パラメーター(Parameter)とは・意味、数の読み方・ハイパーパラメーターとの違い・事例

パラメーター(Parameter)とは?
パラメーター(Parameter)とは、AIモデルが学習の中でデータから調整し、入力を処理して出力を生み出す方法を決める、重みやバイアスなどの数値のこと。
国際的な報告書 International AI Safety Report の2026年版は、用語集でパラメーターをこの意味で説明している。作成を率いたのはチューリング賞の受賞者 Yoshua Bengio 氏で、100人を超える専門家が執筆した。
Google は機械学習の用語集で、パラメーターを、モデルが学習で身につける重み(weight)とバイアス(bias)と説明している。重みは、モデルがほかの値に掛け合わせる値だ。学習は最適な重みを決める過程で、推論は学習した重みを使って予測する過程だという。
総務省と経済産業省はAI事業者ガイドラインの第1.2版で、学習を、データを使ってAIモデルのパラメータを決めたり改善したりする過程と定めている。日本語の資料の表記は、このガイドラインのように「パラメータ」と表記するものと、Microsoft の日本語の用語解説のように「パラメーター」と表記するものがある。
パラメーターの数の読み方
「B」は英語の billion で10億を表す
英語では、大規模言語モデル(LLM)などのパラメーターの数を billion(10億)の頭文字「B」で表すことがある。Google は、Gemma 4 のうち「31B」のモデルを、31B(310億)のパラメーターを持つ密なモデルと説明している。密なモデルは一般に、計算のたびにすべてのパラメーターを使う作りを指す。
Meta は、2026年10月に重みを公開した Muse Spark Open のパラメーターの総数を816B、つまり8,160億としている。
名前の数字と実際の数は一致しないことがある
OpenAI の gpt-oss-120b は、名前の数字は120だが、パラメーターの総数は1,170億だ。
Gemma 4 の E2B・E4B の「E」は、実効(effective)のパラメーターを表す。名前の数字が実効の数を表すモデルの例は、小規模言語モデル(SLM)の記事でも紹介している。
パラメーターの数とビット数で必要なメモリーが変わる
パラメーターの数が多いほど、モデルを動かすのに多くのメモリーが必要だ。Google は Gemma 4 の大きさごとに、モデルを読み込むのに必要なGPUやTPUのメモリーの目安を公表している。
| モデル | 16ビット(BF16) | 8ビット(SFP8) | 4ビット(Q4_0) |
|---|---|---|---|
| Gemma 4 12B | 26.7GB | 13.4GB | 6.7GB |
| Gemma 4 26B A4B | 57.7GB | 28.8GB | 14.4GB |
| Gemma 4 31B | 69.9GB | 34.9GB | 17.5GB |
※2026年11月時点。Google によると、表の数字は、重みを読み込むためのメモリーにほかのものを読み込む分として20%を足した目安だ。
表のとおり、1つのパラメーターを少ないビット数で表すと、必要なメモリーは小さくなる。数値の精度を下げるこうした手法を、Google は量子化と呼んでいる。パラメーターとビット数が多いモデルは一般に能力が高いが、処理やメモリー、電力の費用も大きくなると、同社は説明している。
Gemma 4 の26B A4B は、トークンごとに一部だけを選んで計算に使うMoE(Mixture of Experts)のモデルだ。
26B A4B が生成のときに1トークンごとに使うのは40億のパラメーターだけだが、速く振り分けて推論するには、260億のパラメーターをすべてメモリーに読み込む必要がある。このモデルのメモリーの目安について、Google は40億のモデルよりも26Bの密なモデルにずっと近いとしている。
表の数字に含まれるのは重みの読み込みと20%の上乗せの分で、補助のソフトウェアやコンテキストウィンドウに必要なメモリーは別にかかる。扱うプロンプトと応答のトークンの数が増えるほど、必要なメモリーはさらに増えるという。
パラメーターとハイパーパラメーター・生成パラメーターの違い
AIの分野では、学習で決まる数値のほかに、開発者や利用者が設定する値も「パラメーター」と呼ばれる。
| 用語 | 意味 | 値が決まる時点 | 主な例 |
|---|---|---|---|
| パラメーター | モデルが学習で身につける数値 | 学習のとき | 重み、バイアス |
| ハイパーパラメーター | 開発者や調整のサービスが、学習を繰り返す中で調整する値 | 学習を始める前 | 学習率 |
| 生成パラメーター | 利用者が依頼ごとに指定し、出力のトークンの選び方などを変える値 | 利用のとき(リクエストごと) | 温度(Temperature)、Top-P、Top-K、最大出力トークン数 |
Google は機械学習の用語集で、学習率をハイパーパラメーターの例に挙げている。たとえば、ある回の学習の前に学習率を0.01にし、高すぎると分かれば次の回で0.003にする、といった調整ができる。
Google Cloud は日本語の文書で、温度や Top-P などを、モデルに依頼を送るときに指定してもしなくてもよいサンプリングの値として説明している。指定できる値の種類はモデルごとに違う場合があり、Gemini 3.6 Flash 以降のモデルでは温度や Top-P、Top-K に値を指定しても使われないと、同社は注記している。
大規模言語モデルなどの生成AIでは、利用者が学習済みのパラメータを更新せずにプロンプトの入力によって特定の作業を学ばせることができ、AI事業者ガイドラインはこれをコンテキスト内学習と呼んでいる。モデルの重みそのものを調整する方法は、ファインチューニングと呼ばれる。
パラメーターの数が注目されるようになった経緯
International AI Safety Report によると、モデルの大きさや計算資源と性能のあいだには予測できる関係があり、この関係はスケーリング則と呼ばれる。以前の性能の伸びは主に、モデルを大きくして最初の学習で多くのデータと計算を使ったことから得られたと、同報告書は述べる。
2024年に公布されたEUのAI法は、前文98で、モデルの汎用性はパラメーターの数などからも判断できるとした。前文は、少なくとも10億のパラメーターを持ち、大量のデータを使って大規模な自己教師あり学習で訓練したモデルを、高い汎用性を持ち幅広い作業を的確に遂行できるモデルとみなすべきだとしている。
欧州委員会は、汎用AIモデルの提供者の義務の範囲を示した指針で、汎用AIモデルとみなす目安を決めた。目安に使ったのはパラメーターの数ではなく、学習に使った計算量(FLOP)とモデルが扱う入出力の種類だ。学習の計算量の利点として同委員会が挙げるのは、パラメーターの数と学習に使った例の数を1つの数にまとめられ、提供者が見積もりやすいことだ。
指針の目安は、学習の計算量が10の23乗FLOPを超え、言語(文章か音声)を生成するか、文章から画像か動画を生成できることだ。欧州委員会は、この値を10億のパラメーターのモデルを大量のデータで学習させるときに一般に使う計算量の、おおよその量としている。学習の計算量は汎用性や能力を測る目安として完全ではないものの、計算量の基準値を含む目安を置くのが今の時点で最も適した方法だと、同委員会は考えている。
2025年1月の前回の報告書のあとは、モデルを大きくするだけでなく学習のあとの手法や使うときの追加の計算から性能の伸びが得られることが増えたと、International AI Safety Report は分析している。
パラメーターの数の公表に関する事例
Meta と OpenAI は総数と1回に使う数を示した
Meta は、Muse Spark Open をパラメーターの総数が8,160億で、そのうち420億を動かすモデルと発表した。Muse Spark Open のように重みが公開され、利用者が入手して自分の機器で動かせるモデルは、オープンウェイトのモデルと呼ばれる。
OpenAI は2025年8月に重みを公開した gpt-oss で、2つのモデルの数を示した。gpt-oss-120b は総数1,170億で、1トークンごとに51億を動かす。gpt-oss-20b は総数210億で、1トークンごとに36億を動かす。
Gemini 4 Argon と Claude は数を示さずに仕様を公開
Google DeepMind は、2026年10月13日に公開した Gemini 4 Argon のモデルカード(モデルの仕様や評価をまとめた文書)で、Gemini 4 Argon を Transformer にもとづく大規模な疎の MoE のモデルと説明している。入力と出力を合わせて100万トークンまで扱えることや、学習に使ったデータの種類も記載しているが、パラメーターの数は示していない。
Anthropic は、開発者向けの文書で Claude の各モデルを比べる表に、1回に扱える量の上限(コンテキストウィンドウ)や出力の上限、知識の区切りの時点などを記載している。パラメーターの数は、この表に記載されていない。
パラメーターの英語での言い方
| 英語表記 | 意味 | 使用主体 |
|---|---|---|
| parameters | 学習でデータから身につけ、入力から出力を生み出す方法を決める数値 | International AI Safety Report、Google など |
| weights | ニューラルネットワークの節点のあいだのつながりの強さを表すパラメーター | International AI Safety Report、Google など |
| bias(bias term) | 原点からのずれを表すパラメーター | |
| total parameters | モデルが持つパラメーターの総数 | Meta、OpenAI |
| active parameters | 1回の計算で使うパラメーターの数 | Meta、OpenAI |
| effective parameters | 実効のパラメーターの数 | |
| hyperparameter | 学習を繰り返す中で開発者などが調整する値 |
パラメーターを理解するうえでの注意と試験での扱い
どのパラメーターが振る舞いを生むかは特定しにくい
International AI Safety Report によると、汎用のAIモデルは大量のデータで調整した数十億から数兆のパラメーターを持ち、情報をニューロンに広く分散して表している。そのため、モデルのどの部分が特定の振る舞いを生んでいるのかを切り分けるのは技術的に難しい。こうした性質はAIシステムの「ブラックボックス」と呼ばれることが多いという。
「バイアス」は偏りとは別の数学の語
パラメーターの説明に出る「バイアス」は数学の語だと、International AI Safety Report は用語集で注記している。人の判断の偏りやアルゴリズムの出力の偏りを指すバイアスとは関係ないという。Google も用語集で、数学のバイアスを、倫理や公平性のバイアスや予測の偏り(prediction bias)と取り違えないよう注記している。
生成AIパスポートの新しいシラバスは「パラメータ」を扱う
生成AI活用普及協会(GUGA)は2026年10月1日、生成AIパスポートの試験のシラバスを大幅に改訂し、2027年2月の試験から使うと発表した。「パラメータ」は、新しいシラバスの中項目「生成AIの学習プロセス」の詳細キーワードに挙がっている。
新しいシラバスの生成の過程の学習項目には、「生成パラメータ(Temperature・Top-p)」が置かれている。学習で決まるパラメータと、使うときに設定する生成パラメータの両方が、出題の範囲に入っている。
パラメーターに関連する用語
- 大規模言語モデル(LLM):大量の文章のデータで学習し、文章の生成や翻訳、要約といった言語にかかわる作業を行うAIモデル。
- 小規模言語モデル(SLM):大規模言語モデルよりパラメーターの数を抑え、限られた計算資源で動くように設計された言語モデル。
- MoE(Mixture of Experts):モデルの中の複数のエキスパートのうち、トークンごとに一部だけを選んで計算に使うモデルの作り。
- スケーリング則:モデルの大きさやデータの量、計算量を増やしたときの性能の伸びを、予測できる形で表した経験則。
- オープンウェイト:学習を終えたAIモデルの重みが公開され、利用者が入手して動かせる状態。
- ファインチューニング:事前学習を終えたAIモデルに特定の用途のデータで追加の学習をさせ、モデルの重みを調整して目的の作業に適応させる手法。
パラメーターに関する出典
Yoshua Bengio ほか「International AI Safety Report 2026」(2026年2月3日)
Google「Machine Learning Glossary」(2026年11月6日更新)
総務省・経済産業省「AI事業者ガイドライン(第1.2版)」(2026年3月31日)
Microsoft「小規模言語モデル (SLM) とは?」
Google「Gemma 4 model overview」
Meta「Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date」(2026年10月15日)
OpenAI「Introducing gpt-oss」(2025年8月5日)
Google Cloud「コンテンツ生成パラメータ」(2026年11月11日更新)
欧州議会・EU理事会「Regulation (EU) 2024/1689 (Artificial Intelligence Act)」(2024年7月12日)
European Commission「Commission Guidelines on the scope of the obligations for providers of general-purpose AI models established by Regulation (EU) 2024/1689 (AI Act)」(2025年11月19日)
Google DeepMind「Gemini 4 Argon – Model Card」(2026年10月13日)
Anthropic「Models overview」
生成AI活用普及協会「生成AIパスポート、2027年試験のシラバスを大幅改訂。改訂版公式テキストの予約販売および資格更新テストの受講申込受付を開始」(2026年10月1日)
生成AI活用普及協会「生成AIパスポート試験シラバス(2027年2月試験より適用)」




