楽天が日本語特化のLLM「Rakuten AI 2.0」を発表。ChatGPT・Claudeとの違いや具体的な使い方を紹介

楽天グループ株式会社が新たな日本語対応の大規模言語モデル（LLM）「Rakuten AI 2.0」と、よりコンパクトな小規模言語モデル（SLM）「Rakuten AI 2.0 mini」の提供を開始したことを発表しました。^[1]

今回のリリースではMixture of Experts（MoE）アーキテクチャを採用した「Rakuten AI 2.0」をはじめ、同社が初めて開発した小型モデル「Rakuten AI 2.0 mini」も登場。さらにこれらのモデルに対して インストラクションチューニング（指示理解能力の向上） を施したバージョンも提供されます。

全モデルはApache 2.0ライセンス のもとで公開されており、楽天の公式Hugging Faceリポジトリを通じて無料でダウンロード可能です。企業や研究機関、個人開発者もライセンスに基づいた範囲で自由に活用できます。

楽天はこれらの言語モデルの提供を通じて、日本語に特化した高度な自然言語処理技術の発展を支援し、ビジネスや学術分野におけるAIの利活用を促進していく考えです。

楽天が提供する最新のAIモデル「Rakuten AI 2.0」は、日本語に最適化された高性能な言語モデルです。最先端のアーキテクチャと革新的なチューニング手法を採用し、効率的かつ高精度なテキスト生成を可能にしています。

「Rakuten AI 2.0」はこれらの特徴を活かし、幅広い分野での活用が期待されています。

Rakuten AI 2.0は日本語に最適化されており、特に指示追従（インストラクションチューニング）や対話性能の向上に注力されています。 

一方で、ChatGPT（GPT-4）やClaude（Claude 3）はより大規模なパラメータ数を持ち、多言語対応や汎用的な知識・推論能力に強みがあります。

結論としてRakuten AI 2.0 は日本語に特化し、商用利用しやすいオープンモデルです。対してChatGPTやClaudeは多言語対応や、幅広い知識・推論能力を活かした高度なAIという違いがあります。 どのモデルが最適かは利用目的によって異なるでしょう。

今回はGoogle Colabを使い、Rakuten AI 2.0を楽天の公式Hugging Faceリポジトリからダウンロードして使う方法について解説します。また、Google Colabの無料版だと容量に限りがあるので、今回は軽量版であるRakuten AI 2.0 miniの使い方を例に解説します。

はじめにGoogle Colabを開き、「ノートブックを新規作成」をクリックします。

Google Colabより

ノートブックを作成したら、画面ジョブのヘッダーから「ランタイム」をクリックし「ランタイムのタイプを変更」をクリックしてください。すると上記画面が表示されるので、ハードウェア アクセラレータを「T4 GPU」へ選択して「保存」をクリックしましょう。

この作業によりGoogle ColabでGPUを利用できるようになります。

Google Colabより

GPU設定のあとは、ソースコードの入力欄に下記サンプルコードを指定してください。

【サンプルコード】
!pip install -U transformers torch accelerate sentencepiece bitsandbytes

このコードはPythonのパッケージ管理ツール「pip」を使って、機械学習と自然言語処理（NLP）に関連するライブラリを最新バージョンにアップデートしながらインストールするコマンドです。

各ライブラリの役割

• transformers：Hugging Faceのライブラリで、大規模言語モデル（LLM）を簡単に扱うためのツールセット。
• torch：PyTorchのこと。機械学習・ディープラーニングのフレームワーク。
• accelerate：モデルの最適化や分散学習を簡単に行うためのHugging Face製ライブラリ。
• sentencepiece：テキストをサブワード単位に分割するためのツール（BPEやUnigramモデルを使用）。
• bitsandbytes：LLMの軽量化や効率的な学習・推論をサポートする量子化ライブラリ。

次にHugging Faceから楽天AIのモデルをインストールします。サンプルコードは下記の通りです。

【サンプルコード】
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# モデル名（最も軽量なRakuten AIモデル）
model_name = "Rakuten/RakutenAI-2.0-mini"

#トークナイザーのロード
tokenizer = AutoTokenizer.from_pretrained(model_name)

#モデルのロード
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,  # メモリ節約のためfloat16を使用
    device_map="auto"  # GPUがある場合は自動的にGPUを使用
)

#`pad_token_id` を `eos_token_id` に設定（警告を回避）
model.config.pad_token_id = model.config.eos_token_id

print("モデルのロード完了！")

もし「Rakuten AI 2.0」を利用したい場合は「model_name」を変更するだけでダウンロードできます。もしグラフィックボードを搭載したPCを持っている方はぜひ試してみて下さい。

これでRakuten AI 2.0 miniの利用環境は整いました。最後に下記のコードでプロンプトや生成するトークン数などを指定します。

【サンプルコード】
#AIに質問するテキスト
input_text = "RakutenAIとChatGPT,Claudeだとどちらの方が高性能ですか？"

#トークナイズ（テキストを数値データに変換）
inputs = tokenizer(
    input_text,
    return_tensors="pt",
    padding=True,
    truncation=True,
    max_length=512  # 512トークン以上の長さを防ぐ
)

#入力データをモデルのデバイス（GPU/CPU）に移動
inputs = {key: value.to(model.device) for key, value in inputs.items()}

#応答の生成
with torch.no_grad():
    output = model.generate(
        **inputs,
        max_new_tokens=500,  # 生成する最大トークン数
        pad_token_id=model.config.pad_token_id,  # パディングトークンを指定
        temperature=0.7,  # 創造性の調整（0.7がバランスよい）
        top_p=0.9,  # 確率の高い単語を優先
        do_sample=True  # サンプリングを有効化
    )

#生成されたテキストをデコード
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)

#結果を表示
print("【AIの回答】\n", generated_text)

「input_text」にプロンプトを入力し、その回答がpring関数にて出力される仕組みです。「max_new_tokens」はLLMが回答に利用できるトークン数を指しており、数値が多いほど文字数の多い回答を得られます。

今回入力した「Rakuten AIとChatGPT、Claudeだとどちらの方が高性能ですか？」というプロンプトを入力した結果、下記の回答が出力されました。

Google Colabより

日本語の違和感は見られませんが、句読点の多さや回答が結構端的な印象を受けます。今回は最大トークン数を絞っていたり、最も軽量なモデルを使っていることも原因なのかもしれません。

Rakuten AI 2.0 miniを使ってみた結果、現状だと日本語の品質においてもChatGPTやClaudeの方が優れているように感じます。日本語特化のLLMに関心がある方は、本記事を参考にぜひ使ってみて下さいね。

References

1. ^ 楽天グループ株式会社. 「楽天、日本語に最適化した大規模言語モデルと楽天初の小規模言語モデルを提供開始」. https://corp.rakuten.co.jp/news/press/2025/0212_02.html, (参照 2025-02-15).