AIモデルはどこが進化するのか——リリース告知を読み解く3つの軸

「GPTが新しくなった」「Geminiが更新された」——こうしたニュースは毎月のように流れてきます。でも、“何が”変わったのかを自分の言葉で説明できる人は、意外と多くありません。

実は、AIモデルの更新で進化するポイントは、だいたい3つの方向に整理できます。この3つを知っておくと、リリース告知やモデル選択画面を見たときに「今回はここが変わったのか」と自分で読み解けるようになります。この連載ではAIとは何かでAIの全体像を、生成AIじゃないAIたちで入れ子構造の外側を見てきました。今回はいよいよ、一番内側の「生成AI」——その本体であるLLM（大規模言語モデル）の中に踏み込みます。

より具体的にイメージするために、実際のモデルのページを見てみましょう。下は、2026年7月に登場したGPT-5.6の最上位モデル「Sol」の公式ページ（OpenAI）です。赤枠で囲った部分に並ぶ数字が、これから解説する「更新で変わるポイント」と、そのまま対応しています。

変化点1：大きさ（パラメータ）とラインナップ

パラメータとは、モデルが学習で獲得した”重み”の総数で、いわばモデルの「脳の大きさ」です（重みとは何か、なぜ多いほど賢くなるのかはAIの脳の中身をのぞくでくわしく解説しています）。「7B」「70B」のように、B（billion＝10億）を単位に表し、多いほど賢くなる傾向がある一方、そのぶん計算コストも応答速度も重くなる——つまり「賢さ」と「コスト・速度」のトレードオフのツマミです。

更新のときに起きるのは、最上位モデルが一段賢くなることだけではありません。同じ世代のなかで、mini・nano・Flash・Haikuのような軽量版が増えることもよくあります。これは最上位の賢さを競うためだけでなく、実務で「安く・速く・大量に」使うための選択肢を増やす動きです。たとえば2026年7月に登場したGPT-5.6は、最上位で最も賢い「Sol」、バランス型の「Terra」、最も軽量・低価格な「Luna」という3段構成。同じ世代の中に、賢さ・コスト・速度の異なる選択肢が並んでいて、用途に応じて選べるようになっています。

なお、最上位のクローズドモデル（GPT・Claude・Geminiなど）はパラメータ数を公表していないことが多く、ネット上の「◯兆パラメータ」という数字は推測がほとんどなので鵜呑みにしないのが安全です。

変化点2：学習データ（新しさ）

モデルは、学習を終えた時点までの情報しか持っていません。この区切りをナレッジカットオフと呼びます。たとえば、先ほどのGPT-5.6 Solのカットオフは2026年2月16日で、前世代のGPT-5.5（2025年12月）より新しくなりました。更新でこの区切りが前へ進む——「前は知らなかった最近の出来事を、知っているようになる」というのが、まさにこれです。

ただし、更新してもカットオフより後の話題（昨日の株価、今日の天気など）は、Web検索などを繋がない限り答えられないという原則は変わりません。しかもモデルは「わかりません」ではなく、それらしい推測で埋めてしまうことがあります（この学習の仕組みと、カットオフへの対処法はAIはなぜ「昨日のニュース」を知らないのかでくわしく扱っています）。

また、学習データは多ければ強い、というわけではありません。量と質のバランスで、モデルの性格そのものが変わります。

変化点3：コンテキストウィンドウ（一度に扱える量）

コンテキストウィンドウとは、AIが1回の応答をつくるときに一度に参照できる情報量の上限のことです。指示文や会話履歴、添付した資料（テキストだけでなく画像なども）、さらにツールの実行結果、そして生成中の回答まで、すべてがトークンに換算されてこの1つの枠に積み上がっていきます。単位はトークン（AIが情報を処理する最小単位）で、「100万トークン」のように表します。

更新でこの枠が広がることがあります。長い資料を丸ごと渡せる量が増える、という分かりやすい実利です。ただし注意したいのは、コンテキストの長さは更新のたびに必ず変わるわけではない、という点。推論性能・速度・価格・ツール利用の力だけが更新されて、長さは据え置き（ときには短く）ということもあります。2026年時点の目安では、GPT-5.5もGemini 3.1 Proも約105万トークン、Claudeは100万トークンです。なお、この「入力できる量」とは別に、出力トークン——AIが一度に生成できる回答の長さの上限——という数字もあります（先ほどのGPT-5.6 Solなら12.8万トークン）。ただし、よほど長大な文章を一度に出力させない限りぶつかることは少なく、ふだんの利用でそこまで気にする必要はありません。

ただし、ここには2つの落とし穴があります。ひとつは、枠が大きい＝高精度、ではないこと。長い文章の”真ん中”あたりに埋もれた情報は、AIが見落としやすい傾向が報告されています（「Lost in the Middle」）。ただしこれはモデルや課題、情報の置き場所によって程度が変わり、すべてのケースで必ず起きるわけではありません。関連する現象として、Anthropicも「context rot（コンテキスト劣化）」——コンテキストが長くなるほど、その中の情報を正確に思い出す力が落ちる——という表現を使っています。いずれにせよ、不要・重複な情報まで大量に詰め込むと、肝心な情報の検索や推論がかえって難しくなることがある、という点は意識しておきたいところです。もうひとつは、「モデルの上限」と「アプリで実際に使える上限」は別物だということ。同じモデルでも契約プランによって使える枠は変わります。長い資料が読み込めないとき、それはモデルの限界ではなく、プラン側の制限であることも少なくありません。

リリース告知・モデル選択画面の読み方

ここまでの3つを押さえれば、新モデルの告知を見たときに「どこが動いたか」をこう仕分けられます。

告知・画面で見るところ	どの軸の話か
数字（世代）が上がった、Pro/mini/Flashなどが増えた	大きさ・ラインナップ
「ナレッジカットオフ」「最新情報に対応」	学習データの新しさ
「◯◯万トークン」「長文対応」「context」	コンテキストウィンドウ

3つの軸の”外側”でも、進化は続く

最後に、2つ補足しておきます。

ひとつはマルチモーダル（画像・音声・動画も扱える性質）。これは数年かけて「テキスト → 画像 → 音声 → 動画」と広がってきた軸ですが、2026年時点では最前線のモデルがほぼ一通り対応済みです（GPT・Geminiは動画・音声まで、Claudeは画像を中心に対応）。つまり「更新のたびに新しい感覚器が増える」段階は概ねやり切り、いまは「対応していて当たり前」に近づいています。業務ごとの見た目のクセ（特定製品の傷、特定様式の帳票など）を高精度で扱いたい場合は、前回紹介した識別系AIのように、業務特化で作り込んだモデルの出番になります。

もうひとつが、これから伸びるエージェント・ツール利用の力です。ただ質問に答えるだけでなく、Web検索・コード実行・外部ツールの操作を自分で組み合わせ、指示された仕事を自律的に進める能力。最近の更新は、この”手足”の強化が主戦場になりつつあります（このテーマは、いずれ別の記事でくわしく扱う予定です）。

まとめ——「どれが動いた？」と問う癖をつける

AIモデルの更新で進化するのは、主にこの3方向です。

1. 大きさ・ラインナップ——賢さと、コスト・速度のトレードオフ
2. 学習データの新しさ——ナレッジカットオフがどこまで進んだか
3. コンテキストウィンドウ——一度に扱える情報量（ただし大きいほど良いとは限らない）

次に「新しいAIが出た」というニュースを見たら、「3つのうち、どれが動いたんだろう？」と問いかけてみてください。それだけで、更新の中身がぐっと読み解けるようになります。地図を広げ（第1回）、外側を歩き（第2回）、一番内側の変化の見方を手に入れた今回——これで、AIという世界の解像度は確かに上がったはずです。