LoRAとは？意味・仕組みとモデルを調整する機能の年表（2026年11月時点）

ひとことで言うと

LoRA（Low-Rank Adaptation、低ランク適応）は、学習済みの AI のモデルを特定の仕事に合わせて調整するときに、モデルの元の重みは固定したまま、小さな行列だけを足して学習する方法だ。重みはモデルが学習で覚えた数値で、モデル全体を学習し直すより、必要なメモリと保存する量が大きく減る。

たとえば1つの言語モデルを、問い合わせ対応用と議事録の要約用に別々に調整したいとする。LoRA なら元のモデルは1つだけ持ち、仕事ごとに小さな重みを保存して差し替えればよい。

仕組み

LoRA は、2021年6月17日に Microsoft の Edward Hu らが発表した論文（TRAIL の解説）で提案された。論文の説明に沿って順に見る。

1. 元の重みを固定する。ファインチューニング（学習済みのモデルを追加の学習で調整すること）では、ふつうモデルのすべてのパラメーターを更新する。LoRA では元の重みを動かさない。
2. 小さな行列を2つ足す。重みの行列 W0 の変化分を、細長い2つの行列 B と A の掛け算 BA で表す。2つの行列の幅を決める数をランク r と呼び、元の行列の大きさよりずっと小さくする。
3. 足した行列だけを学習する。学習の初めは B をゼロにしておくので、変化分 BA はゼロから始まる。論文は Transformer（いまの多くの言語モデルのもとになっている構造）の注意の層の重みに LoRA を当てて実験した。
4. 使うときは足し合わせる。運用では W0 に BA を足した重みを計算して保存すれば、ふつうのモデルと同じ速さで動く。別の仕事に切り替えるときは BA を引き、別の B′A′ を足す。

論文は、GPT-3 では元の行列の幅が12,288あっても、ランクは1か2で足りたと報告している。Google の Gemma の LoRA のチュートリアルも、ランクが高いほど細かい変更ができる一方、学習するパラメーターが増えると説明する。4、8、16のような小さなランクから始めて、少しずつ上げて確かめる手順を勧めている。なお、このチュートリアルのページには非推奨だという表示が出ている。

表で見る最新の状況

上の年表は TRAIL の DB から、自分の画像や文章でモデルを調整する機能と、追加学習したモデルの出来事8件を古い順に並べたものだ。確認日は2026年10月10日から11月1日。その下には LoRA の原論文と関連する論文3本を並べた。

TRAIL の年表で、出来事の説明に LoRA と書かれているのは、2026年4月23日の Black Forest Labs の「FLUX.2 LoRA 推論をベータ公開」だけだ。利用者が自分で調整した FLUX.2 の LoRA を、API 経由で使えるようにした。

ほかの7件の説明には、どの方法で調整するかは書かれていない。

Adobe は2024年3月26日に「Firefly Services とカスタムモデル」を発表し、10〜20枚ほどの自社の素材でモデルを調整できるとした。2026年3月19日には「カスタムモデルを公開ベータで提供」した。

Ideogram は2026年4月22日に「自分の画像で学習させる Custom Models を公開」し、API の料金表では学習1回40ドルだ。

Suno は2026年3月26日の「v5.5 を公開」で、自作の曲で調整したモデルを作る Custom Models を加えた。

文章のモデルでは、Sakana AI が2025年4月1日に、約2,500万字の江戸期の文章で Llama-3-ELYZA-JP-8B を追加学習した「からまる」を公開した。2026年8月3日の「Sakana Namazu API を提供開始」では、Kimi K2.6 に日本語と業務の文脈を追加学習している。

TRAIL の年表では、8件のうち5件が2026年の出来事だ。画像や音楽のツールで、利用者が自分の素材でモデルを調整する機能が2026年に続けて出ている。

LoRA とフルファインチューニング、QLoRA の違い

QLoRA は LoRA を量子化と組み合わせた方法だ。量子化（重みを少ないビット数で表してメモリを減らすこと）したモデルを固定し、LoRA の行列だけを学習する。

仕事でどう関係するか

画像生成で、自社のキャラクターや画風をそろえたいとき

FLUX.2 のように、LoRA を API で使えるツールがある。Adobe Firefly、Ideogram の Custom Models も、自分の画像でモデルを調整できる。TRAIL の年表の説明には調整の方法が書かれていない。方法や学習に使える枚数、料金は各ツールの案内で確かめる必要がある。

社内向けに言語モデルを調整したいとき

Google の Gemini Enterprise Agent Platform のチューニングの概要は、モデルのパラメーターの一部だけを更新するパラメーター効率チューニングを、フルファインチューニングより計算が少なく費用対効果に優れると説明している。強化学習ファインチューニングでは LoRA のアダプター（追加の小さな重み）を更新すると書く。同じページはまずプロンプトを作り込み、足りなければファインチューニングを使う順番を勧めている。

調整の前に、学習に使う例を集めておく必要がある。AI に例の形を整えてもらうこともできる。

社内の問い合わせ対応の文体をそろえるため、モデルの調整用のデータを作りたい。
下に貼った過去の問い合わせと回答を、「質問」と「模範の回答」の組にしてください。
個人名、電話番号、メールアドレスは「〔個人情報〕」に置き換えてください。

手元の GPU で追加学習を試したいとき

論文によると、Adam のような適応的な最適化手法で学習する場合、LoRA は学習に要る GPU などの機械の水準を最大で3分の1に下げる。また論文は、ほとんどのパラメーターで勾配（重みを直す向きと大きさ）を計算しないので、GPT-3 で学習が25%速くなったと報告している。さらにメモリを減らすなら QLoRA が候補になる。

注意点と限界

LoRA で学習する量を減らせても、学習に使うデータの質は結果を左右する。Google のチューニングの概要は、質が高く正しくラベルの付いたデータは、量が多いデータより良い結果につながるとしている。

論文は、別々の仕事の B と A を元の重みに足し込んだ場合、それらの仕事の入力を1回の計算にまとめて流すのは簡単でないと書いている。遅れが問題にならない場面なら、足し込まずに使い、入力ごとに LoRA を選ぶこともできるという。

論文の実験は主に注意の層の2つの重みに LoRA を当てたものだ。ほかの層に当てる効果は論文では今後の課題とされた。

よくある質問

関連する用語

• ファインチューニング：学習済みのモデルを追加の学習で調整すること。LoRA はその方法の1つ
• パラメーター：モデルが学習で覚えた数値。LoRA は学習する数を減らす
• 量子化：重みのビット数を減らす方法。QLoRA は LoRA と組み合わせる
• Transformer：論文が LoRA を当てた、言語モデルのもとになっている構造
• GPU：LoRA で減らせるメモリを持つ、学習に使う半導体
• ローカルLLM：手元のパソコンで動かす言語モデル
• ツール：FLUX、Adobe Firefly、Ideogram、Suno、Sakana AI