LLMO・GEO の研究論文と民間調査/ブランド推奨・偏り

研究論文

LLMは、どこでAIを勧めるようになるのか

原題:Where Do LLMs Learn to Recommend AI?

著者は Benaya Trabelsi, Jonathan Shaki, Sarit Kraus。に arXiv へ投稿されました。日本語の題名は、ガーオンによる仮の訳です。

論文の原文を arXiv で読む(arXiv:2610.29785)

論文が報告した結果

何を学ぶか、どの職に就くか、何を作るかと問うと、LLMはAI関連の選択肢を勧めやすい、として、その傾向がどこで付くかを見ている。

公開の事前学習モデルでは、回答の27%にAI/MLの語が推薦へ入り、公開の指示調整版では59%だった。自分たちで調整すると、一般の指示調整では率は変わらず、AIに関する指示例(全体の7%)を除くと14ポイント下がって事前学習より低くなった。有用さを報いるデータでは9ポイント上がり、多様な仮想利用者の好みで順位を付けたデータでは9ポイント下がった、とされる。

公開モデル を調べた論文

調査の条件

論文が調べたこと
LLMが「AIを薦める」知識をどこで身につけたか、と標題から読める問題設定
調べた対象の AI
公開モデル
調べたモデル
Llama-3.1-8B/Llama-3.2-3B/Qwen3-14B/Qwen3-8B/Granite-4.1 30B/Granite-4.1 8B/Falcon3-10B/Falcon3-7B/Olmo-3 32B/Olmo-3 7B
測定の道具として使った AI
Qwen3.6-27B/DeepSeek-V4-Flash(判定フィルタ)
回答データの取り方
オープンウェイトの公開チェックポイントと、自分たちで行った事後学習・プロンプト条件のオフライン比較(本文 3節)
調査の規模
10の Base–Instruct 対応ライン、4領域の助言質問(学習、進路、スタートアップ、科学研究)。個別の質問件数は本文
数字が載っている場所
要旨(27%と59%、7%の例を除くと-14ポイント、+9/-9ポイント、「最良」で+8、「今すぐ」で+18、AI助言者で+4)。10ラインの平均32.48ポイント差は本文

結果を読むときの注意

arXiv:2601.13749 の姉妹論文(18ページ)。公開チェックポイントの比較は、5系統・10の Base–Instruct 対応ライン(Llama 3.1/3.2、Qwen3、Granite 4.1、Falcon3、Olmo-3 など。本文 Table 2)。推薦の判定フィルタに Qwen3.6-27B と DeepSeek-V4-Flash を使う。質問は学習、進路、スタートアップ、科学研究の4領域。商用チャットの本番画面そのものではない。

上の要約は、株式会社ガーオンが生成AIを使って作成しました。最終更新は2026年11月19日です。正確な内容は、論文の原文で確認してください。

「ブランド推奨・偏り」を調べたほかの論文