# もっと小さい AI モデルを選ぶにはどうすればいい？

> 作業をうまくこなす最小の AI モデルを選ぶ方法です。品質基準を決め、小さい順に試し、エネルギー評価を確認し、大きいモデルは予備にします。

Source: https://greenai.guide/ja/ハウツー/もっと小さい-ai-モデルを選ぶにはどうすればいい/  
Updated: 2026-11-19

## 要点

実際の例で「十分」とは何かを決め、最も小さいモデルから順に試して、最初に合格したところで止めます。小型で特定の作業向けのモデルは、大型の汎用モデルのごく一部のエネルギーで動くことがあります。UNESCO とユニバーシティ・カレッジ・ロンドンは、適した作業では最大 90% の削減を報告しています。

## Steps

1. 作業内容と合格ライン（正解でなければならない回答の割合など）を書き出します。
2. テストに使う実際の例を 20〜50件集めます。
3. まず最小のモデルや「mini」モデルを試し、合格ラインに届かない場合にだけ大きいものに移ります。
4. AI Energy Score など、公開されたエネルギー評価があれば確認します。
5. 小さいモデルで対応できない場合に備えて、大きいモデルを残しておきます。
6. モデルや作業内容が変わったら、もう一度テストします。

**手に入る最も高性能なモデルではなく、品質基準を満たす最小のモデルを使いましょう。** 大型の汎用モデルは、リクエストのたびに、作業では使わないかもしれない能力の分まで負担しています。

## なぜモデルの大きさがそれほど重要なの？ {#why-does-model-size-matter-so-much}

**たいていの場合、エネルギーを左右する最大の要因だからです。** Luccioni、Jernite、Strubell は、同じ作業で比べると、多目的の生成モデルは特定の作業向けのシステムより、動かすのに桁違いのコストがかかることを明らかにしました。UNESCO とユニバーシティ・カレッジ・ロンドンは、特定の作業に合わせた小型モデルでエネルギー使用量を最大 90% 減らせることを示しました。

## 候補はどうテストすればいい？ {#how-do-i-test-candidates}

1. **自分の作業で基準を決めます。** たとえば「請求書の合計額を 98% の確率で正しく抽出する」などです。
2. **小さいものから試します。** 多くのプロバイダーが「mini」「lite」「flash」版を提供しており、オープンウェイトのモデルファミリーにも複数のサイズがあります。
3. **最初に合格したところで止めます。** 対象の狭い作業では、大きいほど正確とは限りません。
4. **価格だけでなくエネルギーも比べます。** Hugging Face の AI Energy Score は、よくある作業について、オープンモデルを1クエリあたりのエネルギーで1〜5つ星で評価しています。[AI Energy Score の評価の読み方](/ja/ハウツー/ai-energy-score-の評価はどう読めばいい/)をご覧ください。

日常的に使う方にも同じ考え方が当てはまります。簡単な質問には、チャットボットの高速版や軽量版を選びましょう。

## よくある間違い {#common-mistakes}

- **評判で選ぶ。** 自分の例でテストしましょう。
- **成功1件あたりではなく、呼び出し1回あたりのコストで測る。** 小さすぎるモデルが失敗し、大きいモデルでやり直すことになれば、全体ではかえって高くつくことがあります。
- **見直さない。** 小型モデルは急速に進歩します。数か月ごとにテストし直しましょう。

各リクエストを自動的に適切なサイズのモデルに送るには、[リクエストを小さいモデルに振り分ける方法](/ja/ハウツー/リクエストを小さな-ai-モデルに振り分けるには/)をご覧ください。全体の手順は[適切なモデルを選ぶ](/ja/グッドプラクティス/用途に合ったモデルを選ぶ/)にあります。

## 出典

- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
