---
title: "LLM にファインチューニングは必要か？準備チェックリスト | BroadRouter"
description: "プロンプト、RAG、評価で問題が解決しファインチューニングが不要な場合、必要な学習データ、そして依頼する前にファインチューニングをテストする方法。"
url: https://broadrouter.com/ja/blog/fine-tuning-readiness/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/fine-tuning-readiness/)（2026-11-16 更新）。

# ファインチューニングの前に：解決すべき問題を定義する

BroadNet Inference チーム · 約 7 分で読めます · 公開日 2026-11-15 · 更新日 2026-11-16

ファインチューニングは、よりよいプロンプト、例示、検索、検証でも直らない失敗が繰り返し起きると評価で示されてから行います。知識の欠如には検索が、形式の誤りには構造化出力とチェックが向きます。依頼前に、合法的に使えるラベル付きの例を集め、テストセットを取り分け、超えるべきスコアを記録します。

## 要点

-   まず評価セットを作ります。ベースラインのスコアがなければ、ファインチューニングが役立ったかどうか判断できません。
-   欠けている事実や変わる事実は検索の問題です。ファインチューニングは、変わる事実よりも、振る舞いやスタイルを確実に教えます。
-   OpenAI 自身のガイドは評価とプロンプトエンジニアリングをファインチューニングの前に置き、プロンプトだけで “may be all you need”（訳：十分かもしれない）と述べています。
-   学習データには、利用する権利、一貫性、そして学習に一切現れないホールドアウトのテストセットが必要です。短いスクリプトで重複、矛盾、漏えいを見つけられます。
-   BroadNet のセルフサービス API にはファインチューニングのエンドポイントがありません。同社のアラビア語ファインチューニングモデルは要相談で、専用エンドポイントと非公開のモデル ID で提供されます。

**このページの内容**

1.  解決しようとしている問題は何ですか？
2.  失敗が繰り返し起きていることはどう証明しますか？
3.  まず試すべき、より簡単な変更は？
4.  どんなデータが必要で、使う権利はありますか？
5.  ファインチューニングを公平に評価するには？
6.  ホスト型モデルをファインチューニングできない場合は何が変わりますか？
7.  BroadNet Inference の位置づけ

モデルが何かを間違えたとき、ファインチューニングは真っ先に手を伸ばされがちな解決策ですが、しばしば間違った選択でもあります。データ収集、ラベル付け、学習の実行にコストがかかり、さらに保守すべきモデルが 1 つ増えます。多くの失敗は、より明確なプロンプト、正しい文書の検索、出力のコードチェックで消えます。この記事は、自分がどちらのケースにいるかを判断する方法と、本当にカスタムモデルが必要な場合に何を準備すべきかを扱います。

## 解決しようとしている問題は何ですか？

解決策を名指す前に、失敗を名指してください。LLM の失敗の多くはいくつかのパターンに分類でき、それぞれにより安い最初の一手があります。

| 症状 | まず試すこと | ファインチューニングが役立つ場合 |
| --- | --- | --- |
| 事実が誤っている、古い | 自社文書に対する[検索（RAG）](https://broadrouter.com/ja/glossary/rag/) | まれ。変わる事実はいずれにせよ検索が必要 |
| 形式の誤り、壊れた JSON | [構造化出力](https://broadrouter.com/ja/glossary/structured-output/)、スキーマチェック、1 回のリトライ | 形式が特殊で、プロンプト内の例では足りない |
| ラベルやカテゴリーが一貫しない | 明確な定義と [Few-shot の例示](https://broadrouter.com/ja/glossary/few-shot-prompting/) | ラベルの種類が多いか微妙で、例がプロンプトに収まらない |
| 口調やスタイルが違う | [システムプロンプト](https://broadrouter.com/ja/glossary/system-prompt/)に例付きのスタイルガイド | 自社のスタイルを何千もの出力で保つ必要がある |
| 専門用語の聞き違い・書き違い | プロンプトに用語リスト、コードで事後補正 | 音声モデルが同じ名前、コード、数字を繰り返し聞き違える |
| 規模が大きくなると遅すぎる、高すぎる | より小さなモデル、[プロンプトキャッシュ](https://broadrouter.com/ja/blog/prompt-structure-for-caching/)、短いプロンプト | 狭いタスクなら、ファインチューニングした小さなモデルが大きなモデルに並べる |
| 言語や方言が違う | 正しい言語で指示する。[アラビア語のプロンプトエンジニアリング](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)を参照 | モデルは理解するが、必要な方言で書こうとしない |

OpenAI 自身のガイドも同じ順序を示しています。まず評価を書き、次にプロンプトを改善し、一部のユースケースでファインチューニングを行う、というものです。ガイドはプロンプトエンジニアリングのプロセスについて “may be all you need in order to get great results”（訳：優れた結果を得るにはそれだけで十分かもしれない）と述べています。そして、プロンプトに対してファインチューニングが加えるものとして、1 つのプロンプトに収まらない数の例、トークンを節約できる短いプロンプト、リクエストのたびに送りたくないデータでの学習、小さなモデルを 1 つのタスクに強くすること、を挙げています。

## 失敗が繰り返し起きていることはどう証明しますか？

評価セットで証明します。[乗り換え前の LLM 評価](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)のように、正解のわかっている実際の入力を 100〜200 件集めます。現在のプロンプトを採点します。そのうえで、すべての失敗に `wrong_label`、`missing_field`、`dialect`、`hallucinated_fact` などの短いカテゴリーを付けます。

あるパターンがファインチューニングの候補になるのは、次の 3 つがすべて当てはまる場合だけです。

1.  **頻繁である。** 1〜2 件の珍しいケースではなく、失敗の中で意味のある割合を占めている。
2.  **安い対策を経ても残る。** より明確な指示、例示、検索、検証を試しても、そのカテゴリーが残っている。
3.  **一貫している。** 正解について人々の意見が一致している。自社のレビュー担当者 2 人が同じケースに違うラベルを付けるなら、そのラベルで学習したモデルは不一致を学習します。

結果を短い文で書き留めます。たとえば次のような架空の例です。「200 件のアラビア語サポートセットで、最良のプロンプトは請求関連のチケットの 18% を配送と誤ってラベル付けする。Few-shot の例示で 15% に下がった」。この文がファインチューニングの要件であり、超えるべき数値です。

## まず試すべき、より簡単な変更は？

コストの低い順に実行し、1 つ終えるたびに採点し直します。

1.  **指示。** すべてのラベルや項目を定義します。不確かなときにどうするかを指定します。
2.  **例示。** 難しいケースも含めて、実際の例を 3〜10 件加えます。
3.  **検索。** 回答に事実が必要なら、関連する箇所を検索します。選択肢は[アラビア語の RAG 検索](https://broadrouter.com/ja/blog/arabic-rag-search/)と[ロングコンテキストか RAG か](https://broadrouter.com/ja/blog/long-context-vs-rag/)で扱っています。
4.  **制約。** モデルが対応していれば構造化出力を使い、出力をコードでチェックします。エラーを添えて 1 回聞き直します。
5.  **別のモデル。** 別のベースモデルがすでに必要なことをできるかもしれません。同じ評価セットを使えば 1 時間でわかります。

どのステップも数週間ではなく数時間で済み、どれもよりよいベースラインを残します。それでもファインチューニングが必要なら、そのベースラインが超えるべき目標になります。

## どんなデータが必要で、使う権利はありますか？

品質の前に、権利を確認します。学習データは顧客との会話、文書、通話録音から集めることが多く、法的根拠と、多くの場合は学習を対象に含む同意や契約条項が必要です。自社のプライバシーポリシーと顧客との契約を確認し、不要な個人データは削除してください。API プロバイダーが代わりに集めてくれていると思い込まないでください。たとえば BroadNet のプライバシー声明は、推論の内容を保持せず、推論データをモデルの学習、ファインチューニング、評価に使わないと述べています。

次に品質を確認します。このスクリプトは、一般的なチャット形式の JSONL（1 行に 1 つの `{"messages": [...]}`、最後はアシスタントの回答）の学習ファイルと評価ファイルを読み込み、ファインチューニングを静かに台無しにする問題を報告します。壊れた行、重複、同じ入力に異なる回答、学習に漏れ込んだ評価項目、ラベルの分布、個人データの可能性です。

```python
import json, re, sys
from collections import Counter

DIAC = re.compile(r"[ً-ٰٟـ]")          # tashkeel, dagger alef, tatweel
PII = {"email": re.compile(r"[\w.+-]+@[\w-]+\.[\w.]+"),
       "phone": re.compile(r"(?:\+|00)\d[\d\s-]{7,}\d")}

def norm(s: str) -> str:
    s = DIAC.sub("", s.lower())
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي")
    return " ".join(s.split())

def load(path):
    rows, errors = [], []
    for i, line in enumerate(open(path, encoding="utf-8"), 1):
        try:
            ex = json.loads(line)
            roles = [m["role"] for m in ex["messages"]]
            if roles[-1] != "assistant" or "user" not in roles:
                raise ValueError(f"roles {roles}")
            rows.append(ex)
        except (ValueError, KeyError, IndexError, TypeError) as e:
            errors.append(f"line {i}: {e}")
    return rows, errors

def key(ex):     # the input side, normalised: what the model sees
    return norm(" ".join(m["content"] for m in ex["messages"] if m["role"] != "assistant"))

def check(train_path, eval_path):
    train, errs = load(train_path)
    evals, eval_errs = load(eval_path)
    keys = Counter(key(e) for e in train)
    labels = Counter(e["messages"][-1]["content"].strip() for e in train)
    leaked = {key(e) for e in evals} & set(keys)
    pii = Counter(k for e in train for m in e["messages"] for k, rx in PII.items() if rx.search(m["content"]))
    conflicts = Counter()
    seen = {}
    for e in train:
        k, a = key(e), e["messages"][-1]["content"].strip()
        if k in seen and seen[k] != a:
            conflicts[k] += 1
        seen.setdefault(k, a)
    return {"train_examples": len(train), "parse_errors": errs + eval_errs,
            "duplicate_inputs": sum(n - 1 for n in keys.values() if n > 1),
            "same_input_different_answer": len(conflicts),
            "eval_items_also_in_train": len(leaked),
            "answer_distribution": labels.most_common(5),
            "examples_with_possible_pii": dict(pii)}

if __name__ == "__main__":
    print(json.dumps(check(sys.argv[1], sys.argv[2]), ensure_ascii=False, indent=1))
```

アラビア語、英語、スペイン語のサポートチケットからなる 7 行のおもちゃのファイルで実行しました。アシスタントの回答がない行が 1 つ、重複した入力が 2 つ（1 つは発音記号 1 つだけの違いで、正規化で除去されます。[アラビア語テキストの正規化](https://broadrouter.com/ja/blog/arabic-text-normalization-search/)を参照）、`billing` と `other` の両方のラベルが付いた入力が 1 つ、学習にも現れる評価項目が 1 つ、電話番号が 1 つ見つかりました。どれも、ファインチューニングを実際より良くも悪くも見せていたはずです。

アラビア語では正規化が重要です。正規化しないと「متأخر」と「متأخِّر」が別の入力として数えられ、テスト項目のほぼコピーが学習に紛れ込むことがあります。

## ファインチューニングを公平に評価するには？

ベースラインに使ったのと同じホールドアウトのテストセットを使い、学習には入れないでください。そのうえで次のように比べます。

-   **最初のプロンプトではなく、最良のプロンプトと比べる。** 弱いプロンプトに勝つファインチューニングは何も証明しません。
-   **カテゴリーごと、言語ごとに比べる。** 全体の向上が、英語の改善の陰でアラビア語の低下を隠すことがあります。それぞれを報告してください。
-   **一般的な振る舞いを比べる。** 以前はうまく処理できていた普通のリクエストを 20〜50 件加えます。狭い学習は、タスク外の振る舞いを劣化させることがあります。
-   **コストとレイテンシを比べる。** ファインチューニングは、小さなモデルで仕事をこなせることを理由に正当化されることがよくあります。リクエストあたりのトークン数と時間も測ってください。

評価の記事と同じく、数値を見る前に合格の基準を決めておきます。たとえば「請求ラベルで 5 ポイント以上改善し、2 ポイントを超えて悪化したカテゴリーがなく、アラビア語と英語の両方が合格すること」です。

## ホスト型モデルをファインチューニングできない場合は何が変わりますか？

セルフサービスのファインチューニングを提供するホスト型 API は、思ったより少ないものです。OpenAI の非推奨ページには、セルフサービスのファインチューニング基盤に関する更新が記録されています。2026 年 5 月 7 日からは、それまでファインチューニングを実行していなかった組織はジョブを作成できなくなり、2026 年 7 月 2 日からは過去 60 日間にファインチューニング済みモデルで推論を実行していなかった組織も同様となり、2027 年 1 月 6 日からは既存のアクティブな顧客も新しいファインチューニングジョブを作成できなくなります。既存のファインチューニング済みモデルは、ベースモデルが非推奨になるまで推論に使えます。

よくある代替策は、[LoRA](https://broadrouter.com/ja/glossary/lora/) のようなパラメーター効率のよい手法で[オープンウェイトモデル](https://broadrouter.com/ja/glossary/open-weight-model/)を学習させることです。LoRA の論文（Hu ほか）は、GPT-3 175B を Adam でフルファインチューニングする場合と比べ、LoRA は学習可能なパラメーター数を 10,000 分の 1 に、GPU メモリの必要量を 3 分の 1 に減らせると報告しています。その後、結果を提供する場所が必要になります。自社のハードウェアか、カスタムの重みをホストするプロバイダーです。そのトレードオフは[オープンウェイトとクローズドモデルの比較](https://broadrouter.com/ja/blog/open-weight-vs-closed-models/)で扱っています。

## BroadNet Inference の位置づけ

BroadRouter は BroadNet 自身のサイトです。BroadNet Inference のセルフサービス API にはファインチューニングのエンドポイントがなく、[API リファレンス](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-fine-tuning-readiness&utm_content=body)に記載されているのは chat completions と音声の文字起こしだけです。同じページには “private endpoints, our Arabic fine-tunes and other models on request are reached with a private ID issued with the endpoint.”（訳：専用エンドポイント、当社のアラビア語ファインチューニングモデル、その他の要相談のモデルには、エンドポイントとともに発行される非公開の ID でアクセスします）とあります。BroadNet のモデルページでは、騒がしい音声中の数字、日付、名前向けにファインチューニングした BroadNet 版の Cohere Transcribe Arabic を、顧客ごとに非公開のモデル ID を持つ要相談のモデルとして掲載し、Gemma 4 VL 26B は専用エンドポイントで “including our Arabic fine-tunes”（訳：当社のアラビア語ファインチューニングモデルを含めて）利用できるとしています。これらは[お問い合わせページ](https://broadrouter.com/ja/contact/#private)からの相談であり、自分で購入したり学習させたりできるものではありません。何を送ればよいかは[専用エンドポイントの計画](https://broadrouter.com/ja/blog/private-endpoint-planning/)で扱っています。

その手前の作業はすべて、公開モデルで評価セットとベースラインを作るのに十分です。[Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) と [GLM 5.3](https://broadrouter.com/ja/models/glm-5.3/) は構造化出力が文書化されており、[Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) は $5 の初回クレジットで動き、[BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/) は 1 分あたり $0.0042 で音声を処理します。推論の内容は保持されません。必要なアカウント、課金、セキュリティのメタデータは、BroadNet のプライバシー声明に記載のとおり保持されます。

関連する無料ツール（英語）

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

[LoRA（Low-Rank Adaptation）](https://broadrouter.com/ja/glossary/lora/)

LoRA（低ランク適応）とは、事前学習済みモデルの重みを凍結し、選んだ層の小さな低ランク行列のペアだけを学習する、効率的なファインチューニング手法です。更新は小さなアダプターで保存でき、重みにマージすれば推論レイテンシも増えません。

[評価（eval、LLM evaluation）](https://broadrouter.com/ja/glossary/eval/)

eval（evaluation の略）とは、言語モデルやプロンプトを繰り返し検証できるテストです。固定した入力のセット、良い出力の条件、各出力を採点する採点者（コード、人間、別のモデル）で構成され、バージョン同士を比較できます。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[構造化出力（Structured Outputs）](https://broadrouter.com/ja/glossary/structured-output/)

構造化出力とは、モデルの回答を開発者が指定した形式（通常は JSON Schema）に制約し、コードで確実に解析できるようにする LLM API の機能です。有効な JSON であることだけを保証し、特定の形までは保証しない JSON モードより厳格です。

[Few-shot プロンプティング（few-shot prompting）](https://broadrouter.com/ja/glossary/few-shot-prompting/)

Few-shot プロンプティングとは、実際の入力の前に、入力と出力の具体例を少数プロンプトに入れ、言語モデルにタスクと形式を推測させる手法です。モデルの重みは変わりません。例を使わないものを zero-shot、1 つだけ使うものを one-shot と呼びます。

[PII（個人を特定できる情報）](https://broadrouter.com/ja/glossary/pii/)

PII（個人を特定できる情報）とは、氏名、ID 番号、生体情報など個人の身元を識別・追跡できる情報と、その人に結び付いた、または結び付けうる情報です。GDPR ではより広い「個人データ」を使います。LLM では、プロンプトが社外に出る前に PII をマスキングします。

[オープンウェイトモデル（open-weight model）](https://broadrouter.com/ja/glossary/open-weight-model/)

オープンウェイトモデルとは、学習済みの重みが公開され、誰でもダウンロードして実行できるモデルで、通常は条件付きのライセンスで提供されます。学習コードや学習データの詳細も公開し、他者が検証・再現できる完全なオープンソース AI とは別物です。

[Chat Completions API（チャット補完 API）](https://broadrouter.com/ja/glossary/chat-completions-api/)

Chat Completions API とは、OpenAI の HTTP エンドポイント POST /v1/chat/completions で、モデル名とロール付きメッセージのリストを受け取り、モデルの次のメッセージを返します。そのリクエストと応答の形は、OpenAI 互換のプロバイダーや SDK が使う共通形式になりました。

## よくある質問

### ファインチューニングと RAG のどちらを使うべきですか？

モデルに事実、特に文書、価格、ポリシーのような変わる事実が欠けているなら検索を使います。モデルが情報を持っているのに、形式、口調、ラベル、専門用語などで一貫して誤った振る舞いをし、例示付きのプロンプトでも直らない場合にファインチューニングを検討します。

### プロンプトエンジニアリングで十分かどうかはどうわかりますか？

測ってください。実際の入力から評価セットを作り、現在のプロンプトを採点し、より明確な指示、Few-shot の例示、構造化出力、検証を試します。スコアが目標に届けばそこで終わりです。これらの変更を経ても残る失敗の種類があれば、それがファインチューニングの候補です。

### ファインチューニングにはどれくらいのデータが必要ですか？

万能の数字はありません。タスク、ベースモデル、手法によります。気にするすべてのケースをカバーする一貫したラベル付きの例と、別のホールドアウトのテストセットを集め、データを増やしてもスコアがまだ上がるかを確認してください。

### BroadNet Inference でモデルをファインチューニングできますか？

セルフサービスではできません。BroadNet の API リファレンスに記載されているのは chat completions と音声の文字起こしで、学習用のエンドポイントはありません。BroadNet は、調整済みの Cohere Transcribe Arabic などのアラビア語ファインチューニングモデルを、専用エンドポイントと非公開のモデル ID で提供する要相談のモデルとして掲載しています。

### BroadNet は私の API トラフィックで学習しますか？

BroadNet のプライバシー声明によると、推論データをモデルの学習、ファインチューニング、評価に使わず、推論の内容も保持しません。自分のトラフィックでファインチューニングしたいなら、利用する権利を確保したうえで、そのデータを自分で収集・保管する必要があります。

## 続けて読む

-   [プロバイダーを乗り換える前に LLM を評価する方法](https://broadrouter.com/ja/blog/evaluate-llm-before-switching/)
-   [アラビア語のプロンプトエンジニアリング：文体、RTL、数字、混在テキスト](https://broadrouter.com/ja/blog/arabic-prompt-engineering/)
-   [アラビア語 RAG：うまくいく正規化、チャンク分割、検索](https://broadrouter.com/ja/blog/arabic-rag-search/)
-   [ロングコンテキストか RAG か：100 万トークンがベクトル DB に代わるとき](https://broadrouter.com/ja/blog/long-context-vs-rag/)
-   [JSON モードと json\_schema：壊れない構造化出力の作り方](https://broadrouter.com/ja/blog/structured-output-json-schema/)
-   [ビジネスで使うならオープンウェイトかクローズドか：コスト、管理、リスク](https://broadrouter.com/ja/blog/open-weight-vs-closed-models/)
-   [専用エンドポイントはワークロードの明確化から始まる](https://broadrouter.com/ja/blog/private-endpoint-planning/)
-   [BroadNet の GPU ハードウェアとサービング方式（BroadNet の説明による）](https://broadrouter.com/ja/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API のレスポンスをキャッシュしてコスト削減：Python の完全一致キャッシュ](https://broadrouter.com/ja/blog/cache-llm-responses-cut-cost/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)
-   [ガイド：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-fine-tuning-readiness&utm_content=page-cta) ·

**出典**

-   [OpenAI モデル最適化ガイド：評価、プロンプトエンジニアリング、ファインチューニング（2026-11-15 確認）](https://platform.openai.com/docs/guides/fine-tuning)
-   [OpenAI 非推奨（Deprecations）：セルフサービスのファインチューニングの更新、日付は 2026 年 5 月 7 日、2026 年 7 月 2 日、2027 年 1 月 6 日（2026-11-15 確認）](https://platform.openai.com/docs/deprecations)
-   [Hu ほか、LoRA: Low-Rank Adaptation of Large Language Models、arXiv 2106.09685（2026-11-15 確認）](https://arxiv.org/abs/2106.09685)
-   [BroadNet Inference API リファレンス：エンドポイントと、非公開 ID でアクセスする “our Arabic fine-tunes”（2026-11-15 確認）（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-fine-tuning-readiness&utm_content=sources)
-   [BroadNet モデルページ、Cohere Transcribe Arabic の BroadNet ファインチューニング版：要相談、顧客ごとの非公開 ID（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic-broadnet)
-   [BroadNet モデルページ、Gemma 4 VL 26B：専用エンドポイント “including our Arabic fine-tunes”（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [BroadNet Inference プライバシー声明：推論データはモデルの学習、ファインチューニング、評価に使わない（2026-11-15 確認）（英語）](https://www.broadnet.ai/inference-privacy)
