【新発想】特許文献から「知識の組み合わせ方」を学習！日本語特化LLM「AXELIDEA-QUON-14B」がJA Leaderboard非思考型14Bクラスで首位獲得

「知識の組み合わせ方」を学習する新発想の日本語特化LLMが登場

2026年3月25日、Axelidea株式会社は、140億パラメータを持つ日本語に特化した大規模言語モデル（LLM）「AXELIDEA-QUON-14B-Japanese-v01」（愛称：QUON、クオン）を公開しました。このモデルは、従来のLLMとは一線を画す「知識の組み合わせ方」を学習するという新発想に基づいて開発されており、その性能は日本語の総合評価タスクであるJA Leaderboardの非思考型14Bクラスで首位を獲得するほどです。

従来のLLMとの決定的な違い：知識の「量」から「組み合わせ方」へ

これまでの大規模言語モデル（LLM）は、どれだけ多くの情報を記憶し、それを引き出せるかという「知識の量」を追求してきました。しかし、「AXELIDEA-QUON-14B-Japanese-v01」は、このアプローチとは異なる視点に立っています。それは、「知識をどのように組み合わせて、新しい答えや解決策を導き出すか」という、人間の「思考プロセス」そのものに注目した点です。

本モデルの学習源として選ばれたのは、膨大な量の特許文献です。特許文献には、発明者が直面した問題をどのように解決したかという、具体的な思考の軌跡や問題解決のパターンが凝縮されています。この「問題解決の考え方」そのものをLLMに習得させることで、単なる知識の羅列ではなく、より創造的で実践的なアウトプットを生み出すことを目指しています。

驚異のベンチマーク結果：日本語総合評価タスクで首位を獲得

「AXELIDEA-QUON-14B-Japanese-v01」は、その革新的な設計思想が実を結び、日本語のLLMの性能を測る主要な指標であるJA Leaderboard（日本語総合評価7タスク平均）において、目覚ましい成果を上げています。

JA Leaderboardは、LLMが日本語をどれだけ正確に理解し、適切に処理できるかを評価するためのベンチマークです。この評価において、本モデルは、GoogleやMicrosoftといった大手企業が開発した非思考型instruction-tuned 14Bクラスのモデルと比較して、以下の表に示す通り首位を達成しました。

この結果は、AXELIDEA-QUON-14B-Japanese-v01が、単に多くの知識を持つだけでなく、その知識を効果的に活用し、複雑な日本語のタスクにおいても高いパフォーマンスを発揮できることを示しています。特に「非思考型instruction-tuned」とは、特定の指示（instruction）に基づいて応答を生成するように調整されたモデルであり、自律的に思考する能力を直接的に評価するものではありませんが、与えられたタスクに対する理解度と応答の質が高いことを意味します。

なぜ「知識の組み合わせ方」が創造性に繋がるのか

広告業界の巨匠、ジェームズ・W・ヤングは「アイデアとは既存の要素の新しい組み合わせ以外の何物でもない」と述べました。この言葉は、創造性の本質を非常に的確に表しています。「AXELIDEA-QUON-14B-Japanese-v01」の設計思想は、まさにこの考えに基づいています。

従来のLLMのファインチューニング（特定のタスクに合わせてモデルを微調整する学習）は、主に「どれだけ多くの知識をモデルに与えるか」という知識量の拡充が目的でした。しかし、本モデルは、LLMの内部で情報の参照や関連付けを制御する「Attention層」という部分に、創造的な思考パターンを強化する学習を施しています。

具体的には、特許文献に凝縮された問題解決の「注意パターン」を学習することで、既存の知識（要素）をどのように組み合わせれば、新しいアイデアや解決策が生まれるかという「問題解決の考え方」そのものを習得しています。これにより、モデルは単に事実を答えるだけでなく、与えられた情報から新しい視点や解決策を提案する、より高度な知的活動が可能になると期待されます。

革新的な技術によるブレイクスルー

大規模言語モデルの性能向上は著しいものの、日本語における高精度な知識理解と創造的思考の両立は依然として大きな課題でした。特に、創造性は「正解が一つに定まらない能力」であるため数値評価が難しく、また新しいことを学習すると古い知識を忘れてしまう「壊滅的忘却」という問題も発生します。「AXELIDEA-QUON-14B-Japanese-v01」は、これらの困難を独自の技術で克服しています。

課題の背景：創造性と「壊滅的忘却」

創造性は、画一的な評価が難しい特性を持ちます。例えば、ある問題に対して複数の解決策が考えられる場合、どれが「最も創造的」であるかを客観的に評価するのは容易ではありません。また、機械学習モデルが新しいタスクやデータを学習する際に、以前に習得した知識を急激に失ってしまう現象を「壊滅的忘却」と呼びます。これは、特に汎用的な知識を持つLLMが、特定の専門知識を深める際に直面する大きな問題です。

「AXELIDEA-QUON-14B-Japanese-v01」は、以下の技術革新により、これらの課題を乗り越え、高性能を実現しています。

1. 複数のエキスパートによる多様な創造性
   米国の心理学者トーランスが提唱した「トーランスの創造性テスト（TTCT）」理論に基づき、本モデルでは、4つの主要カテゴリ（拡散的思考、類推的推論、視点転換、制約創造性）と15のサブドメインを組み合わせた計60体の「専門家エキスパート」を個別に訓練しています。各エキスパートは特定の創造的思考スタイルに特化しており、これらを組み合わせることで、多様な創造性の側面を網羅し、より多角的な問題解決アプローチを可能にしています。

2. 5次元創造性報酬モデル（QUON-CreativityBench）
   独自のヒューリスティック品質スコアリングシステム「PatentQualityScorer」を導入し、特許文献から得られた訓練データの品質を、以下の5つの次元で評価します。

   • 独創性 (Originality)：アイデアの新規性や独自性。

   • 精緻性 (Elaboration)：アイデアの具体性や詳細さ。

   • 実現可能性 (Feasibility)：アイデアが実際に実現可能であるか。

   • 流暢性 (Fluency)：生成されるアイデアの多様性や量。

   • 柔軟性 (Flexibility)：異なる視点やカテゴリからのアイデア生成能力。

   このシステムは、語彙的・構造的分析に基づき、大規模な特許データの中から特に高品質で創造的な訓練データを効率的に選別することを可能にしています。これにより、モデルは質の高い「問題解決の考え方」を効率的に学習できます。

3. 量子コンピューティング技術によるエキスパートチーム選出
   60体のエキスパートの中から、2体から5体の最適な組み合わせを選び出す問題は、約600万通りもの候補が存在し、従来の計算方法では非常に複雑です。この問題を「QUBO（Quadratic Unconstrained Binary Optimization）問題」として定式化することで、解決を試みています。

   QUBO定式化では、エキスパートの品質（適応度）、チーム内のスキル多様性、カテゴリバランスといった複数の目的を、一つの「エネルギー関数」に統合して表現できます。適応度を線形項、エキスパート間のスキル重複や相補性を二次項、サイズやバランスの制約をペナルティ項として表現し、「シミュレーテッドアニーリング」という最適化手法を用いて最適なチームを選出します。

   この技術の重要な利点は、将来的にエキスパートの数が数百〜数千規模に拡大した場合でも、定式化を変更することなく、量子アニーリングやゲート型量子アルゴリズムといった「量子コンピュータ」にそのまま入力し、その計算能力の恩恵を受けられる点です。これは、未来のAI開発における拡張性と効率性を大きく向上させる可能性を秘めています。

4. 知識保持型ファインチューニング
   「壊滅的忘却」は、新しい知識を学習する際に古い知識が失われるという、ファインチューニングの大きな課題です。しかし、本モデルでは、この問題を解決するための独自の技術が導入されています。これにより、ベースモデルが持つ汎用的な知識をしっかりと保持したまま、特許文献から得られた創造的な問題解決能力を習得することに成功しています。この技術は、LLMが専門性と汎用性を両立させる上で極めて重要です。

GENIAC-PRIZE 特別賞「地域賞」受賞

Axelidea株式会社は、2026年3月24日に、経済産業省とNEDOが主催する生成AI分野の研究開発・社会実装促進プログラム「GENIAC-PRIZE」において、特別賞「地域賞」を受賞しました。この賞は、地域特有の課題に取り組み、地域に根ざした独自の活動によって変革や効率化を実現している企業に授与されるものです。

本受賞は、応募企業である栗山縫製株式会社との連携による成果であり、Axelidea株式会社の技術力が地域の産業振興にも貢献できることを示すものです。

GENIAC-PRIZEの詳細については、以下の特設サイトをご覧ください。

• GENIAC-PRIZEの特設サイト

Axelidea株式会社について

Axelidea株式会社（Minoru IP Group）は、大阪府大阪市と東京都千代田区に本社を構える企業です。代表取締役は博士（工学）の西田泰士氏が務めています。同社は、最先端のAI技術を駆使し、社会の様々な課題解決に貢献することを目指しています。

本研究開発の計算の一部は、東京科学大学のスーパーコンピュータTSUBAME4.0を利用して行われました。このような高性能な計算資源の利用が、今回の革新的なLLM開発を支えています。

• Axelidea株式会社 公式サイト

• お問い合わせ

まとめ

「AXELIDEA-QUON-14B-Japanese-v01」は、単に知識を増やすだけでなく、「知識の組み合わせ方」という思考プロセスそのものを学習することで、LLMの新たな可能性を切り開きました。特許文献から得られた問題解決パターン、そして量子技術や知識保持型ファインチューニングといった最先端技術の融合は、日本語LLMの創造性と実用性を飛躍的に向上させるものと期待されます。

この画期的なモデルは、ビジネスにおけるアイデア創出、研究開発における問題解決、さらには教育分野など、多岐にわたる領域でその真価を発揮することでしょう。Axelidea株式会社の今後のさらなる発展と、このモデルが社会にもたらす変革に、大いに注目が集まります。