7.0 学習チェックリスト：大モデル原理、Prompt、微調整

このページは印刷用チェックリストとして使います。詳しい説明が必要なときは、第 7 章入口ページに戻ってください。

LLM 学習ガイド進化パス

2時間の初回通読

時間	やること	ここまで言えたら止める
20 分	入口ページの「Token から回答まで」の図を見る	「文章は token、ベクトル、文脈になり、次の token 予測へ進む。」
25 分	7.1 をざっと読み、tokenizer の例を1つ動かす	「Token 数はコストとコンテキスト制限に影響する。」
25 分	7.2 と LLM 発展史をざっと読む	「規模、データ、Transformer、整合がモデル能力を変えた。」
30 分	入口ページの Prompt テストスクリプトを動かす	「固定ケースで Prompt 版を比較できる。」
20 分	手法選択表を読む	「Prompt、RAG、ツール、検証を確認する前に微調整へ急がない。」

証拠	最小版
`prompts/`	1つのタスクに対する3つの Prompt 版
`prompt_eval_cases.csv`	少なくとも5つの固定入力と簡単なスコア列
`structured_output_schema.json`	必須フィールドと許可する値の型
`failure_cases.md`	少なくとも3つの失敗出力と推定原因
`gpu_train_log.txt`	7.4.5 GPU を借りて手作り GPT-2 を学習するの `device: cuda` 学習ログ
`llm_stage_workshop_output.txt`	7.8.4 実践：第 7 章フルワークショップの出力
`README.md`	実行方法、通った点、失敗した点、次に試すこと

ゲート	合格条件
Prompt 比較	同じケース、変更する変数は1つ、出力とスコアを保存する。
構造化出力	parser が欠落フィールドや型違いを拒否する。
失敗分析	各失敗に、指示、入力、スキーマ、知識不足、安全性のいずれかの推定原因がある。
手法選択	決定表が、Prompt、RAG、微調整、ツール、Agent のどれを先に使うか説明している。
手作り GPT-2	CUDA GPU で mini GPT-2 を動かし、embedding、attention、loss、generate の位置を説明できる。

期待される結果：第 7 章のフォルダに、Prompt 版、固定評価ケース、parser/schema チェック、失敗メモ、device: cuda の mini GPT-2 学習ログ、ワークショップ出力、手法選択を説明する README がそろっている状態です。

token、embedding、attention、コンテキストウィンドウ、事前学習、Prompt、微調整、整合を、定義の丸写しではなく自分の言葉で説明できますか？
毎回1つの Prompt 変数だけを変え、同じ入力ケースで結果を比べられますか？
JSON らしく見える文章を信じるのではなく、JSON 出力を検証できますか？
情報不足のとき、長い Prompt ではなく RAG が必要になる場面を説明できますか？
繰り返す振る舞いの適応が、微調整を検討する理由になる場面を説明できますか？
GPU Notebook を開く、または借りて、device: cuda で mini GPT-2 を動かし、loss と生成文を保存できますか？

確認の考え方と解説

これらは1つの流れとして考えます。token と embedding は表現層、attention は文脈の中で注目先を分配する仕組み、context window は一度に見られる範囲、pretraining は基礎モデルの構築、Prompt は今回の指示、微調整はデータで振る舞いを変える方法、整合は出力を有用かつ安全に保つ考え方です。
同じケースを保ったまま Prompt 変数を1つだけ変え、出力とスコアの両方を保存すると、印象ではなく再現できる比較になります。
schema か parser で構造、必須フィールド、型を検証します。解析に失敗したら、正しいとみなさずに拒否します。
文書にある新しい事実、私的な事実、引用可能な事実に答えが依存するなら、長い Prompt ではなく RAG を使います。
同じ振る舞いが高品質な例で何度も繰り返され、Prompt と検証だけでは足りないときに、微調整を検討します。

答えがすべて「はい」なら、第 8 章へ進みます。第 8 章では、この考え方を実際の LLM アプリと RAG システムにつなげます。

このページを終えたら、この証拠カードを残します。