3行でいうと

  • モデルカードは、2018年の論文が「モデルに添える短い文書」として提案したのが原点です。いまの各社の文書は、長さも構成もばらばらです。Googleは評価の詳細を別のPDFに分け、AnthropicのOpus 5のシステムカードは目次で約197ページあります。
  • 知りたいことで、見る章が決まります。学習データ、悪用への強さ、正直さ、重大リスク、性能は、それぞれ別の章に書かれています。
  • 数字より先に、「方法」の段落を読みます。誰が測ったか、何回試したか、比べた相手と条件がそろっているか。各社のカード自身が、注意書きとして書いています。

この記事は、公式の文書を2026年10月16日に読んでまとめたもので、実際に使って確かめた記録ではありません。取得できたのは各文書の抽出で、長い文書は一部しか読めていません。読めなかった範囲は「気をつけること」に書きました。

先に結論

原点：モデルカードとは

Margaret Mitchellらの論文「Model Cards for Model Reporting」（2018年10月提出、2019年1月の改訂版）は、モデルカードを「訓練済みのモデルに添える短い文書」と呼びました。載せるものとして、概要には次の3つが挙がっています。いろいろな条件での評価結果（特定の集団ごとの違いを含む）、想定する使い方、評価のやり方の詳細です。

この3つは、いまの各社の文書にも、形を変えて残っています。

3つの文書を並べる

2026年10月16日に読んだ文書です。名前と日付は、文書に書かれたとおりです。

文書 日付 長さ・形 章の並び
Google Gemini 3 Pro Model Card 2025年11月公開、2026年5月に更新 本体は8つの章。評価の詳細は別のPDF モデルの情報、データ、実装、提供方法、評価、使い方と限界、倫理と内容の安全、重大リスクの安全
Anthropic Claude Opus 5 System Card 2026年7月24日、変更履歴は8月19日 目次で約197ページ 要約、導入、責任あるスケーリング方針の評価、サイバー、安全対策、エージェントの安全、アラインメント、モデルの福祉、性能、付録
OpenAI GPT-6 Astra System Card 2026年9月3日、変更履歴は9月29日まで 長い。Webページ形式（約11万字） 変更履歴、安全の概要、データと訓練、社内での展開、モデルの安全、頑健性、健康、ハルシネーション、アラインメント、監視可能性、準備態勢、安全対策

OpenAIは、システムカードを「Deployment Safety Hub」にまとめています。読んだ時点の一覧には、2026年10月15日のGPT-Live-1.1のカードから、7月8日の文書まで、複数の文書がありました。追補や更新の形の文書もあります。Anthropicは、新モデルの発表ページから、システムカードにリンクしています。

知りたいことで、見る章が決まる

3社の目次を並べた対応です。章の名前は、各社の文書の呼び方から言い換えています。

知りたいこと Google Anthropic OpenAI
何で学習したか モデルのデータ 導入（訓練の記述があるかは未確認） データと訓練
悪用や危ない頼みへの強さ 倫理と内容の安全 安全対策、エージェントの安全 モデルの安全、頑健性
間違いや嘘 使い方と限界（既知の限界として、ハルシネーション） アラインメントの章の中の「Honesty and hallucinations」の節 ハルシネーション
重大なリスク（化学・生物・サイバーなど） 重大リスクの安全 責任あるスケーリング方針の評価、サイバー 準備態勢（目次のみ確認）
性能 評価、別のPDF 性能 目次に「Capabilities Assessment」などの章名があるが、本文は読めていない
AI自身の振る舞い 書かれていない（読んだ範囲） アラインメント アラインメント、監視可能性

表の「見当たらない」は、読めた範囲での話です。OpenAIのカードは、本文で読めた範囲では安全の評価が中心でした。目次には性能の評価らしい章名（Capabilities Assessmentなど）もありますが、その本文は読めていません。

数字より先に、「方法」を読む

各社のカード自身が、方法と限界を書いています。読むときに見る5点を、そこから整理しました。

1. 誰が測ったか。 Anthropicは、評価の大半を社内で行い、外部の機関は特定の章で名前が挙がると書いています。OpenAIも、社内の評価の限界を書いていて、外部の評価者は領域ごとに名前が出ます。社内の評価と第三者の評価は、分けて読みます。

2. 何回試したか。 Anthropicのカードは、生物の課題でモデルごとに8回の試行、脆弱性ごとに5回、Firefox 147の攻撃（エクスプロイト開発）課題で、合計250回、など、試行数を具体的に書いています。OpenAIは、一部の試験で標本が小さいことを、限界として書いています。

3. 同じ条件で比べているか。 Googleの評価方法のPDFは、自社モデルの結果は、1回の試行（pass@1）で、多数決はしていない、と書いています。他社のモデルの数字は、大半が各社の自己申告で、一部は第三者の順位表から、一部はGoogleがAPIで測ったものです。さらに、SWE-bench Verifiedは、提供者ごとに実行環境が違う、などの注記があります。OpenAIのカードは、別の版や古いカードの数字は、そのまま比べられないことがある、と書いています。

4. テストされていると気づく問題。 Anthropicのカードは、評価への気づきが結果に影響した可能性に触れ、OpenAIのカードも、モデルが評価されていることを認識することがある、と限界に挙げています。

5. 後から直された点。 Anthropicのカードの変更履歴には、あとから結果が足されたものや、実行環境の食い違いが見つかって修正されたものがあります。また、飽和した（点が取りやすくなった）ベンチマークは落とした、とも書かれています。OpenAIのカードにも変更履歴の章があり、9月29日までの更新が書かれています。

カード自身が書いている限界（抽出から）

OpenAI（GPT-6 Astra）：社内の評価は、あえて難しく作ってあり、平常の利用の代表ではない。安全の試験は、システム側の安全対策を外した状態で行い、モデル本体の振る舞いを測っている。「失敗が見つかっていない」ことは、すべての制限を守ると証明するものではない。評価への気づきと、社内展開と外部展開のずれが、限界として挙がっている。前のモデルより悪い領域も書かれている。

Anthropic（Claude Opus 5）：実世界の設定に結果が当てはまるかは不確か、自動評価が一部のリスクを見落とす可能性、評価への気づきが結果に影響した可能性、などを書いている。外部では、英国のAI Security Institute（UK AISI）などが、特定の章で名前を挙げられている。

Google（Gemini 3 Pro）：評価の方法の詳細は、カード本体ではなく別のPDFにある。モデルの限界として、ハルシネーションと、知識の期限が書かれている。

読む順番（見立てです）

ここからは、僕らの見立てです。公式の推奨ではありません。

  1. まず、要約の章と変更履歴。 何が変わったカードか、どの結果が後から直されたかが分かります。
  2. 次に、方法の段落。 上の5点です。数字が出てきた章の、前後の文章を読みます。
  3. 自分の用途の章。 文章を作る使い方なら、ハルシネーションと正直さ。仕事の自動化なら、エージェントの安全と、プロンプトインジェクション（外から仕込まれた命令）への強さ。
  4. 最後に、限界の章。 書かれていないことを探します。
  5. 会社を比べるときは、同じ条件の数字だけ。 カードは各社が自分の評価で書いたものです。

気をつけること

出典

更新履歴