Sarashinaとは？無料APIの使い方・モデル一覧・TTS/OCRとライセンス【2026年10月】

Sarashina（さらしな）は、ソフトバンク子会社のSB Intuitionsが開発する日本語向けの生成AIモデル群です。1つのモデル名ではなく、対話用LLM・埋め込み・翻訳・音声合成・OCR・画像理解まで枝分かれしたファミリーで、提供経路もライセンスもモデルごとに違います。2026年10月13日には、最新のSarashina3シリーズを申し込み不要・無料で試せる「Sarashinaサービス」の無償ベータが始まりました。本記事では、無料APIの呼び出し方と仕様、Hugging Faceで公開されているTTS・OCRの動かし方、商用利用で引っかかるライセンスと利用規約の条項を、公式ドキュメントとモデルカードを根拠に整理します。

まとめ

• SarashinaはSB Intuitionsの日本語LLMファミリー。名前は竹芝という地名が初めて登場する『更級日記』に由来する。
• 現行世代はSarashina3（mini／nano／guard／embedding／rerank／translate）。2026年10月13日からsarashina.aiの無償ベータで、Googleアカウントだけでチャットと6モデルのAPIを無料で使える。
• APIは https://api.sarashina.ai/v1 のBearer認証。mini／nanoのコンテキスト長は128kトークン、1回の出力は最大8,000トークン。無料枠は毎分の回数制限（miniは1分6回）で、まとめ打ちはできない。
• 無償プランの入力・出力はモデル学習に使われる場合があり、拒否（オプトアウト）できるのは有償プランだけ。個人を特定できる情報の入力は規約で禁止されている。
• 法人の本番利用はソフトバンクのCloud PF Type A（東日本2026年4月、西日本2026年9月30日開始）。単価は見積もり制で公開されていない。
• Hugging Faceの公開モデルはライセンスが割れる。2.2系テキスト・OCR・VisionはMIT、2.2-TTS・embedding-v2-1b・8x70Bは非商用。
• よく見る「4,600億パラメータ」は2024年のSarashina2-8x70Bの総パラメータ数で、現行モデルの規模ではない。

以下、世代の整理、使い方の入口、無料APIの手順と仕様、規約とライセンスの順に説明します。

Sarashinaの開発元と世代

SB Intuitionsと『更級日記』由来の名前

開発元はソフトバンク株式会社の子会社SB Intuitions（本社・東京都港区）です。同社は2024年6月14日のプレスリリースで、「Sarashina」は「竹芝という地名が歴史上初めて出てくる『更級日記』に由来」すると説明しています。読みは「サラシナ」。検索結果には同名の蕎麦店も並びますが、技術文脈ではSB Intuitionsのモデル群を指します。

Sarashina1から3までの系譜と「4,600億パラメータ」の意味

系譜は、Sarashina1（7B／13B／65B、2024年6月）→ Sarashina2（7B／13B、2024年6月、70Bは同年8月）→ Sarashina2-8x70B（2024年11月）→ Sarashina2.2（0.5B／1B／3B、2025年2〜3月）→ Sarashina3（2026年6月30日）と進んでいます。

誤解が多いのはSarashina2-8x70Bです。公開時のTECH BLOGは「モデル全体のパラメータ数は460B」で、各MoE層では8つのエキスパートのうち上位2つだけを使うため、計算に使うアクティブパラメータは130Bだと説明しています。指示チューニングをしていない事前学習モデルで、ライセンスは非商用、BF16推論にはH100が16枚要ります。「4,600億パラメータの国産LLM」という紹介は2024年時点の基盤モデルの話です。

現行のSarashina3 mini／nanoはフルスクラッチで開発され、日本語・英語を中心とする30兆トークンで事前学習した、長い思考過程を挟まないInstructモデルです。デジタル庁のガバメントAIの試用モデルにも採択されています（選定の経緯はデジタル庁が選定した国産AI7モデルで整理しています）。パラメータ数は2026年10月時点でも非公表で、Hugging Faceのsbintuitionsのモデル一覧にもSarashina3の重みはありません。

Sarashinaを使う3つの入口

3つは中身が少しずつ違います。Cloud PF Type Aの提供モデルはmini／nano／guard／embedding／rerankの5つで、無償ベータにあるtranslateは載っていません（2026年10月15日確認）。共有型（On-Demand）が5モデル、専有型（Dedicated）がmini／nanoで、価格は問い合わせです。東日本リージョンは2026年4月に始まり、西日本リージョンは2026年9月30日に提供を開始しました。ただし西日本でのSarashinaは「順次提供」とされています。基盤の詳細はソフトバンクCloud PF Type Aの解説にまとめています。

なお、2025年11月28日に法人向けに始まった旧「Sarashina API」のサービスページURLは、現在Cloud PF Type Aの機能ページへ転送されます。2025年の記事にある申込手順は、そのままでは使えません。

Sarashinaサービス（無償ベータ）でAPIを使う手順

アカウント作成とAPIキーの発行

2026年10月13日のプレスリリースによれば、sarashina.aiはGoogleアカウントでのログインに対応し、事前の申し込みなしで使えます。チャット画面（chat.sarashina.ai）では対話・ウェブ検索・日英翻訳を試せます。APIは公式ドキュメントのクイックスタートどおり、Sarashina APIコンソールにログインし、「API Keys」で新しいキーを作成して環境変数 SARASHINA_API_KEY に入れます。無償ベータの終了時期は未定です。また、利用規約第3条により、利用できるのは日本国内に住む個人か、国内に本店がある法人に限られます。

curlによる初回リクエストの送信

export SARASHINA_API_KEY="発行したキー"

curl https://api.sarashina.ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${SARASHINA_API_KEY}" \
  -d '{
    "model": "sarashina3-mini",
    "messages": [{"role": "user", "content": "更級日記の作者を一文で教えてください。"}],
    "max_completion_tokens": 512
  }'

キーを付けずに同じURLへ送ると、401と {"message":"Unauthorized"} が返ります。一方、モデル一覧を返す /v1/models は404でした（2026年10月15日に確認）。モデル一覧APIを読んでモデル名を自動で埋めるクライアントは、sarashina3-mini などのIDを手で設定する必要があります。

4つのエンドポイントと入力の上限

出典はモデル一覧と各APIリファレンスです。Chat Completionsの max_completion_tokens は既定値・上限とも8,000で、超えると400になります。入力と出力の合計はコンテキスト長に収める必要があります。

OpenAI SDKから呼ぶときの注意（送信内容の確認）

ドキュメントはOpenAI互換の構造をとりつつ、logprobs や stream_options など一部のパラメータは400になり、「本ドキュメントに記載のないパラメータを指定した場合も同様のエラー」になると明記しています。そこで、openai Python SDK 2.48.0の接続先をローカルの記録用サーバーに向け、どんなJSONが送られるかを確かめました。

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.sarashina.ai/v1",
                api_key=os.environ["SARASHINA_API_KEY"])

chat = client.chat.completions.create(
    model="sarashina3-mini",
    messages=[{"role": "user", "content": "RAGとは何か一文で"}],
    max_completion_tokens=512,   # max_tokens ではなくこちら
)

emb = client.embeddings.create(
    model="sarashina3-embedding",
    input="更級日記は平安時代中期の回想録です。",
    encoding_format="float",                       # 省略するとSDKがbase64を付ける
    extra_body={"task_type": "RETRIEVAL_DOCUMENT"},  # 必須パラメータ
)

確認できたのは次の4点です。chat.completions.create に model と messages だけを渡すと、送られるのもその2つだけでした。stream=True では "stream": true だけが付き、stream_options は付きません。max_tokens= を渡すと max_tokens のまま送られますが、Sarashinaのパラメータ表にあるのは max_completion_tokens だけです。埋め込みは encoding_format を省くとSDKが "base64" を自動で付けます。Sarashina側はこの値を無視して常にfloat配列を返す仕様で、ドキュメントのレスポンス例を返したところSDKはそのまま受け取れました。それでも明示的に "float" を指定しておくと、送信内容と仕様が揃います。SDKを包むフレームワークは独自のパラメータを足すことがあるので、つなぐ前に送信内容を一度記録して確かめるのが確実です。

レート制限と429の扱い

レート制限は契約主体とモデルの組み合わせごとに、1分あたりのリクエスト数（RPM）で決まっています。mini・guard・translateが6、nano・embedding・rerankが60です。判定は60秒の固定枠で、枠内の回数を使い切ると次の枠まで受け付けません（まとめ打ちは不可）。超過時は429が返りますが、Retry-Afterや残り回数を示すヘッダーは返らないので、待ち時間はクライアント側で決めます。miniなら10秒に1回の送信間隔に揃え、429のときは指数バックオフで再送する設計が無難です。なお、制限を回避する目的で複数アカウントを使う行為は規約第10条で禁止されています。

Sarashina3の6モデルの仕様と性能

Sarashina3 mini／nanoのベンチマークと使い分け

数値は公式ドキュメントのモデル一覧から引いています。開発元のTECH BLOGは、miniがQwen3-235B-A22B-Instruct-2507やGPT-4.1、GPT-5.4 mini（推論なし）と「全体的に同程度」で、JamC-QAではこれらを上回ると説明しています。差が大きいのは日本文化QAと数学で、指示追従はminiとnanoが同点です。決まった形式への抽出・分類なら、10倍の回数（60RPM）を使えるnanoで足りるかを先に試す価値があります。

ツール呼び出しには独特の既定値があります。tool_choice は none／required／auto の文字列だけで、特定の関数を指名するオブジェクト形式は400です。しかもtools を渡して tool_choice を省略すると required 扱いになり、必ずどれかのツールを呼びます。OpenAIの既定（auto）のつもりでいると、雑談にもツール呼び出しが返るので、auto を明示してください。

トークナイザは日本語向けに作られています。TECH BLOGの比較では、約19億文字の日本語Wikipediaが、GPT-5のトークナイザで約14億トークン、Gemini 3.5で約12億、Sarashina3では約9.5億トークンでした。同じ8,000トークンの出力上限でも、日本語なら書ける量が多いということです。

Sarashina3 guardの12カテゴリ判定

guardは文章を生成せず、入力が安全か有害かだけを判定するモデレーション専用モデルです。有害なら性的描写（T1）から虚偽情報（T12）までのカテゴリコードを返し、個人情報漏洩（T6）・組織情報漏洩（T7）・AIへの過剰信頼（T5）のように業務利用を意識した区分を含みます。開発元が作成した日本語テストセットではOverall F1が68.1で、Llama Guard 3（8B）の50.7を上回りました。同評価での推論遅延は1プロンプトあたり3.83ミリ秒で、API通信を含む応答時間の保証値ではありません。呼び出しはChat Completionsと同じエンドポイントで、tools は使えません。

Sarashina3 embedding／rerankをRAGで使うときの仕様

embeddingは1,536次元のベクトルを返し、JMTEBの平均は78.22、256次元まで削っても75.72を保つとされています。Embeddings APIでは task_type が必須で、7種類から選びます。検索ではクエリ側（RETRIEVAL_QUERYなど）と文書側（RETRIEVAL_DOCUMENT）を対で指定します。1リクエストに渡せるのは1テキストだけで、返るベクトルは正規化されていないため、コサイン類似度で比べます。60RPMの無料枠では1万件の文書をベクトル化するのに最短でも約2時間47分かかるので、無償ベータは数百件規模の評価用と考えるのが現実的です。

rerankはクエリと文書を同時に読むクロスエンコーダで、1回に1〜20件の候補を並べ替えます。task_type は5種類で、CUSTOMIZEを選ぶと query_instruction に「学術論文のタイトルに合った内容を優先する」といった独自の指示を書けます。注意点は、ドキュメント自身がスコアは確率として校正されておらず、0.9以上に密集することがあると書いている点です。閾値で足切りせず、順位として使ってください。埋め込みとリランクの役割分担は日本語埋め込みモデルの選び方とクロスエンコーダとバイエンコーダの違いで詳しく扱っています。

Sarashina3 translateの精度と制約

translateは日英・英日専用の翻訳モデルで、/v1/translate にテキストと source_lang／target_lang（ja か en）を送ります。モデル指定は不要、ストリーミングは非対応で、上限の5,000文字は空白や改行も1文字と数えます。TECH BLOGはWMT2024の997文で比べ、Google翻訳（Cloud Translation API Advanced）に対して英日で376勝325敗296分、日英で342勝298敗357分と勝ち越したと報告しています。これはGPT-5-miniによる自動判定で、勝率と敗率の差は英日で5.1ポイント、日英で4.4ポイントです。引き分けはそれぞれ29.7％、35.8％でした。無料枠は6RPMなので、マニュアル一式の一括翻訳より、訳文の品質を原稿単位で見比べる用途に向きます。

無償ベータの利用規約で先に確認すべき条項

無料で使えるAPIは評価に便利ですが、Sarashinaサービス利用規約（2026年9月28日制定）には、業務データを流す前に押さえるべき条項があります。

• 学習利用：第11条第2項で、有償・無償を問わず入力・出力をモデル学習や新規サービス開発に使えると定めています。拒否（オプトアウト）できるのは有償プランだけで、設定前に学習に使われたデータは削除されません（同条第3項）。
• 入力してはいけない情報：第10条は、個人情報保護法上の個人情報など特定の個人を識別できる情報と、第三者の著作物の入力を禁止しています。
• 使い方の制限：医学・法律・金融などの専門的な助言として回答を使うこと、出力を使って競合・類似サービスを開発すること、出力を自作や同社の公式見解と偽って公表することも禁止事項です。
• 権利：入力・出力の知的財産権は、法令で認められる範囲で第三者の権利を除き、利用者または正当な権利者に帰属・留保されます。一方で利用者は同社に対し、第11条第2項の目的（モデルの学習や新規サービス開発等）の範囲で入力・出力を無償かつ無制限に利用する権利を許諾します。有償プランでオプトアウトを設定した場合はこの限りではありません（第9条）。

結論として、無償ベータは個人情報や第三者の著作物を含まない自作の架空データで応答品質と仕様を確かめる場と割り切るべきです。顧客情報・社員情報を含む社内文書でRAGを試すと、それだけで規約違反になり得ます。本番データでの検証は、利用先の提供状況に加え、個人情報の入力可否、学習利用、秘密保持の契約条件を確認し、対象データを扱える環境で行ってください。

Hugging Faceで公開されているモデルとライセンス

公開月はHugging Faceのリポジトリ作成日です。非商用の3つは「Sarashina Model NonCommercial License Agreement」で、商用利用にはSB Intuitionsへの問い合わせが要ります。同じSarashinaの名前でも商用可否が割れるので、使うモデルIDごとにリポジトリのLICENSEファイルを開いて確かめてください。

テキスト生成のsarashina2.2-3b-instruct-v0.1は、ELYZA-tasks-100が3.75、日本語MT-Benchが6.51で、Qwen2.5-3B-instruct（2.99／5.68）を上回ります。一方、英語のMT-Benchは7.71で、Qwen2.5-3Bの7.88に届きません。モデルカードは安全性の学習が限定的だと明記しているので、顧客に直接見せる用途には出力のチェックを挟む前提で使います。

Sarashina2.2-TTSの使い方と商用利用の条件

ゼロショット音声合成の仕様

Sarashina2.2-TTSは、sarashina2.2-0.5b-instruct-v0.1をベースにした日本語中心の音声合成モデルで、日本語と英語に対応します。短い参照音声から声質と話し方を再現するゼロショット生成ができ、ナレーション・放送・会話・接客・落語といったスタイルや、1文の中で日英を切り替える読み上げもこなします。2026年6月29日に公開された技術レポート（arXiv:2606.25369）の主題は、漢字の多音字の読み分けです。

公式のプロンプトガイドによれば、声質のコピーには約3秒の参照音声で足り、抑揚やリズムまで写すには5秒以上が推奨です。参照音声の書き起こしは発話内容と正確に一致させ、生成したい文と書き起こしの両方を句読点で終えます。文末の句読点が無いと、音声が途中で切れることがあります。

ローカル実行手順（Gradio・vLLM・Docker）

git clone https://github.com/sbintuitions/sarashina2.2-tts.git
cd sarashina2.2-tts
python -m venv venv
source venv/bin/activate
pip install -e .              # 高速化するなら pip install -e ".[vllm]"
python server/gradio_app.py   # vLLMなら --use-vllm を付ける
# ブラウザで http://localhost:7860 を開く

公式リポジトリの依存定義はPython 3.10以上、transformers==4.57.6 固定、torch 2.9以下です。transformersの固定は、音声品質の劣化を直すために2026年6月29日に入った変更なので、既存の環境に混ぜずに専用のvenvを作るのが安全です。Docker版は既定でTransformersバックエンドを使い、VRAM約6GBのGPUで動くとされています。vLLMを使う場合は vllm==0.13 が入り、VRAMの要求が増えます。Pythonから呼ぶ場合は次のとおりです。実行前に参照音声を prompt.wav として保存し、prompt_text をその音声の正確な書き起こしに置き換えてください。

from sarashina_tts.generate.generate import SarashinaTTSGenerator

generator = SarashinaTTSGenerator()   # 初回にモデルを自動ダウンロード
prompt_path = "prompt.wav"
prompt_text = "参照音声で話している内容をそのまま書きます。"

wavs = generator.generate(
    ["東京から金沢までは新幹線を利用するのが便利で、所要時間は約２時間半です。"],
    flow_embedding=generator._extract_zero_shot_embedding(audio_prompt_path=prompt_path),
    audio_prompt_text=prompt_text,
    audio_prompt_tokens=generator._extract_audio_prompt_tokens(audio_prompt_path=prompt_path),
    audio_prompt_feat=generator._extract_audio_prompt_feat(audio_prompt_path=prompt_path),
    audio_prompt_path=prompt_path,
    flow_embedding_only=False,
)
generator.save_audios(wavs, output_dir="./output")

非商用ライセンスと電子透かし

ライセンスは「Sarashina Model NonCommercial License Agreement」のVersion 2.0で、商用利用にはSB Intuitionsへの問い合わせが必要です。さらに、生成音声にはSonyのSilentCipherによる聞こえない電子透かしが既定で埋め込まれ、READMEは透かしを除去・無効化しないよう求めています。社内デモが好評で製品化へ進む、という流れで後から止まりやすいモデルなので、PoCの計画段階で商用ライセンスの交渉期間を見込んでおくべきです。最初から商用前提でOSSのTTSを選ぶなら、MITで重みが公開されているIrodori-TTSのような選択肢と比べ、方式の選定は音声合成AIの方式選定と実装手順を参考にしてください。

Sarashina2.2-OCRの出力仕様と精度

Markdown・表HTML・数式LaTeX・縦書きへの対応

Sarashina2.2-OCRは3Bの文書OCRモデルで、ライセンスはMITです。文字を拾うだけでなく、文書を読み順どおりのMarkdownに復元し、表はHTML、数式はLaTeXで出力します。日本語の縦書き文書にも対応します。モデルカードの手順は transformers==4.57.1 を指定し、モデルとプロセッサの両方に trust_remote_code=True を付けます。

pip install transformers==4.57.1 torch torchvision pillow protobuf sentencepiece accelerate

from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor, TextStreamer

path = "sbintuitions/sarashina2.2-ocr"
processor = AutoProcessor.from_pretrained(path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    path, device_map="cuda", torch_dtype="auto", trust_remote_code=True)

image = Image.open("invoice.jpg").convert("RGB")
message = [{"role": "user", "content": [{"type": "image", "image": image}]}]
inputs = processor.apply_chat_template(
    message, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors="pt").to(model.device)
streamer = TextStreamer(processor, skip_prompt=True, skip_special_tokens=True)
model.generate(**inputs, max_new_tokens=6000, temperature=0.0, top_p=0.95,
               repetition_penalty=1.2, use_cache=True, streamer=streamer)

VJRODaとolmOCR-benchで逆転する精度

モデルカードの数値は、評価データで結論が変わります。日本語文書のVJRODaではSarashina2.2-OCRがCER 22.6／BLEU 79.9で首位で、dots.ocrはCER 40.1／BLEU 71.5です。一方、英語中心のolmOCR-benchの総合スコアは、LightOnOCR-2-1Bが0.773、dots.ocrが0.722、Sarashina2.2-OCRが0.683で、順位が逆になります。

和文の帳票・報告書・縦書き資料が中心ならSarashina2.2-OCRを第一候補にしてよい一方、英語中心のolmOCR-benchでは比較対象を下回るため、英語論文や海外の請求書への適性は実際の資料で比較してください。多言語が混ざる処理なら、dots.mocrと役割を分け、日本語だけSarashinaに回す構成が現実的です。GPUを用意する前に比較対象が欲しければ、ブラウザで動くNDLOCR-Lite Webで同じ書類を読ませておくと、精度差を具体的に見られます。

Sarashina2.2-Vision-3Bとsarashina-embedding-v2-1b

Vision-3Bの日本語・英語ベンチマーク比較

Sarashina2.2-Vision-3Bは、Sarashina2.2-3B-InstructにSigLIPの画像エンコーダを組み合わせた3.8BのVLMで、MITライセンスです。日本語のHeron-Benchは3.214で、Qwen2.5-VL-3B-Instructの2.000、Qwen3-VL-4B-Instructの2.330を上回ります。ただし英語のDocVQAは0.831で、それぞれ0.924、0.948に届きません。日本語のスライドや書類の読解を評価候補とし、実際の資料で文字認識と回答の正確さを確認してください。

embedding-v2-1bのJMTEB評価と非商用ライセンス

sarashina-embedding-v2-1bは1Bパラメータ、最大8,192トークン、1,792次元の埋め込みモデルです。JMTEB（28データセット平均、2025年7月28日評価）は76.38で、ruri-v3-310mの75.85やOpenAIのtext-embedding-3-largeの73.86を上回ります。ライセンスは非商用なので、社内RAGの本番に載せるなら商用ライセンスを取るか、API側のSarashina3 embedding（JMTEB 78.22）を使う形になります。ただし両者の評価時期は違うため、数値の差は参考程度に見てください。検索精度を上げる設計はRRF（Reciprocal Rank Fusion）もあわせて検討すると効果的です。

用途別の選び方と避けるべき使い方

用途ごとの第一候補ははっきりしています。日本語チャットや社内ツールの試作は無償ベータのSarashina3 mini、大量の分類・要約はnano、日本語の書類の電子化は自社GPUのSarashina2.2-OCR（MIT）。RAGの本番は、embedding・rerank・guardが揃い、データを国内で管理できるCloud PF Type Aが筋です。社内文書を使ったRAGの設計から任せたい場合は、RAG構築支援で検索方式の選定から相談できます。

避けるべきは次の使い方です。まず、無償ベータを本番サービスに組み込むこと。終了時期は未定で、miniは1分6回しか呼べず、規約にも稼働率の保証は書かれていません。次に、128kトークンのコンテキストを前提に長文を毎回詰め込む設計。不要な文書まで入力すると処理量が増えるため、必要な箇所を検索で絞り、応答時間と回答精度を測って入力長を決めてください。最後に、2.2-TTSやembedding-v2-1bを「国産でHugging Faceにあるから商用可」と判断すること。MITと非商用が同じファミリーに混在しているため、商用利用の判断はモデルIDごとに行う必要があります。

よくある質問

Sarashinaは無料で使えますか？

使えます。2026年10月13日に始まった「Sarashinaサービス」の無償ベータでは、Googleアカウントでログインするだけで、チャットとSarashina3の6モデルのAPIを無料で利用できます。ただし回数制限があり、終了時期は未定で、入力・出力はモデル学習に使われる場合があります。

Sarashina APIはOpenAIのSDKから呼べますか？

呼べます。base_url を https://api.sarashina.ai/v1 にすればChat CompletionsとEmbeddingsはOpenAI互換の形で使えます。ただし出力上限は max_completion_tokens で指定し、埋め込みの task_type は extra_body で渡します。RerankとTranslateはOpenAIにないAPIなので、HTTPで直接呼びます。

Sarashina2.2-TTSは商用利用できますか？

そのままではできません。ライセンスは非商用の「Sarashina Model NonCommercial License Agreement」Version 2.0で、商用利用にはSB Intuitionsへの問い合わせが必要です。生成音声に埋め込まれる電子透かしも除去しないよう求められています。

Sarashina3 miniのパラメータ数や重みは公開されていますか？

パラメータ数は非公表で、Hugging Faceでの重みの公開もありません（2026年10月15日時点）。公開されている仕様は、日英中心の30兆トークンでの事前学習、128kトークンのコンテキスト長、1回8,000トークンまでの出力などです。

Sarashinaの読み方と名前の由来は？

読みは「サラシナ」です。SB Intuitionsの本社がある東京都港区竹芝の地名が、歴史上初めて登場する『更級日記』にちなんで名付けられました。

関連記事

• デジタル庁が選定した国産AI7モデルとは｜源内で試用するソブリンLLMの比較・選定基準・活用事例
• ソフトバンクCloud PF Type Aとは？ソブリンクラウドの特徴・料金・OCI比較
• 埋め込みモデルとは？仕組みと日本語モデルの選び方・RAG実装での判断基準【2026年版】
• Irodori-TTSの使い方｜v4-Largeとv4.1の違い・絵文字一覧・商用利用【2026年10月】
• dots.mocrとは？dots.ocrとの違いと日本語精度・vLLM導入手順【2026年10月】