候補が多すぎる場合は、さらに条件を追加する

タスクタグで絞り込んでも候補モデルが多い場合、左側の「フレームワーク」および「その他」バーに他のタグを追加して範加して範囲を絞り込めます：

フレームワーク：PyTorch、TensorFlowなどの特定のフレームワークのモデルを絞り込みます。

オープンソースライセンス：商用シナリオではApache 2.0、MITなどの緩やかなライセンスを絞り込む必要があります。

構造：llama、qwen3、deepseek_v2などの構造を絞り込みます。

言語：タスクがサポートする必要がある中国語、英語、日本語、韓国語などの言語を選択します。

名前を知っていたら、直接検索する

具体的なタスク名やモデル名を知っている場合、検索ボックスにキーワードを入力して直接検索できます。例：「OCR」。

ダウンロード数の多いモデルは、本当に自分に合っているのか？

ModelScopeプラットフォームでは、モデルの人気度も統計しており、参考にできる指標は以下の通りです。

プラットフォームではダウンロード数またはお気に入り数で絞り込み后的のモデルをソートできます。モデルライブラリの右上で判断基準を選択でき、同時にモデルの更新日時も確認できます。

コミュニティの活発度を確認するには、モデルカードページに入り、コミュニティのフィードバック数を確認する必要があります。

汎用モデルのダウンロード数は通常、専門分野の専用モデルよりも显著に高いため、分野をまたいだ直接的な数値比較にはあまり意味がありません。同類タスクの範囲内で比較することをお勧めします。

汎用大規模モデルと専用モデル、どう選べばいいか？

実際の大規模モデルの使用では、よく1つの問題に直面します：汎用大規模モデルを選ぶべきか、それとも具体的なタスクのために訓練された専用モデルを選ぶべきか？

それぞれの特徴があり、選択する際は主にタスクタイプ、データ量、推論速度、デプロイコストなどの要素を見ます。

汎用大規模モデル、まず試してみるのに便利

汎用大規模モデルは通常、大量の多分野データで事前訓練されており、テキスト分類、コンテンツ生成、情報抽出、QAなど、多种多様なタスクを処理できます。特定のタスクに最適化するのではなく、より多くのシナリオで使用できることを目的としています。

利点：1つのモデルで多种多様なタスクを処理でき、通常プロンプトを調整するだけで、モデルが異なる作業を完了できます。データ量の少ないタスクについては、Few-shotやZero-shotの方法で試すこともでき、必ずしも大量のアノテーションデータを準備する必要はありません。

欠点：汎用大規模モデルは通常パラメータ数が多いため、計算リソースの要件も高くなります。モデルが大きいほど、推論時のVRAMと計算リソースの消費が多くなり、同時接続シナリオでは推論速度とデプロイコストも考慮する必要があります。また、特定の明確な専門タスクについては、针对性の訓練を受けた専用モデルがより良い効果を発揮する場合があります。

汎用大規模モデルは、タスクタイプが多岐にわたり、まだ探索段階にある場合、または専用モデルを訓練するのに十分なデータがないシナリオに適しています。新しいアプリケーション方向を素早く検証する必要がある場合、汎用大規模モデルを直接使用するのが通常最も便利な選択です。

専用モデル、固定タスクをしっかりやるのに適している

専用モデルは主に特定のタスクや分野のために訓練・最適化されています。例えば、テキスト分類、OCR、音声認識、オブジェクト検出などのタスクに使用されるモデルは、すべて専用モデルと言えます。

利点：特定のタスクに対して最適化されているため、大量の関係のないタスクを処理する必要がなく、推論速度、リソース消費、タスク効果の面で一定の優位性があります。タスクが比較的固定されているアプリケーションについては、実際のデータに基づいてさらにモデルを訓練し、自分のビジネスにより適したモデルにすることもできます。

欠点：専用モデルの適用範囲は比較的限られており、別のタスクに切り替えると直接使用できない場合があります。例えば、テキスト分類用のモデルはテキスト生成を直接完了するために使用できません。ビジネスニーズが変化した場合、元のモデルを再訓練または調整する必要がある場合があります。また、1つのシステムで多くの異なる専用モデルを使用している場合、各モデルのバージョンとデプロイ環境を個別に管理する必要があります。

専用モデルは、タスクが比較的明確でビジネスニーズが比較的安定しており、推論速度、リソース消費、デプロイコストに要件があるシナリオに適しています。既に良い訓練データを蓄積している場合、専用モデルを使用すると、具体的なタスクに対してより最適化しやすいです。

必ずしも二者択一にする必要はない

実際のプロジェクトでは、必ずしも汎用大規模モデルと専用モデルの二者択一にする必要はなく、両方を組み合わせて使用することがよくあります。

例えば、インテリジェントカスタマーサービスでは、まず汎用大規模モデルを使用してユーザーの質問を理解し、ユーザーが何を解決したいかを判断します。タスクが確定したら、対応する専用モデルに処理を委ねます。

実際の選択では、まずタスク自体から出発できます。タスクがまだ曖昧で、複数のタイプの問題を同時に処理する必要がある場合は、まず汎用大規模モデルを検討するのが良いです。タスクがすでに明確で、速度、コスト、安定性の要件が高い場合は、さらに専用モデルを検討できます。

1つの作業でも、複数のモデルに協力してもらうことができる

1つのビジネスシステムは通常、1つのモデルだけを使用しません。具体的なタスクの複雑さに応じて、1つのモデルにすべての作業を完了させることも、異なるモデルを組み合わせてそれぞれのステップを担当させることもできます。例えば、インテリジェントドキュメント処理システムでは、ドキュメントの入力から最終結果の出力まで、ドキュメント分類、OCR、レイアウト分析、テーブル認識、情報抽出などの複数のステップを経ます。

このシステムでは、各モデルが異なるタスクを処理します。複数モデルの組み合わせには以下の特徴があります：

• 各モデルが独立したタスクを担当します。例えばOCRモデルがテキストの認識を担当し、レイアウト分析モデルが要素の位置を判断し、情報抽出モデルが認識結果から必要な内容を抽出します。
• あるステップの効果が悪い場合、そのステップのモデルだけを置き換えれば良く、システム全体を変更する必要はありません。依存関係のないタスクは並列処理でき、全体の処理時間を短縮できます。
• 精度の要件が高いタスクには大規模モデルを使い、速度の要件が高くタスクが簡単なステップには軽量モデルを使います。

ただし、複数モデルの組み合わせにはモデル間の接続問題もあり、前のモデルの出力形式が後のモデルで正しく解析できる必要があります。システムを設計する際、異なるモデル間のデータ形式を事前に考慮する必要があります。例えばOCRが座標情報付きのテキストブロックを出力し、情報抽出モデルはプレーンテキストの処理に適している場合、中間にデータ変換ステップを追加して、OCR結果を目的の形式に変換する必要があります。

モデル選択を行う際、単に1つのモデルの効果だけでなく、処理フロー全体に適合するかも見る必要があります。単独でテストした効果が良いモデルでも、出力形式が他のモデルと接続しにくかった場合、実際のシステムでは使いにくい場合があります。