定義
Chinchilla最適とは、限られた計算量の中でモデルの精度を最大化するために、パラメータ数と学習トークン数の配分バランスを最適化する考え方のこと。
Chinchilla最適 (計算最適な学習量)とは（詳しく解説）
Chinchilla最適とは、DeepMindが2022年に発表したChinchilla論文に基づく考え方で、学習に使える計算量(FLOPs)の予算が決まっている場合、モデルのパラメータ数をむやみに増やすより学習データ(トークン数)を十分に増やした方が精度が上がりやすいとされる原則のこと。同論文ではパラメータ数1に対しトークン数がおよそ20程度の比率が計算効率上望ましいとされ、以降の大規模モデル開発における学習量設計の目安として広く参照されている。ただしこの比率は学習コストのみを基準にしており、実運用では推論回数が学習回数を大きく上回るため、2026年現在は同比率より少なめのパラメータ数・多めのトークン数で学習し、推論コストを抑える設計が現場では主流になっているとされる。モデルやAPIを選ぶ際は、学習効率の指標だけでなく、推論時のトークン単価などの相場感も合わせて確認することが実務上のポイントになる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「Chinchilla最適 (計算最適な学習量)とは」 https://aipicks.jp/glossary/chinchilla-optimal
Chinchilla最適 (計算最適な学習量)の使用例
- モデル学習の設計相談で「Chinchilla最適に近い比率でトークン数を増やしたい」のように使う。
- 技術レビューで「このモデルはChinchilla最適から外れており過学習気味では」と指摘する場面で使う。
