生成AI
ハルシネーション・生成パラメータ・コンテキストウィンドウ
ハルシネーションは、生成AIが事実と異なることをもっともらしく答える現象で、完全に防ぐ方法はまだ分かっていません。RAG で外部の情報を補うと抑制や根拠の明示が期待できます。Temperature や Top-p はトークンの選び方を調整する生成パラメータで、使えるかはモデルによります。コンテキストウィンドウは一度に扱える量の上限(トークンで数える)、と押さえると解けます。
要点 8件・基本問題 8問読む → 覚える → 解くまでこのページで完結

ハルシネーションは、生成AIが事実と異なることをもっともらしく答える現象で、完全に防ぐ方法はまだ分かっていません。RAG で外部の情報を補うと抑制や根拠の明示が期待できます。Temperature や Top-p はトークンの選び方を調整する生成パラメータで、使えるかはモデルによります。コンテキストウィンドウは一度に扱える量の上限(トークンで数える)、と押さえると解けます。
このサイトでの学習
学習優先度 A対応する一問一答 15問
ハルシネーション・生成パラメータ・コンテキストウィンドウ|ハルシネーションとは
ハルシネーションとは、生成AIが事実と異なることをもっともらしく回答する現象である。
この論点の用語
用語集をすべて見る →01ハルシネーション・生成パラメータ・コンテキストウィンドウの重要暗記項目
ハルシネーション・生成パラメータ・コンテキストウィンドウ|ハルシネーションとは
ハルシネーションとは、生成AIが事実と異なることをもっともらしく回答する現象である。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|完全には防げない
ハルシネーションを完全に防ぐ方法はまだ分かっていない。知識はあっても正誤の判断ができない新人のように扱い、確認を怠らない。
ひっかけ注意「最新の生成AIでは、ハルシネーションを完全に防ぐ方法が確立しているため、出力の事実確認は不要になっている」は誤り。 IPA の「AI利用者のためのセキュリティ豆知識」は、生成AIが出鱈目を答える現象はハルシネーションと呼ばれ、完全に防ぐ方法はまだ分かっていないとし、生成AIを知識はあっても正誤の判断ができない発展途上の新人だと思って使うよう勧めている。新人の作った資料をそのまま社外に出さないのと同じで、数字や固有名詞は元の資料で確かめる。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|学習していない情報
生成AIは学習済みの知識に基づいて答えを組み立てるため、社内規定のような学習していない情報は、入力や検索(RAG)で渡さない限り回答の根拠にできず、これがハルシネーションの原因にもなる。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|RAG で抑える
RAG(検索拡張生成)は、LLM の文章の生成に外部の情報の検索を組み合わせる仕組みで、ハルシネーションの抑制や、参照元を示すことによる根拠の透明性の向上が期待される。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|RAG でもゼロにはならない
RAG はハルシネーションを抑えることが期待されるが、ハルシネーションを完全に防ぐ方法はまだ分かっていない。
ひっかけ注意「RAG を使えば生成AIは必ず検索した資料どおりに答えるため、RAG を導入した後はハルシネーションが起こらなくなる」は誤り。 AI事業者ガイドラインは RAG について、ハルシネーションの「抑制」が期待されるとしているにとどまり、IPA の豆知識も、ハルシネーションを完全に防ぐ方法はまだ分かっていないとしている。規程集を手元に置いた新人でも、読み違えたり、別の条文と混ぜたりすることはある。RAG を使っても、答えと元の資料を見比べる確認は残る。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|存在しない判例
米国では、弁護士が生成AIを使って作った資料で、存在しない判例を引用した事例があった。生成AIの出力をうのみにしない。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|発見につながる面も
画像生成AIでは、ハルシネーションによって想定と異なるものが生まれることが、発見や想像につながる面もあるとされる。
ひっかけ注意「AI事業者ガイドライン(別添)は、ハルシネーションを害しかない現象として扱い、それが発見や想像につながる面には一切触れていない」は誤り。 AI事業者ガイドライン(別添)は脚注で、画像生成AIの場合はハルシネーションによって想定と異なるものが創出されることによる発見や想像もあるとし、創薬の分野で予測精度を高めるとの研究結果にも触れている。報告書では困る「思いがけない出力」も、デザイン案の発想出しでは意外なアイデアのきっかけになる、という見方である。
ハルシネーション・生成パラメータ・コンテキストウィンドウ|Temperature と Top-p
Temperature や Top-p は、次のトークンを確率にもとづいて選ぶ(サンプリングする)ときの選び方を調整する生成パラメータである。GPT-3 の論文の実験でも値を指定して出力を作っている。
覚える数字と、狙われる引っかけ
- ひっかけ「最新の生成AIでは、ハルシネーションを完全に防ぐ方法が確立しているため、出力の事実確認は不要になっている」は誤り。IPA の「AI利用者のためのセキュリティ豆知識」は、生成AIが出鱈目を答える現象はハルシネーションと呼ばれ、完全に防ぐ方法はまだ分かっていないとし、生成AIを知識はあっても正誤の判断ができない発展途上の新人だと思って使うよう勧めている。新人の作った資料をそのまま社外に出さないのと同じで、数字や固有名詞は元の資料で確かめる。
- ひっかけ「RAG を使えば生成AIは必ず検索した資料どおりに答えるため、RAG を導入した後はハルシネーションが起こらなくなる」は誤り。AI事業者ガイドラインは RAG について、ハルシネーションの「抑制」が期待されるとしているにとどまり、IPA の豆知識も、ハルシネーションを完全に防ぐ方法はまだ分かっていないとしている。規程集を手元に置いた新人でも、読み違えたり、別の条文と混ぜたりすることはある。RAG を使っても、答えと元の資料を見比べる確認は残る。
- ひっかけ「AI事業者ガイドライン(別添)は、ハルシネーションを害しかない現象として扱い、それが発見や想像につながる面には一切触れていない」は誤り。AI事業者ガイドライン(別添)は脚注で、画像生成AIの場合はハルシネーションによって想定と異なるものが創出されることによる発見や想像もあるとし、創薬の分野で予測精度を高めるとの研究結果にも触れている。報告書では困る「思いがけない出力」も、デザイン案の発想出しでは意外なアイデアのきっかけになる、という見方である。
- ひっかけ「2026年11月時点の OpenAI の API の説明では、temperature の値を低くするほど、出力はよりランダムになるとされている」は誤り。向きが逆である。OpenAI の API の説明は、temperature は0〜2で指定し、0.8 のような高い値は出力をよりランダムにし、0.2 のような低い値はより焦点の合った決定的な出力にするとしている。top_p は確率の合計が上位の一定の割合(0.1 なら上位10%分)に入る候補だけから選ぶ方法で、どちらか一方だけを変えるよう勧めている。くじ引きなら、高い temperature は出にくい札も混ぜて引き、低い temperature は出やすい札ばかり引くイメージである。
- ひっかけ「2026年11月時点では、OpenAI の API のどのモデルでも、temperature と top_p の値を利用者が自由に設定できる」は誤り。OpenAI の API の変更履歴(2026年9月3日)は、GPT-6 Astra が temperature や top_p の任意の値に対応していないと案内している。生成パラメータを設定できるかどうかはモデルによって違う。同じメーカーの家電でも、機種によって調整できるつまみが違うのと同じで、使うモデルの資料で確かめる必要がある。
- ひっかけ「チャットAIへのプロンプトは、裏にあるAIモデルの種類にかかわらず、際限なく長くすることができる」は誤り。IPA の豆知識の用語集は、プロンプトは際限なく長くできるわけではなく、チャットAIの裏にいるAIモデルによって扱える限界長(コンテキストウィンドウ長)があると説明している。長い会議の記録を何本も貼り付けると、上限を超えた分は扱えない。長い資料は分けて渡したり、要点を先にまとめたりする工夫が要る。
- ひっかけ「コンテキストウィンドウの大きさはすべてのモデルで共通であり、モデルを選んでも一度に扱える量は変わらない」は誤り。OpenAI のガイドは、モデルによってコンテキストウィンドウの大きさが異なるとし、モデルごとの大きさはモデルの資料で確かめるよう案内している。机の広さが部屋ごとに違うように、扱える量もモデルごとに違う。分厚い契約書をまるごと読ませたいときは、上限の大きいモデルを選ぶ、といった判断が要る。
02試験で正誤を分けるチェック順
- 1ハルシネーションとは、生成AIが事実と異なることをもっともらしく回答する現象である。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 2ハルシネーションを完全に防ぐ方法はまだ分かっていない。知識はあっても正誤の判断ができない新人のように扱い、確認を怠らない。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 3生成AIは学習済みの知識に基づいて答えを組み立てるため、社内規定のような学習していない情報は、入力や検索(RAG)で渡さない限り回答の根拠にできず、これがハルシネーションの原因にもなる。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 4RAG(検索拡張生成)は、LLM の文章の生成に外部の情報の検索を組み合わせる仕組みで、ハルシネーションの抑制や、参照元を示すことによる根拠の透明性の向上が期待される。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 5RAG はハルシネーションを抑えることが期待されるが、ハルシネーションを完全に防ぐ方法はまだ分かっていない。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 6米国では、弁護士が生成AIを使って作った資料で、存在しない判例を引用した事例があった。生成AIの出力をうのみにしない。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 7画像生成AIでは、ハルシネーションによって想定と異なるものが生まれることが、発見や想像につながる面もあるとされる。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 8Temperature や Top-p は、次のトークンを確率にもとづいて選ぶ(サンプリングする)ときの選び方を調整する生成パラメータである。GPT-3 の論文の実験でも値を指定して出力を作っている。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 9OpenAI の API の temperature は0〜2で指定し(既定は1)、高くすると出力はよりランダムに、低くすると焦点の合った決定的な出力になる。top_p は temperature の代わりの選び方(nucleus sampling)で、両方は変えずにどちらか一方を変えるよう勧められている。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 10Temperature や Top-p を自由な値に設定できるかはモデルによる。2026年11月時点の OpenAI の GPT-6 Astra は、temperature や top_p の任意の値に対応していない。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 11生成AIのシステムでは、回答の自由度や出力トークンの上限などの設定パラメータを、システムプロンプトとあわせて管理する。デジタル庁のガイドラインは、これらを成果物(納品物)に含める考え方を示している。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 12コンテキストウィンドウは、モデルが一度に考慮できる情報の上限で、トークンの数で表す。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 13プロンプトは際限なく長くできるわけではなく、裏にある AI モデルごとに扱える限界の長さ(コンテキストウィンドウ長)がある。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 14長く続く作業では、古い文脈を要約して(コンパクション)、一度に扱える量に収めながら作業を続ける方法がある。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 15コンテキストウィンドウの大きさはモデルによって違うので、使うモデルの資料で確かめる。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
03この論点の根拠
- 内容の基準日
- 2026-11-20
- 復習方法
- 要点を確認した後、○×一問一答で条件の違いを見分ける
法改正により扱いが変わる場合があります。試験日程や申込みに関する情報は、 必ず公式案内も確認してください。
問題演習
ハルシネーション・生成パラメータ・コンテキストウィンドウの○×一問一答
1/8問解答 0・正解 0
生成AI
ハルシネーション・生成パラメータ・コンテキストウィンドウ|ハルシネーションとは
ハルシネーションとは、生成AIが事実と異なる内容を、もっともらしく回答してしまう現象を指す。
ハルシネーション・生成パラメータ・コンテキストウィンドウの○×一問一答15問|問題と解説
この論点で収録している15問を、正誤と解説つきで通して読めます。 上の演習で迷った問題を見直すときに使ってください。
問1
ハルシネーション・生成パラメータ・コンテキストウィンドウ|ハルシネーションとはハルシネーションとは、生成AIが事実と異なる内容を、もっともらしく回答してしまう現象を指す。
答え:○(正しい)
解説
正しい。AI事業者ガイドライン(別添)は、生成AIが事実と異なることをもっともらしく回答する現象を「ハルシネーション」と呼び、それをめぐって開発・提供する企業への訴訟も起きていると紹介している。ハルシネーションは「幻覚」という意味の英語。存在しない会議の日程や、実在しない法律の条文を、自信ありげに答えてしまうのが典型である。 要点:ハルシネーションとは、生成AIが事実と異なることをもっともらしく回答する現象である。
問2
ハルシネーション・生成パラメータ・コンテキストウィンドウ|完全には防げない最新の生成AIでは、ハルシネーションを完全に防ぐ方法が確立しているため、出力の事実確認は不要になっている。
答え:×(誤り)
解説
誤り。IPA の「AI利用者のためのセキュリティ豆知識」は、生成AIが出鱈目を答える現象はハルシネーションと呼ばれ、完全に防ぐ方法はまだ分かっていないとし、生成AIを知識はあっても正誤の判断ができない発展途上の新人だと思って使うよう勧めている。新人の作った資料をそのまま社外に出さないのと同じで、数字や固有名詞は元の資料で確かめる。 要点:ハルシネーションを完全に防ぐ方法はまだ分かっていない。知識はあっても正誤の判断ができない新人のように扱い、確認を怠らない。
問3
ハルシネーション・生成パラメータ・コンテキストウィンドウ|学習していない情報生成AIは学習済みの知識に基づいて回答を組み立てるため、特定の会社の社内規定のような学習していない情報を尋ねると、ハルシネーションの原因になることがある。
答え:○(正しい)
解説
正しい。IPA の豆知識は、生成AIは当初から知っている学習済みの知識に基づいて回答するため、社内規定のような学習外の情報に基づく回答はできず、これがハルシネーションの原因にもなると説明している。入社初日の人に自社の出張規程を尋ねても正しくは答えられず、一般論でそれらしく答えてしまうのと同じである。社内の情報を使うなら、RAG などで資料を渡す。 要点:生成AIは学習済みの知識に基づいて答えを組み立てるため、社内規定のような学習していない情報は、入力や検索(RAG)で渡さない限り回答の根拠にできず、これがハルシネーションの原因にもなる。
問4
ハルシネーション・生成パラメータ・コンテキストウィンドウ|RAG で抑えるRAG(検索拡張生成)を活用すると、ハルシネーションの抑制や、参照元を明示することによる出力の根拠の透明性の向上が期待される。
答え:○(正しい)
解説
正しい。AI事業者ガイドライン(別添)は、RAG により、外部情報の検索を組み合わせることによるハルシネーションの抑制や、参照元の明示等による出力過程・根拠の透明性向上が期待されるとしている。RAG は、社内の規程集を開いて該当ページを確かめてから答える新人のようなもの。「出張規程第5条によると」と出どころを添えてくれるので、人が確かめやすくなる。 要点:RAG(検索拡張生成)は、LLM の文章の生成に外部の情報の検索を組み合わせる仕組みで、ハルシネーションの抑制や、参照元を示すことによる根拠の透明性の向上が期待される。
問5
ハルシネーション・生成パラメータ・コンテキストウィンドウ|RAG でもゼロにはならないRAG を使えば生成AIは必ず検索した資料どおりに答えるため、RAG を導入した後はハルシネーションが起こらなくなる。
答え:×(誤り)
解説
誤り。AI事業者ガイドラインは RAG について、ハルシネーションの「抑制」が期待されるとしているにとどまり、IPA の豆知識も、ハルシネーションを完全に防ぐ方法はまだ分かっていないとしている。規程集を手元に置いた新人でも、読み違えたり、別の条文と混ぜたりすることはある。RAG を使っても、答えと元の資料を見比べる確認は残る。 要点:RAG はハルシネーションを抑えることが期待されるが、ハルシネーションを完全に防ぐ方法はまだ分かっていない。
問6
ハルシネーション・生成パラメータ・コンテキストウィンドウ|存在しない判例米国では、弁護士が民事訴訟の資料づくりに生成AIを使い、実在しない判例を引用してしまったことが問題になった。
答え:○(正しい)
解説
正しい。AI事業者ガイドライン(別添)は、生成AIが生み出す情報をうのみにした結果それが誤情報であるリスクの例として、米国の弁護士が審理中の民事訴訟の資料作成に生成AIを利用し、存在しない判例を引用したことを挙げている。判例とは過去の裁判の判断のこと。専門家でも、出典を自分で確かめずに使うと、このような失敗が起こりうる。 要点:米国では、弁護士が生成AIを使って作った資料で、存在しない判例を引用した事例があった。生成AIの出力をうのみにしない。
問7
ハルシネーション・生成パラメータ・コンテキストウィンドウ|発見につながる面もAI事業者ガイドライン(別添)は、ハルシネーションを害しかない現象として扱い、それが発見や想像につながる面には一切触れていない。
答え:×(誤り)
解説
誤り。AI事業者ガイドライン(別添)は脚注で、画像生成AIの場合はハルシネーションによって想定と異なるものが創出されることによる発見や想像もあるとし、創薬の分野で予測精度を高めるとの研究結果にも触れている。報告書では困る「思いがけない出力」も、デザイン案の発想出しでは意外なアイデアのきっかけになる、という見方である。 要点:画像生成AIでは、ハルシネーションによって想定と異なるものが生まれることが、発見や想像につながる面もあるとされる。
問8
ハルシネーション・生成パラメータ・コンテキストウィンドウ|Temperature と Top-pTemperature や Top-p は、生成AIが次のトークンを確率にもとづいて選ぶときの選び方を調整する生成パラメータで、GPT-3 の論文の実験でも値を指定して出力を生成している。
答え:○(正しい)
解説
正しい。GPT-3 の論文は、偏りを調べる実験で temperature 1・top_p 0.9 を指定してプロンプトごとに出力を生成し、付録では temperature 1 で nucleus sampling を使ったと述べている。モデルは次のトークンの確率を出し、その確率からトークンを選ぶ(サンプリング)。生成パラメータは、そのくじ引きの仕方を決めるつまみのようなものである。 要点:Temperature や Top-p は、次のトークンを確率にもとづいて選ぶ(サンプリングする)ときの選び方を調整する生成パラメータである。GPT-3 の論文の実験でも値を指定して出力を作っている。
問9
ハルシネーション・生成パラメータ・コンテキストウィンドウ|Temperature の向き2026年11月時点の OpenAI の API の説明では、temperature の値を低くするほど、出力はよりランダムになるとされている。
答え:×(誤り)
解説
誤り。向きが逆である。OpenAI の API の説明は、temperature は0〜2で指定し、0.8 のような高い値は出力をよりランダムにし、0.2 のような低い値はより焦点の合った決定的な出力にするとしている。top_p は確率の合計が上位の一定の割合(0.1 なら上位10%分)に入る候補だけから選ぶ方法で、どちらか一方だけを変えるよう勧めている。くじ引きなら、高い temperature は出にくい札も混ぜて引き、低い temperature は出やすい札ばかり引くイメージである。 要点:OpenAI の API の temperature は0〜2で指定し(既定は1)、高くすると出力はよりランダムに、低くすると焦点の合った決定的な出力になる。top_p は temperature の代わりの選び方(nucleus sampling)で、両方は変えずにどちらか一方を変えるよう勧められている。
問10
ハルシネーション・生成パラメータ・コンテキストウィンドウ|設定できるかはモデル次第2026年11月時点では、OpenAI の API のどのモデルでも、temperature と top_p の値を利用者が自由に設定できる。
答え:×(誤り)
解説
誤り。OpenAI の API の変更履歴(2026年9月3日)は、GPT-6 Astra が temperature や top_p の任意の値に対応していないと案内している。生成パラメータを設定できるかどうかはモデルによって違う。同じメーカーの家電でも、機種によって調整できるつまみが違うのと同じで、使うモデルの資料で確かめる必要がある。 要点:Temperature や Top-p を自由な値に設定できるかはモデルによる。2026年11月時点の OpenAI の GPT-6 Astra は、temperature や top_p の任意の値に対応していない。
問11
ハルシネーション・生成パラメータ・コンテキストウィンドウ|回答の自由度の設定デジタル庁の生成AIの調達・利活用のガイドラインは、回答の自由度や出力トークンの上限などの設定パラメータ群を、システムプロンプトとあわせて成果物(納品物)とする考え方を示している。
答え:○(正しい)
解説
正しい。デジタル庁のガイドライン(DS-920)は、システムプロンプトを含む場合の納品物として、プロンプトのひな形・プロンプト文と、設定パラメータ群(回答の自由度や出力トークンの上限等)を挙げている。システムプロンプトとは、利用者の入力の前に置く、AIへの基本の指示のこと。チャットボットを外注するなら、指示文だけでなく「どこまで自由に答えさせるか」の設定も引き渡してもらう、ということである。 要点:生成AIのシステムでは、回答の自由度や出力トークンの上限などの設定パラメータを、システムプロンプトとあわせて管理する。デジタル庁のガイドラインは、これらを成果物(納品物)に含める考え方を示している。
問12
ハルシネーション・生成パラメータ・コンテキストウィンドウ|コンテキストウィンドウコンテキストウィンドウとは、モデルが1回の生成で一度に考慮できる情報の上限のことで、トークンの数で表される。
答え:○(正しい)
解説
正しい。OpenAI のガイドは、モデルが生成のときに考慮できるデータの量の限界をコンテキストウィンドウと呼び、トークンで定めると説明している。Codex の用語集も、モデルが一度に考慮できる情報の最大量としている。机の広さにたとえると、広い机ほど多くの資料を同時に広げて見比べられるが、机からはみ出た資料は見えない。 要点:コンテキストウィンドウは、モデルが一度に考慮できる情報の上限で、トークンの数で表す。
問13
ハルシネーション・生成パラメータ・コンテキストウィンドウ|際限なく長くはできないチャットAIへのプロンプトは、裏にあるAIモデルの種類にかかわらず、際限なく長くすることができる。
答え:×(誤り)
解説
誤り。IPA の豆知識の用語集は、プロンプトは際限なく長くできるわけではなく、チャットAIの裏にいるAIモデルによって扱える限界長(コンテキストウィンドウ長)があると説明している。長い会議の記録を何本も貼り付けると、上限を超えた分は扱えない。長い資料は分けて渡したり、要点を先にまとめたりする工夫が要る。 要点:プロンプトは際限なく長くできるわけではなく、裏にある AI モデルごとに扱える限界の長さ(コンテキストウィンドウ長)がある。
問14
ハルシネーション・生成パラメータ・コンテキストウィンドウ|古い文脈の要約Codex の用語集は、長く続く作業を続けられるよう、古い文脈を要約してまとめることをコンパクション(Compaction)と説明している。
答え:○(正しい)
解説
正しい。OpenAI の Codex の用語集は、Compaction を「長く続く作業を続けられるように、古い文脈を要約すること」と定義している。一度に考慮できる量(コンテキストウィンドウ)には限りがあるためである。長いプロジェクトで、過去の会議の議事録を全部読み直す代わりに、これまでの経緯を1枚のメモにまとめて引き継ぐやり方にあたる。 要点:長く続く作業では、古い文脈を要約して(コンパクション)、一度に扱える量に収めながら作業を続ける方法がある。
問15
ハルシネーション・生成パラメータ・コンテキストウィンドウ|大きさはモデルで違うコンテキストウィンドウの大きさはすべてのモデルで共通であり、モデルを選んでも一度に扱える量は変わらない。
答え:×(誤り)
解説
誤り。OpenAI のガイドは、モデルによってコンテキストウィンドウの大きさが異なるとし、モデルごとの大きさはモデルの資料で確かめるよう案内している。机の広さが部屋ごとに違うように、扱える量もモデルごとに違う。分厚い契約書をまるごと読ませたいときは、上限の大きいモデルを選ぶ、といった判断が要る。 要点:コンテキストウィンドウの大きさはモデルによって違うので、使うモデルの資料で確かめる。
ハルシネーション・生成パラメータ・コンテキストウィンドウの問題を続けて解く
この論点に対応する15問を絞り込んで出題します。