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。

ファインチューニング(fine-tuning)と LoRA — フルファインチューニングと LoRA の違い

ファインチューニングは、学習済みのモデルを少しだけ追加で学習させることです。LoRA はその反対ではなく、やり方の一つです。フルファインチューニングと LoRA の違いと選び方を説明します。

用語集に戻る 2026-11-10 に出典を確認しました
音響卓が二台並んでいる。左ではロボットの腕がすべてのつまみを動かし、右では音響卓がガラスのカバーで閉じられ、横に差し込んだ小さなパネルだけを一本の腕が調整している

絵で見ると

  1. フルファインチューニング full fine-tuning

    ロボットアームが音響卓のすべてのつまみを動かします。モデルの重みをすべて学習し直します。

  2. LoRA Low-Rank Adaptation

    音響卓はガラスのカバーで閉じておきます。横に差し込んだ小さなパネルだけを調整します。

LoRA はファインチューニングのやり方の一つ

ファインチューニングは、すでに済みのを持ってきて、自分ので少しだけ追加で学習させることです。LoRA はファインチューニングの反対ではありません。ファインチューニングのやり方の一つです。

ふつう「ファインチューニング」とだけ言うと、すべてのを更新するフルファインチューニング(full fine-tuning)を指します。LoRA は、ごく一部だけを学習する軽い方法です。このような軽い方法を PEFT(効率のよいファインチューニング)と呼びます。

ファインチューニング fine-tuning

フルファインチューニング full fine-tuning

モデルのすべての重みを更新します。

parameter-efficient fine-tuning

ごく一部だけを学習し、残りはそのままにします。

  • LoRA

    小さなを二つ足して、それだけを学習します。

  • したモデルに LoRA を使うので、がさらに少なくて済みます。

つまり選ぶのは「ファインチューニングか LoRA か」ではなく、「フルファインチューニングか LoRA か」です。

ファインチューニングの二つの方法

どちらも同じ済みのモデルから始めます。違うのは、そのモデルの重みをどれだけ変えるかです。

事前学習済みのモデル

  1. フルファインチューニング

    full fine-tuning

    事前学習済みのモデルの重みを、新しいデータですべて学習し直します。

    学習するもの
    7B モデルなら、7,000,000,000 個のパラメータがすべて変わります。
    できるもの
    結果として、元と同じ大きさの新しいモデルが丸ごと一つできます。
  2. LoRA

    Low-Rank Adaptation

    LoRA(Low-Rank Adaptation)は、元の重み W を固定し、その横に小さな行列を二つ(A と B)付けて、その二つだけを学習します。

    学習するもの
    学習するパラメータは、ふつう元の 0.1〜1% だけです。
    できるもの
    結果は、元のモデルに付け足す小さなのファイルです。

LoRA の式

モデルは重みを、行列という大きな数の表に入れています。LoRA は表 W を書き換えません。小さな表 B と A を掛けたものを、その上に足します。

W′ = W + ΔW = W + B·A

W′調整後に使う重み W元の重み 固定 ΔW変化量
ΔW変化量 B小さな行列 学習 A小さな行列 学習

それぞれの行列の大きさ

W
d 行 × d 列。変えません。
B
d 行 × r 列。学習します。
A
r 行 × d 列。学習します。
r
r はランク(rank)と呼ばれ、d よりずっと小さい数です。 (r ≪ d)

LoRA は一つの仮定の上に成り立っています。ファインチューニングで生じる重みの変化量 ΔW は、で十分に近似できるという仮定です。

数字で見ると、どれだけ小さくなるか

d = 4,096、r = 8 の層を一つ例にします。

フルファインチューニング

16,777,216

学習するパラメータ

W 全体: d × d = 4,096 × 4,096

LoRA

65,536

学習するパラメータ

B と A: 2 × d × r = 2 × 4,096 × 8

全体の約 256 分の 1

一つの層で学習するパラメータの数(d = 4,096、r = 8)
  • フルファインチューニング 16,777,216
  • LoRA 65,536

二本の棒は同じ目盛りなので、LoRA の棒はほとんど点に見えます。

LoRA はふつう、層の一部の行列にだけ使います。そのためモデル全体で見ると、学習するパラメータは元の 0.1〜1% だけです。

フルファインチューニングと LoRA の比較

フルファインチューニング vs LoRA
項目 フルファインチューニング LoRA
学習するもの すべての重み 追加した低ランク行列だけ
と学習時間 大きい ずっと小さい。 でモデルを量子化すると、さらに小さくなります
結果の大きさ モデル全体。数 〜数十 GB アダプターのファイル。数 MB〜数百 MB
複数の作業への対応 作業ごとにモデル全体のコピーが必要です ベースモデルは一つで、アダプターだけを取り替えます
の速さ 元と同じ アダプターを W に統合すれば元と同じ
元の知識を忘れること 危険が大きい 元の重みが固定なので比較的小さい
表現力 最も高い ランク r によって制限されます

とは、モデルが新しいことを学ぶうちに、もともと知っていたことを失ってしまうことです。

どちらを選ぶか

実務のほとんどは LoRA で行います。フルファインチューニングは、LoRA では足りないときに使います。

LoRA が合う場合

実務のほとんど
  • 大きなベースモデルに、話し方や分野の用語、決まったを持たせたいとき
  • が限られているとき
  • 用途ごとに複数のバージョンを運用する必要があるとき

フルファインチューニングが合う場合

LoRA では足りないとき
  • ベースモデルがほとんど知らない新しい言語や分野のように、動作を大きく変える必要があるとき
  • データと計算資源が十分にあるとき
  • モデルがとても小さいとき

超小型モデルに LoRA は必要ありません

パラメータが数百万〜数千万個しかない超小型モデルは、全体を学習しても費用が小さく済みます。そのため LoRA の利点はほとんどありません。LoRA は、モデルが大きいほど効果が大きくなる技術です。

出典

このページは下の論文と文書をやさしい言葉でまとめたもので、2026-11-10 に確認しました。内容が違う場合は、原文が正しいです。

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。