「知識の組み合わせ方」を学習する新発想の日本語特化LLM「AXELIDEA-QUON-14B-Japanese-v01」を公開します（GENIAC-PRIZE 特別賞「地域賞」受賞企業）

〜特許文献に凝縮された問題解決パターンを蒸留し、JA Leaderboard（日本語総合評価タスク）で非思考型14Bクラス首位を獲得〜

Axelidea株式会社

2026年3月25日 10時00分

【2026年3月25日】Axelidea株式会社（Minoru IP Group、本社：大阪府大阪市、代表：西田泰士、読み：アクセリディア、以下「当社」）は、14Bパラメータの日本語特化大規模言語モデル「AXELIDEA-QUON-14B-Japanese-v01」（QUON：Quantum Universal Originative Nucleus、クオン）を公開いたします。

従来のLLMが「どれだけ多くの知識を持つか」を追求してきたのに対し、本モデルが着目したのは「知識をどう組み合わせて答えを導き出すか」という思考プロセスです。膨大な特許文献を学習源とし、そこに凝縮された「問題解決の考え方」そのものを習得させた、これまでにない発想のモデルです。

JA Leaderboard（日本語総合評価7タスク平均）において、Google、Microsoft等の非思考型instruction-tuned 14Bクラスとの比較評価で首位を獲得しました。

AXELIDEA-QUON

こちらのボタンからダウンロード頂けます。

モデル名	AXELIDEA-QUON-14B-Japanese-v01
公開URL	https://huggingface.co/Axelidea/AXELIDEA-QUON-14B-Japanese-v01
パラメータ数	14B（140億）
ベースモデル	shisa-ai/shisa-v2.1-unphi4-14b
ライセンス	MIT License

■ ベンチマーク結果

非思考型instruction-tuned 14Bクラスの比較評価において、AXELIDEA-QUON-14B-Japanese-v01はJA Leaderboard（日本語総合評価7タスク平均）で首位を達成しました。

モデル	開発元	パラメータ	JA Leaderboard(平均) ※2
AXELIDEA-QUON-14B	Axelidea	14B	71.99
shisa-v2.1-unphi4-14b	Shisa AI	14B	71.44
Gemma-3-12B-IT	Google	12B	63.42
Phi-4	Microsoft	14B	59.30
Sarashina2-13B	SB Intuitions	13B	56.43

※2：全モデルを同一条件（lm_eval v0.4.12.dev0、3-shot、bfloat16、"--apply_chat_template"）で評価しています。

■ 背景と課題

大規模言語モデル（LLM）の性能向上が急速に進む中、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す。

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自体が難しく、また学習させると既存の一般知識が失われやすいという「壊滅的忘却（※1）」の問題も生じます。当社はこの二つの困難を、独自の5次元創造性評価システムと知識保持型ファインチューニング技術によって同時に克服しました。

※1：壊滅的忘却：機械学習モデルが新しいタスクやデータを学習すると、以前に学習していた知識を急激に失ってしまうこと

■ 量子技術の導入と知識保持型ファインチューニング

AXELIDEA-QUON-14B-Japanese-v01は、以下の技術革新により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

Torrance (1966) のTTCT（Torrance Tests of Creative Thinking；トーランスの創造性テスト）理論に基づき、4カテゴリ（拡散的思考、類推的推論、視点転換、制約創造性）×15サブドメインの計60体の専門家エキスパートを個別に訓練しました。各エキスパートが特定の創造的思考スタイルに特化することで、多様な創造性の側面を網羅します。

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）により、特許由来の訓練データ品質を独創性（Originality）、精緻性（Elaboration）、実現可能性（Feasibility）、流暢性（Fluency）、柔軟性（Flexibility）の5次元で評価します。語彙的・構造的分析に基づく手法であり、大規模な特許データから高品質な訓練データを効率的に選別することを可能としました。

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体のエキスパートから2〜5体の最適な組み合わせを選出する問題（約600万通りの候補）を、QUBO（Quadratic Unconstrained Binary Optimization）問題として定式化しました。従来のヒューリスティック手法では、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個別に評価・調整する必要がありましたが、QUBO定式化ではこれらを単一のエネルギー関数に統合的にエンコードできます。適応度を線形項、エキスパート間のスキル重複・相補性を二次項、サイズ制約・バランス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により最適チームを選出します。

この定式化の重要な利点は、量子コンピュータへの直接的な拡張性です。QUBO/Ising形式は量子アニーリングやゲート型量子アルゴリズムにそのまま入力可能であり、将来エキスパート数が数百〜数千規模に拡大した際にも、定式化を変更することなく量子加速の恩恵を受けることができます。

④ 知識保持型ファインチューニング

ファインチューニングでは、知識が崩壊する「壊滅的忘却」が課題となります。本モデルでは、事実知識を保持する技術を導入することで、ベースモデルの汎用知識を保持したまま創造性を獲得することに成功しました。

■ 設計思想：「知識の組み合わせ方」の改善

「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」— ジェームズ・W・ヤング

AXELIDEA-QUON-14Bは、高度な知識基盤に加えてAttention層（情報の参照・関連付けを制御する機構）に創造的思考パターンの強化を行ったモデルです。

従来のLLMファインチューニングでは「どれだけ多くの知識を持つか」という知識量の拡充が主目的でした。これに対し本モデルは、「既存の要素（知識）をどう組み合わせるか」という、特許文献に凝縮された問題解決の注意パターンを学習しています。すなわち、知識量そのものを増やすのではなく、「問題解決の考え方」そのものを習得させた、これまでにない発想のモデルです。