

学習の前
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.03
  7. 0.01
  8. 0.07
20 歩 学習した後
  1. 0.11
  2. -0.03
  3. 0.28
  4. -0.12
  5. 0.09
  6. -0.02
  7. 0.01
  8. 0.07

学習の一歩 重みが変わる

はじめのモデルがこの文の窓で、予測 → 損失を測る → 重みを直す を一歩ずつ行います。

  1. Q:␣
  2. s
  3. u
  4. n
  5. ↵
  6. A:␣
  7. ?
当てるかけら
t
正解のかけらの確率
3.2%
損失
3.7050
  1. 学習の前 · 損失 3.7050

答えの一歩 重みは固定

20 歩だけ学習した XSLM が、質問の後ろにかけらを一つずつ選びます。重みは固定です。

ここまでの答え Q:␣sun↵A:␣

  • Q:␣5.4%
  • .3.8%
  • A:␣i3.4%
  • A3.1%
  • t3.1%
  • ほかの候補すべて81.3%

選んだかけら —

確率は、その候補が次に来る見こみであって、答えが正しい見こみではありません。20 歩しか学んでいないので、まだおかしなかけらを選びます — の正解は "⁨the sun is warm.⁩" です。

同じ道のりを、一段ずつすべて

1 自分の手からプログラムまで 1 番の場所 4段階
  1. キーが押される

    キーボードの中の小さなコンピューターがどのキーが動いたかを見つけ、それを数字にしてケーブルへ流します。

  2. オペレーティングシステムが受け取る

    のがその数字をに変え、今いちばん手前にある窓へ向けて列に並べます。

  3. プログラムが列から取り出す

    どのも、イベントを一つずつ取り出して処理する繰り返しを回しています。入力欄に文字が現れるのがこの段階です。

  4. マイクは別の道を行く

    音は 1 秒に何万回もの測定値として届きます。テキストが見る前に、モデルが話された部分を文字にします — ただ、新しいモデルの中には音をそのまま聞けるものもあります。

2 送るものを詰める 1 番の場所 7段階
  1. システムプロンプト

    プログラムを作った人があらかじめ書いておいた決まりが先頭に付きます — おまえは何で、どう答えるべきか。

  2. ここまでの会話

    これまでのやり取りが順番どおりに入ります。上限があるので、アプリは古いものから外したり、短くしたり、要約したりします — 入らなかったものは、モデルにはただ見えません。

  3. 自分が添えたもの

    画像やファイルは、サービスが受け付ける形で添えられます。生の、ファイル 、リンク、あるいは と呼ばれる長い文字の並びです。 からは、サービスが文字を抜き出したり、ページを画像にしたり、 で読み取ったりします。

  4. 自分の資料を探す(RAG)

    これが です。質問を数字(またはキーワード)に変え、自分の資料の中からいちばん合う部分を探して一緒に詰めます。モデル自体をし直すわけではありません — 見つかった部分も、やはり確かめる必要があります。

  5. 道具の一覧

    アプリが許可したすべての道具の名前と入力の形が、メニューのように書き出されます。アプリは自分の道具を並べることも、から受け取ることもできます。

  6. スキルとコマンド

    誰かが前もって書いておいた指示の束 — — が、作業に必要なときに差し込まれます。スキルはスクリプトや参考ファイルも持てるので、信用する前に中身を読んでください。

  7. 上限に合わせる

    かばん全体がで数えられます。上限を超えると、アプリは何かを切ったり、短くしたり、外したりしなければなりません — たいていは、いちばん古いものからです。

3 インターネットを渡る 2 番の場所 4段階
  1. 住所を調べる

    の名前を数字の住所に変えます()。

  2. 道を開き、錠をかける

    何かを送る前に、自分のコンピューターとサーバーが道を開き、を取り決めます。だから途中の誰にも、通るものは読めません( と 。新しい は で両方をこなします)。

  3. 誰なのかを示す

    リクエストの頭に鍵()や札(トークン)を付けます。誰の分として計算するかがここで決まります。

  4. リクエストを送る

    ここまで詰めたものすべてが一つのリクエストになり、たいていは で書かれて出ていきます。ライブの音声のように両側が話し続ける必要があるときは、代わりに接続を開いたままにしておきます。

4 サーバーの門前 3 番の場所 3段階
  1. 門番

    鍵が合っているか、呼びすぎていないかを見て、空いている計算機に渡します。

  2. 待ちの列

    リクエストはすぐには計算されず、しばらく列に並びます。順番が来ると、はすでに載せてある一組の数字で、待っていた複数の質問をまとめて計算します。

  3. 入ってきたものを調べる

    計算を始める前に、決まりに反するリクエストでないかを先に見ます。

5 サーバーの中 — 機械とランタイム 3 番の場所 3段階
  1. 数字のファイルが眠っている

    学習を終えたモデルは、保存装置に置かれた大きなファイルです。それだけでは何も計算しません。このサイトのもファイル四つ、合わせて約 です。

  2. ランタイムが一度だけ載せる

    サーバーが起動するとき(またはアプリが準備するとき)、ランタイムがそのファイルを読み、動かせるように整えてに置いておきます。だから質問のたびに開き直すことはありません。メモリが足りなくなったり、サーバーが再起動したりすると、もう一度読み込む必要があります。

  3. アクセラレーターが掛け算を引き受ける

    同じ掛け算を途方もない回数こなす必要があるので、まさにそのために作られた部品に任せます。その隣の速い記憶に数字が居座ります。ふつうの でもできますが、その場合は遅いだけです。

サーバー一台の中の配置
サーバーのコンピューター一台
ふつうの処理装置とメモリ
保存装置にある重みファイル
モデルランタイム — 載せて面倒を見るプログラム
アクセラレーターとその隣の速い記憶

ランタイムはの中に入っているのではありません。ファイルを読んでその部品の隣の記憶へ数字を載せる、別に動くプログラムです。

複数のリクエストをまとめるのは 17 番、済んだ計算を取っておくのは 27 番 — どちらもこのプログラムの仕事です。

6 モデルが計算する 4 番の場所 7段階
  1. トークンに切る

    文章は、このモデルのが知っているかけらに切られ、一つ一つに決まった番号(ID)が付きます。別のモデルなら、同じ文章を違うかけらに切るかもしれません。

  2. 番号を数字の並びへ

    ID の一つ一つが、学習のあいだに身につけた長い数字の並び()を選び出します。ID の番号そのものには意味がありません。似た使われ方をするかけら同士で似てくることがあるのは、この数字の並びのほうです。

  3. 順番を記す

    各トークンが何番目にあるかも数字として伝えます — これがないと、モデルは「犬が人をかんだ」と「人が犬をかんだ」を見分けられません。やり方はモデルによって違い、(RoPE)はよく使われる方法の一つです。

  4. 互いを見る(アテンション)

    — モデルはトークンごとに、前にある各トークンをどれだけ見るかを計算し、それに合わせて情報を混ぜ合わせます。見るのはすでに書かれたほうだけで、まだ書かれていないトークンは決して見ません。

  5. 層を重ねて掛けて足す

    数字はたくさんの層を通ります — 大きなモデルでは数十層 — 各層がアテンションと、掛け算と足し算をひと回りずつ行います。層を通るたびに数字は少しずつ変わり、層がいくつあるかはモデルによります。

  6. すべてに点数をつける

    最後の層が、知っているトークン全部に点数を出します。モデルによって数万〜数十万個に一度に点数が付きます。

  7. 一つ選ぶ

    最後の点数はに変えられます()。は確率をとがらせたり平らにしたりし、 と top-p はいちばんありそうな少数だけを残し、それから一つのトークンが引かれます。いつも最高点を取るやり方は(greedy)と呼ばれます。

7 トークン一つずつ、何度も 4 番の場所 3段階
  1. 後ろにつなげる

  2. 済んだ計算を使い回す

    前のトークンのためにすでに計算した数字は、やり直さずに取っておきます()。時間は節約できますがメモリを使います。それに全体の速さは、文章の長さ、サーバーの混み具合、にも左右されます。

  3. 20 番へ戻る

    トークン一つ分長くなった文章が、もう一度モデルを通ります — 27 番のおかげで、計算済みの部分は使い回されます。「終わり」を意味するトークンが出るか、長さの上限に達するまで、ぐるぐると回ります。

答えを書き進める繰り返しがこれです — トークン一つごとに 20 番へ戻ります。

8 帰り道 2 番の場所 4段階
  1. トークンの番号を読める文字に戻す

  2. 出てくるそばから流す

    答え全体を待たず、できたそばから小さなかたまりにして押し出します()。

  3. 出ていくものを調べる

    出ていく文も、決まりに反していないかを見ます。

  4. 使った分を記録する

    送ったトークンと受け取ったトークンの数を数えます。料金が出てくるのはここです。

9 プログラムが受け取る 5 番の場所 4段階
  1. 届いたかけらを順につなぐ

  2. 画面に描く

    を読んで見出し・・枠に変えて描きます。かけらが届くたびに描き直します。文字がタイプしているように増えて見えるのは、30番の「流す」しくみのためです。

  3. 道具の要求を見つける

    答えの中に決まった形の道具呼び出しが混じっていないかを、プログラムが見張っています。

  4. 引数を確かめる

    その道具が実際にあるか、引数の形が合っているかを、動かす前に調べます。

10 手を借りる繰り返し 5 番の場所 4段階
  1. 許可を求める

    ファイルの削除やコマンドの実行のような危ない操作の前には、よくできたアプリならまずこちらに確認を求めます。その確認はモデルではなくアプリの中にあり、それを切るのは人が下す判断です。

  2. 実際にやる

    アプリが、モデルに頼まれたことを実行します。ファイルを書き換える、コマンドを動かす、別のプログラム(MCP サーバー)を呼ぶ — ただし与えられたの範囲内だけです。

  3. 結果を詰める

    何が出たか、失敗したならなぜかを、6 番の会話に新しい行として詰めます。

  4. 15 番へ戻る

    その結果を入れて詰め直したかばんが、もう一度送られます。モデルが終わったと言うまで、あるいは上限・キャンセル・エラーのためにアプリが止めるまで、これが続きます。

人がと呼ぶ繰り返しがこれです — 15 番へ何度も戻ります。

モデルファイルの中へ

数値、精度、メモリ — そして数値を動かすランタイム

  1. モデルファイル 楽譜
  2. ランタイム 指揮者
  3. CPU · GPU 演奏者
代表的な三つのランタイム
得意なこと
多様なをさまざまな機器で
自分のコンピューターでを実行()
巨大なモデルを個人のPCで
詳しく見る

モデルは、学習で得た膨大な数値と計算構造です。ランタイムはその構造をメモリに読み込み、CPUやなどの計算装置で実際に実行するエンジンです。

モデルファイルを楽譜、CPU・GPUを演奏者、ランタイムを楽譜を読んで演奏をまとめる指揮者と考えると分かりやすいでしょう。

— 画像・音声・言語など多様なモデルを、さまざまなOSとで動かす汎用エンジンです。を介して装置別のアクセラレータにつなぎます。

— やの幅広い機器で・を手軽に動かすことに重点を置いたエンジンです。形式のモデルファイルとよく使われます。

— 非常に大きなモデル(たくさんの専門家のうち一部だけを選んで計算するモデル)を個人のコンピューターで動かすために作られたランタイムです。 GPU・CPU・メインメモリ(RAM)とその間の接続を、一台のマシンのようにまとめて使います。

パラメータとは?

パラメータとテンソルの関係
    • 行列
        • = 1個
[0.2, −0.7, 1.3] ベクトル1個・スカラー数値3個・パラメータ3個
0.10.2−0.30.7−0.40.9 これは一つの2 × 3ですが、数値が6個あるため、も6個です。

のBはByteではなくBillion(10億)です。8Bモデルとはベクトルが80億個ではなく、一つ一つが数字一個(スカラー)であるパラメータが約80億個あるという意味です。

パラメータと重み

パラメータ
  • 重み
  • バイアス
  • 埋め込み
  • 正規化係数
y = w₁x₁ + w₂x₂ + b

はパラメータですが、すべてのパラメータが重みというわけではありません。

詳しく見る

パラメータ(英語: parameter)は、モデルが学習によって得たり調整したりしたスカラー数値一つです。ベクトル・行列・テンソルは数値を入れる容器で、その中のスカラー数値一つ一つをパラメータとして数えます。

重み(英語: weight)は代表的なパラメータで、入力を結果へどれほど強く反映するかを決めます。バイアス、埋め込み、係数などもパラメータになり得ます。

パラメータ一つが知識一つを入れる箱なのではありません。テンソルや行列が引き出し棚なら、パラメータは中の数値一マスであり、ビット数はその数値をどれほど精密に記録するかを表します。

パラメータ一つは何ビット?

パラメータ当たりのビット
  • 32 bit · 4 B
  • / BF16 16 bit · 2 B
  • 8 bit · 1 B
  • 4-bit 4 bit · ≈ 0.5 B
詳しく見る

パラメータは一つの数値ですが、で保存できます。ビット数を減らすと通常はメモリを節約できますが、実際のファイルにはスケールやなどの追加容量もあります。

なぜ8Bモデルが約8GBになるのか?(8ビットの場合)

重み容量 ≈ パラメータ数 × 1パラメータのビット数 ÷ 8
8B
  • FP16 ≈ 16 GB
  • 8-bit ≈ 8 GB
  • 4-bit ≈ 4 GB
32B
  • FP16 ≈ 64 GB
  • 8-bit ≈ 32 GB
  • 4-bit ≈ 16 GB
70B
  • FP16 ≈ 140 GB
  • 8-bit ≈ 70 GB
  • 4-bit ≈ 35 GB

表は重みだけを十進単位で単純計算した理論値です。実際の量子化ファイルはスケール、メタデータ、その他の構造により大きくなる場合があります。

詳しく見る

8ビット精度ではパラメータ一つが約1バイトです。したがって80億パラメータの純粋な重みは約8GBになります。同じパラメータ数でも精度が変われば容量も変わります。

MoE — 少数の専門家だけが働くモデル

MoE(Mixture of Experts)は「複数の専門家の組み合わせ」という意味です。モデルの中にいくつもの専門の処理部分(専門家)を置き、入力に応じてその一部だけを選んで計算する構造です。

ロボットの受付が質問カードを、たくさんある専門家の机のうち3つだけに送り、明かりのついたその3人だけが働いているオフィスの絵
専門家が30人いる会社で、質問ごとに必要な3人だけが働くようなものです。実際の専門家がちょうど30人・3人という意味ではありません。
Qwen3-Coder 30B-A3B — トークンごとに 128 個の専門家のうち 8 個だけが計算します
トークン1つ
ルーター — 専門家を選ぶ
次の計算へ
  • このトークンに選ばれた専門家
  • 今回は休んでいる専門家(それでもメモリーにある)

名前の読み方 — Qwen3-Coder 30B-A3B

30Bモデル全体に約300億個のパラメーターがあります。
A3Bトークン1つを処理するとき、約30億個のパラメーターが計算に参加します(A = Active)。
パラメーター数(B = 10億個)
  • モデル全体 — メモリーに入れる量 ≈ 30.5B
  • トークンごとに計算する量 ≈ 3.3B

効果 — 300億個すべてを毎回計算するモデルより計算量を減らせます。

メモリー — 選ばれうる専門家をすべて用意しておく必要があるので、モデル全体を入れる RAM はやはり必要です。

そのため、GPU のない CPU サーバー(例: 12 vCPU・48GB RAM)では MoE が有力な候補です。大きなモデルをメモリーに載せながら、毎回の計算量は減らせるからです。ただし実際の速度は CPU とメモリーの性能によって変わります。

詳しく見る

MoE の専門家は、人のように決まった分野を一つずつ受け持つのではなく、学習の中で自然に役割が分かれた小さなです。ルーターも学習で作られ、トークンごとに専門家に点数をつけて最も合う数個を選びます。そのため同じ文の中でも、トークンごとに選ばれる専門家が変わることがあります。

数値の出典: 公式(2026-10-23 確認)

実行時にはさらにメモリが必要

実行中にメモリを分け合う様子 例
  • 重み
  • KVキャッシュ
  • 計算バッファ
  • ランタイムのオーバーヘッド

KVキャッシュはが長いほど大きくなります

実行メモリ = 重み + KVキャッシュ + 計算バッファ + ランタイムのオーバーヘッド
詳しく見る

重みファイルは出発点にすぎません。推論には過去のトークンを保持するKVキャッシュ、一時的な、ランタイムのも必要です。理論上4GBのモデルでも実際には5〜8GB以上を使うことがあり、文脈が長いほど通常KVキャッシュは大きくなります。

小さな数値でどうして多くの知識を表せる?

点一つはただの色一つですが、たくさん集まると絵になります
詳しく見る

8ビットは256段階を表せますが、パラメータ一つに「ソウルは韓国の首都」のような文が入っているわけではありません。知識は、多数の層で相互作用する数十億のパラメータが作るパターン全体に分散しています。

画素一つは単なる色の値ですが、数百万個が並ぶと顔や風景が現れます。モデルの知識も同じように、分散した数値パターンから現れます。

AIモデルは、ベクトル・行列・テンソルにまとまった膨大なスカラーパラメータのパターンです。精度が理論上の重み容量を決め、ランタイムは重みをメモリに読み込み、追加の作業メモリを使ってハードウェア上で実行します。

続けて読む

予約できる時間が過ぎました

リエンと音声で会話 言語とテーマを選んで、リエンと声で話しましょう

リエンは English · 한국어 · 日本語 · हिन्दी で声に出して話します。ほかの言語は文字で答えます。

リエンとの音声会話は会員だけが使えます。まず会員登録をしてください。