専門化が規模に勝る：ほとんどのAI調達決定が見落とす戦略的変数

長年にわたり、企業のAI調達戦略は暗黙の前提に従ってきました。最大のモデルが最良の選択であるというものです。この論理はスケーリング則に基づいており、パラメータ数が多いほど能力が高く、フロンティアモデルが主要ベンチマークでリードし続けてきたためです。しかし、Dharma-AI社の最近の研究は、この仮定に実証的な挑戦を投げかけています。

研究チームは、構造化OCR用の専門化小型言語モデルのペアであるDharmaOCRをリリースし、ベンチマークを公開しました。ベンチマークでは、わずか30億パラメータの専門化モデルが、品質、コスト、生産安定性のすべての次元で商用フロンティアAPIを打ち負かしました。複合スコアは0.911で、最も近いフロンティアモデルであるClaude Opus 4.6の0.833を上回りました。コスト面では、このモデルの実行コストはフロンティアAPIの約52分の1です。テキスト退化率はわずか0.20%で、他のモデルよりもはるかに低い値でした。

この結果は孤立したものではありません。論文は、モデルのパフォーマンスを決定する重要な変数はパラメータ数ではなく、モデルのトレーニング履歴とデプロイタスクとの間の分布アライメントの程度であると指摘しています。30億パラメータで、トレーニング軌跡がすでにタスクに近い専門化モデルは、より多くのパラメータを持つがトレーニング分布が広い汎用モデルよりも優れたパフォーマンスを発揮しました。分布アライメントは階層構造と見なすことができます。汎用モデルが最下層、ドメインのゼネラリストがその上、タスク固有の専門家が最上位です。より高い出発点から始まる微調整は、より大きな利益をもたらします。

研究はまた、専門化が累積的であることを示しています。70億パラメータの規模では、汎用モデルから微調整したモデルのスコアは0.906、退化率1.01%でした。一方、すでにOCRに専門化されたベースから微調整したモデルのスコアは0.927に上昇し、退化率は0.40%に低下しました。30億パラメータの規模では、その差はさらに顕著でした。汎用ベースのスコアは0.793、退化率1.41%であったのに対し、専門ベースのスコアは0.921、退化率0.20%でした。

これらの発見は、AI調達の意思決定に直接的な示唆を与えます。最大のモデルをデフォルトで選ぶのではなく、タスクにアラインした専門化モデルを優先すべきです。専門化研究が進むにつれ、企業はより低コストでより高い品質と安定性を得ることができるようになるでしょう。

Dharma社の研究チームは、分布アライメントの概念はOCRタスクに限らず、あらゆる企業AIワークロードに適用可能であると指摘しています。調達決定者は、パラメータ規模だけでなく、モデルのトレーニング履歴と目標タスクとの一致度を評価すべきです。この発見は、特にコストに敏感な生産環境において、AI調達のベストプラクティスを再定義する可能性があります。