CLIPスコア (画像テキスト整合)
読み: くりっぷすこあ
最終更新: 2026-07-14・AI PICKS編集部
定義
CLIPスコアとは、生成画像とテキスト説明の意味的な一致度を数値化した評価指標のこと。
CLIPスコア (画像テキスト整合)とは — 詳しく解説
CLIPスコアとは、 OpenAI の CLIP モデルが持つ画像エンコーダとテキストエンコーダで それぞれの埋め込みベクトルを算出し、 コサイン類似度で 画像とプロンプトの意味的整合性を数値化する評価指標のこと。 画像生成 AI のベンチマークで 業界標準の自動評価手法として広く採用されており、 人手評価より低コストかつ再現性が高い点が利点とされる。 一方で 2026 年時点の実運用では、 構図や質感の破綻を検知できない、 スコアが高くても日本語プロンプトの細かいニュアンス (人数・服装・背景指定など) を取りこぼすケースがある、 といった落とし穴が指摘されている。 現場では CLIP スコア単体で合否判定せず、 FID など他指標や 目視チェックと併用するのが定石で、 相場感としては オープンソース実装を使えば追加コストはほぼ発生しない。
CLIPスコア (画像テキスト整合)の使用例
- 「赤いドレスを着た女性が公園を歩いている」→ 生成画像との CLIP スコアで整合度を確認
- 複数の画像生成モデルを同一プロンプトで比較し、 CLIP スコア上位案を採用
CLIPスコア (画像テキスト整合)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・552語以上を体系的に整理しています
辞典トップへ