その他AIツールの使い方・比較ガイド

2026年7月16日、Moonshot AIが総パラメータ2.8兆の「Kimi K3」を公開した。米半導体株が売られ、ホワイトハウス高官が「Anthropicのモデルを蒸留した」と名指しするところまで発展している。ただしこの話題は数字も呼び方も出所によって食い違うため、本記事はベンチマークの発行元・金融メディア・Moonshot自身の発表・Hugging Faceの実ページを突き合わせ、誰がどの数字を出したのかを明示しながら整理する。性能はArtificial Analysis Intelligence Indexで57点・3位（2026年7月17日時点、ただし同じ57点で4位・7位という集計も併存する）。実務指標のGDPval-AA v2ではK3 1668に対しFable 5が1760、Opus 4.8が1600で、前世代K2.6の1190から478ポイントの跳躍——市場が反応したのは絶対順位よりこの詰め方だ。コーディングではArena.aiのFrontend Code Arenaで1679の1位（Fable 5 1631）を取った一方、FrontierSWEではFable 5の86.6%に対し81.2%で負けている。価格は比較対象で評価が逆転する：入力$3／出力$15はClaude Opus 4.8（$5/$25）やGPT-5.6 Sol（$5/$30）より入力で約4割・出力で4〜5割安く、実測でも1タスク$0.94がOpus 4.8の$1.80を下回る。しかし中国勢の中では最も高く、GLM-5.2の約3倍・DeepSeek V4 Proの約23倍で、DeepSeekショックのような桁違いの安さではない。重みは「オープンソース」と報じる媒体（VentureBeat、SCMP）と「オープンウェイト」と書くReutersに割れており、正確なのは後者。重みは2026年7月27日に予定どおり公開され、Hugging Faceから承認申請なしで取得できる（96分割のsafetensors）。同時に公開されたライセンスは独自の「Kimi K3 License」で、MIT風の許諾を土台にModel as a Service事業の売上2,000万ドル超なら個別契約、月間1億ユーザー超の製品ではUIへの明示、という2条件が付く。規模で許諾が変わる以上OSI定義のオープンソースではなく、呼称の割れはライセンス条文で決着した。株価はナスダック金曜-1.5%、台湾-6%超、日本-4%、半導体ETF(SMH)が6月末高値から20%超下落したが、SOXの週間下落率は媒体により-9%〜-12.5%と食い違い、その後は押し目買いで戻している。蒸留疑惑は、Fableの一般公開7月1日からK3公開7月15日まで15日という日程を根拠に研究者が否定しており、公開された証拠はない。速度（33〜62トークン/秒と計測がぶれ、OpenRouterは容量逼迫で429頻発を警告）、ハルシネーション率の39%→51%への悪化、Moonshot自身が認める「ユーザー体験の明確な差」まで確度ラベル付きで扱う。

2026年7月24日、AnthropicがClaude Opus 5を公開。Anthropic自身が「Opus 4.8からの段階的改善ではなくstep-change」と表現する世代交代だが、料金は入力$5/出力$25で据え置き＝最上位Fable 5（$10/$50）のちょうど半額に据わった。本記事では公式発表・公式ドキュメントと複数報道を突き合わせ、基本スペック（claude-opus-5・1Mトークンが既定かつ最大・最大出力12.8万・知識カットオフ2026年5月）、料金とキャッシュ単価・fast mode（2.5倍速で単価2倍、API限定）、ベンチマーク（公式明言のFrontier-Bench「Opus 4.8の2倍超」・CursorBench 3.2でFable 5と0.5%以内・ARC-AGI 3で次点の3倍・OSWorld 2.0をFable 5の約1/3コストで超える、報道ベースの実数値としてFrontier-Bench 43.3%／ARC-AGI-3 30.2%／GDPval-AA 1,861／OSWorld 70.6%）、そして勝てていない領域（DeepSWE v1.1でGPT-5.6 Solに68.8%対72.7%と劣後、サイバー攻撃側と長時間の生物研究はMythos 5が上、max effortが最良とは限らない）を整理。さらにAPIの破壊的変更2件（思考が既定ONでmax_tokensの見直しが必要／思考OFFはeffort high以下でのみ許可、xhigh・maxとの併用は400エラー）、effort5段階の使い分け、会話途中のツール変更ベータ・キャッシュ最小長512トークン・fallback既定モードといった新機能、冗長化・実況増加・委譲増・自己検証という「性格」の変化に対する“プロンプトは足さず削る”移行のコツ、そして誰が今すぐ移行すべきかと6ステップの移行手順まで実務目線でまとめる。

2026年7月8日、OpenAIがChatGPTの音声を刷新する新モデル「GPT-Live」を全世界に公開した。最大の特徴は「聞きながら、同時に話せる」全二重（フルデュプレックス）アーキテクチャで、あなたが話している最中に相づち（mhmm/yeah）を返し、話の途中で割り込んでも受け止め、考える沈黙を「話し終わり」と誤解して遮らない——ターン制（半二重）だった従来のAdvanced Voice Modeとは根本的に異なる。応答レイテンシは250ms未満。会話の即応はGPT-Liveが担い、Web検索や深い推論が必要な場面では裏でGPT-5.5に委譲（Instant/Medium/Highで深さを選択）して会話を途切れさせない。無料プランはGPT-Live-1 mini、Go/Plus/ProはGPT-Live-1が既定で、iOS・Android・Webに展開。人間評価でもAdvanced Voice Modeより明確に好まれた。本記事では、GPT-Liveの正体、従来との違い、仕組み、2モデルとプラン、主な進化点、そして正直に押さえるべき制限（動画・画面共有は未対応、多言語の完全対応は未達、APIは未提供でGPT-Realtime-2.1が別系統）までを公式発表に基づいて解説する。

「絵心がないから」とあきらめていた人ほど、AIお絵かきは遊びの宝庫だ。頭の中のイメージを言葉で伝えるだけで絵になり、スマホの写真も子どものラクガキも数十秒で作品に変わる。本記事はツール比較でも本格講座でもなく、家族でもひとりでもニヤッとできる「遊びのネタ帳」。無料で始められる道具（ChatGPT・Google Gemini・Microsoft Copilot・Canvaなど）から、10の遊び方（①ラクガキが作品に②写真を別画風に③自分だけのキャラを旅させる④子どもの絵を絵本の1コマに⑤オリジナル絵文字⑥4コマ・絵本挿絵⑦もし○○が××だったら合成⑧自作ぬりえ⑨部屋の模様替え⑩お絵かき対決）、うまく描かせるちょいコツ、遊ぶ前に知っておく3つ（他人の顔を使わない・権利と商用・AI生成の明示）までを、初心者・ファミリー目線でまとめた。

ローカルLLMを動かす定番ツールOllama（オラマ）の使い方を、インストールからAPI活用まで初心者向けに一気通貫で解説する2026年版ガイド。本記事は、Ollamaとは何か（ローカルLLMを手軽に動かす無料OSS＝「LLM版Docker」。モデルDL・量子化形式・GPU設定を肩代わりし、ローカルにAPIサーバーも立つ。LM Studioとの違い＝Ollama=CLI/API/開発者向け、LM Studio=GUI/入門向け）、インストール（公式ollama.comからWin/Mac/Linux・Win/Macはアプリ起動でAPI自動起動・Linuxは1行スクリプト/Dockerイメージ）、基本コマンド早見（run/pull/list(ls)/ps/rm/serve、終了は/bye）、モデルの入れ方・選び方（名前+サイズタグ llama3.2:3b・VRAMに乗るサイズを選ぶ・gemma3:4b/qwen3/qwen3-coderの例・選び方は152、必要VRAMは151へ）、GUI（Open WebUIでChatGPT風画面・最初からGUIならLM Studio）、API活用（localhost:11434・ネイティブ/api/chat・OpenAI互換/v1/chat/completionsで既存コードの接続先変更だけで流用・クラウドのフォールバック）、カスタマイズ（Modelfileで自分専用モデル・環境変数OLLAMA_HOST/OLLAMA_MODELS）、つまずき対処（遅い=VRAM不足/落ちる=RAM不足8GB-16GB目安/API繋がらない=serve・11434/モデル名違い）までを公式情報（2026年時点）に基づき解説する。

ローカルLLMのおすすめモデルを「開発元・出身国・用途・サイズ・ライセンス」で整理する2026年版の比較記事。本記事は、万能の1つはなく「サイズ(VRAM上限)×用途×出身国」の3軸で選ぶという結論、主要ファミリー一覧(開発元・国つき＝Qwen:Alibaba中国・総合力/CJK強・第一候補／Llama:Meta米国・定番・情報量／Gemma:Google米国・軽量効率／DeepSeek:中国・推論コーディング/蒸留小型／Mistral:仏Mistral AI・欧州ソブリンAI・バランス／Phi:Microsoft米国・超小型でも賢いSLM／GLM:Zhipu中国・コーディング、Falcon:UAE・Command:Cohereカナダ)、「出身国」で何が変わるか(★ローカル実行なら入力データは外=開発元の国に送信されない＝中国製でも入力は中国に送られない。効くのはライセンス・組織/政府の調達方針・得意言語の3点)、日本製ローカルLLM(フルスクラッチ系=PLaMo/CyberAgent CALM3/Sarashina/NTT tsuzumi/LLM-jp、海外+日本語強化系=ELYZA(Llamaに日本語追加学習)/Swallow/Rakuten AI)、サイズ別(〜4B/7〜14B/32B/70B+具体モデル名)、用途別(総合/コーディング/日本語/推論/軽量/長文脈)、ライセンス注意(Apache2.0/MIT寛容・Llama系/Gemmaライセンスは独自条件要確認)、選び方フローと導入(Ollama pull)までを解説。オープンモデルは更新が速いため「系統＋用途＋国」で選ぶ方針。2026年時点・最新版とライセンスは配布元で要確認。

ローカルLLMを動かすのに必要なPCスペックを、初心者向けに整理する記事。本記事は、必要スペックの9割はVRAM（GPUのメモリ）で決まること（モデルがVRAMに乗れば快適・乗らなければ激遅か動かない／AppleのM系Macは統合メモリで搭載RAMをVRAMとして使える）、量子化の基礎（FP16=1パラメータ約2バイト／Q8=約1バイト＝半分／Q4=約0.5〜0.7バイト＝約1/4で個人の定番、ざっくり計算式＝パラメータ数B×バイト数＋KVキャッシュで+10〜20%）、モデルサイズ別の必要VRAM早見表（Q4前提で7B〜8B≒6〜8GB／13〜14B≒8〜12GB／32B≒20〜24GB／70B≒40〜48GB+／100B超は128GB+）、文脈長とKVキャッシュの落とし穴（7Bで4k≒+0.3GB・32k≒+2.5GB・128k≒+10GBと長文ほど増える）、GPU・Mac別の現実と速度目安（RTX 3060=入門/4090=32B級・7Bで100tok/s超/5090=32B Q8や70B/Apple M4・M5 Max 64GBで70B可・約20〜30tok/s/CPUのみは遅い）、VRAM以外（システムRAM16〜32GB・SSD・電源冷却）、予算別おすすめ3ティア（入門8〜12GB／標準24GB／本格40〜64GB+）、動かせるモデルの見極め方（VRAM確認→サイズ×0.6+文脈→収まるか）までを2026年の情報で解説する。

自分のPCで動かすローカルLLMと、クラウド経由のClaude・ChatGPT・Geminiなどサービス型LLMの違い・性能差・選び方を整理する記事。本記事は、本質（ローカル=自前主義で自由とプライバシーを取り性能と手間を払う／クラウド=預け主義で最高性能と手軽さを取り課金と依存を払う＝優劣でなくトレードオフ）、7観点の比較表（性能/コスト/プライバシー/速度/手間/オフライン/マルチモーダル）、2026年の性能差の現在地（DeepSeek・Qwen・Llama・GLM・GemmaなどオープンモデルがSWE-Bench系で数ポイント差まで猛追、要約・翻訳・定型コードはローカルでクラウド中位=Sonnet級に近い／複雑な多段推論・長文一貫性・エージェント動作・マルチモーダル＝最難関の1〜2割はクラウド優勢、オープンは数ヶ月遅れで追う位置取り、ローカルはサイズで性能が激変）、コストの違い（クラウド=従量・少量なら割安／ローカル=初期投資後トークン無料・大量利用ほど得・中量が分岐点・隠れコストは時間）、プライバシー・データ主権（ローカルはデータが一切外に出ず規制/エアギャップ向き）、必要ハード早見（量子化前提で1Bあたり0.5〜1GB、7B=VRAM8〜12GB・32B=24GB・70B=40〜48GB以上）、向き不向き、決定ガイド（機密→品質→使用量の順、多くの人はハイブリッドが最適でクラウド停止時のフォールバックにも）までを2026年6月時点の情報で解説する。

巨大なAIモデルを丸ごと学習し直すのは高すぎる、でも自分用に少しだけ調整したい、その願いを叶えるのがLoRA（Low-Rank Adaptation／低ランク適応）。元のモデルはそのまま凍結し、ごく小さな追加部品（アダプタ）だけを学習することで学習するパラメータを約90%減らす。LoRAはファインチューニングを劇的に安く速くする技術であり、Stable Diffusionなどの画像生成でキャラや画風を足す小さなファイルとしても大人気。本記事は仕組みをパッチ（あて布）のたとえで解説する。LoRAはパラメータ効率の良いファインチューニング（PEFT）の代表格で、核心は巨大な元の重みを一切変えず凍結し各層に小さな追加行列を差し込みそこだけ学習する（W = W₀ + BA、W₀は凍結、BAが小さな追加分）。AIの調整は実はそんなに大きく変える必要がない＝低ランクで足りるという発見が土台。メリットは学習パラメータ約90%減（GPT-3規模で従来比1万分の1との報告）・省メモリ高速安い（GPU記憶約3分の1）・推論はアダプタを統合すればレイテンシ増なし・過学習しにくい。最大の強みはアダプタの付け替えで、土台共通のまま用途ごとに数MBのLoRAを差し替え瞬時に切り替えられる。多くの人が最初に触れるのは画像生成で、Stable Diffusionでは特定キャラ・画風・被写体を覚えた小さなLoRAが無数に共有される（画風を足す、キャラを覚えさせる、軽く共有しやすい）。QLoRAは量子化と組み合わせ土台を4ビットに圧縮したままLoRAを学習し、標準LoRAよりさらにメモリ約4分の1、家庭用GPU（場合によりCPU）でも巨大モデルを微調整でき精度低下もごくわずか。フルファインチューニング（全パラメータ学習）との違いは学習する重み・コスト・成果物・向く場面で、多くの実務ではまずLoRAで十分。土台はそのまま味付けは小さく、が要点。数値は各種公表資料の引用で傾向の参考。

70B（700億パラメータ）の巨大モデルが手元のゲーミングPC1台で動く、それを可能にするのが量子化（quantization）。モデルの重みの数値精度を下げてサイズと必要メモリを劇的に小さくする技術で、モデル蒸留が別の小さいモデルに知識を移すのに対し量子化は同じモデルを軽くする。本記事は仕組みを写真の圧縮のたとえで解説する。量子化は重み（パラメータ）をFP16/FP32の小数からINT8（8ビット）やINT4（4ビット）の整数に置き換え、1重みあたりの容量を減らす（FP32=4バイト、INT8=1バイト、INT4=0.5バイト）。RAW写真をJPEGに圧縮するように少しの精度を犠牲に大きな軽さを得て、驚くのは失うものがこれほど少ないこと。どれだけ軽くなるかは、4ビット化でFP16比約1/4、70Bモデルは140GB→約35GB、8Bモデルは4ビットで約4.5〜5GBとミドルクラスGPU（VRAM 8GB）に収まりローカル実行できる＝LLMの民主化。精度はINT8でほぼ無損失、INT4でも一般的なQ&Aや常識タスクなら劣化4%未満との報告だが、数学・コード生成・難しい推論では低下が目立ちやすく用途に合うビット数を選ぶのが肝心（パープレキシティの微増として現れる）。主な手法はGPTQ（精度を保つ4ビット圧縮の先駆け）、AWQ（重要な約1%の重みを保護しGPTQより1〜2%高精度＋高速）、GGUF（llama.cpp/Ollama形式でQ2_K〜Q8_0、CPU+GPU併用可、ローカル向け）、QLoRA（4ビット土台にLoRAで家庭用GPUでも微調整）。蒸留（別の小モデルに移す）・ファインチューニング（特定用途に追加学習）とは狙いが違い、組み合わせて使うのが普通（蒸留した小モデルをさらに量子化、量子化土台にFT等）。始め方はローカルならGGUF（Ollama）を1コマンド、VRAMに合わせてQ4/Q8を選び、コード生成や厳密計算ならINT4を避けINT8以上に。たいてい量子化済みモデルが配布されダウンロードして使うだけ。賢さはそのまま重さだけ落とす最も実用的な一手。数値は各種公表資料の引用で傾向の参考。

巨大で高性能なAIは賢いが重くて高い、その悩みを解くのがモデル蒸留（Knowledge Distillation）。大きな先生（teacher）モデルの知識を小さな生徒（student）モデルに移し、10分の1のサイズ・速度で先生の性能の95%以上を保ついいとこ取りを狙う技術。本記事は仕組みを先生と生徒のたとえで解説する。カギはソフトラベルで、普通の学習が正解は猫とだけ教える（ハードラベル）のに対し蒸留は先生が出す90%猫8%犬2%キツネといった確率分布ごと生徒に渡し、その迷いの度合いに正解だけでは伝わらない豊かな情報が含まれる。さらに温度（Temperature）で確率をやわらかくし似たもの同士の微妙な関係まで見せる（実例：GPT-4o miniがGPT-4oから蒸留）。メリットは速くて安い・約10倍コンパクトで性能95%以上維持・エッジで動く・用途特化に強い。方式は先生の重みや内部表現にフルアクセスできるホワイトボックスと、出力（API応答）しか見えないブラックボックスの2つで、後者で他社APIを先生にすると規約違反になりうる。混同しやすい技術との違いは、蒸留＝別の小モデルに知識を移す、量子化＝同じモデルの重みの精度を下げて圧縮、ファインチューニング＝既存モデルを特定タスク向けに追加学習、で排他でなく組み合わせ可能。法的・規約の現実が2026年の大論点で、蒸留技術自体は正当だがOpenAI・Anthropic・Mistral・xAI等の利用規約には自社出力を競合モデル開発に使うことを禁じる反蒸留条項があり、制限APIの出力を先生に競合を蒸留するのは技術的に可能でも規約違反になりうる。OpenAI対DeepSeekの係争（OpenAIはアクセス制限を回避し出力を蒸留した疑いと主張、一方DeepSeek規約は自社出力の蒸留利用を認めるとされる）やClaude Fable 5/Mythos 5で蒸留判定の作業が制限される設計など緊張は継続。実務は使う先生モデルの規約を必ず確認し、自社・許諾OSSを先生にする、競合開発に当たらないか用途を慎重に判断するのが心得。賢さは大モデル運用は小モデルの両立を可能にするが先生に誰を選ぶかで技術的にも法的にも結果が変わる。数値・事例は各種公表資料・報道の引用で傾向の参考。

「AIを自社専用にカスタマイズしたい」ときに候補となるファインチューニング（fine-tuning）を初心者向けに解説。ファインチューニングとは、学習済みのベースモデルに自分の用途のデータを追加学習させ、専用モデルに作り替えること。文体・出力フォーマット・専門分野の言い回しといった"振る舞い（behavior）"をモデル自体に覚え込ませる（モデルの重みを書き換える）一方、頻繁に変わる最新情報や社内文書を事実として正確に保持するのは苦手。だから「知識・事実はRAG、振る舞い・型はファインチューニング、まずはプロンプト」が基本。専門家いわく「"FTが要る"の8割は検索（RAG）やプロンプトの改善で解決する」ため、順番を守ることが重要。本記事は、正体（新人研修のたとえ）、得意・苦手、RAG/プロンプトとの使い分け比較表、主な手法（フルファインチューニング/LoRA/QLoRA＝4bit量子化で省メモリ・初心者におすすめ）、必要なもの（高品質データ500件以上が目安・データ作りが本番・コストは5,000〜50,000ドル超の例やOpenAIの訓練約25〜100ドル/100万トークン・ツールはOpenAI/Unsloth/Axolotl/Hugging Face等）、そして始める順番（プロンプト→RAG→それでも型が安定しない時だけFT）までを網羅。ファインチューニングは「最後の手段」。