ガイド
AI用語辞典LLM / 言語モデル
マルチモーダル幻覚 (物体幻覚)
読み: まるちもーだるげんかく（ぶったいげんかく）
最終更新: 2026-08-06・AI PICKS編集部
定義
マルチモーダル幻覚(物体幻覚)とは、画像や動画を扱うAIモデルが、実際には存在しない物体や属性を出力に含めてしまう現象のこと。
マルチモーダル幻覚 (物体幻覚)とは — 詳しく解説
マルチモーダル幻覚(物体幻覚)は、画像・動画・音声を扱うマルチモーダルLLMが、入力に実際には存在しない物体・属性・関係性を出力文に含めてしまう現象で、テキストのみのハルシネーションと区別して呼ばれる。原因は視覚エンコーダの特徴量よりも、LLM側が持つ「よくある物体の組み合わせ」という言語的な事前知識を優先しやすい点にあるとされる。2026年時点の実運用では、画像キャプション生成・OCR・監視カメラ解析・EC商品説明の自動生成などで、写っていないブランドロゴの誤記載や個数・色の誤認識が起きやすく、現場では生成結果をそのまま公開せず人手レビューを挟む運用が広く採用されている。対策としてはRAGによる事実照合、複数モデルでのクロスチェック、プロンプトで根拠箇所(バウンディングボックス等)の明示を求める手法などが挙げられる。誤検知対応の人件費やレビュー工程にかかるコストを踏まえてモデルを選ぶ必要があり、精度とコストのバランスを見て適用範囲を絞る現場が多い。
マルチモーダル幻覚 (物体幻覚)の使用例
- 画像に写っていない企業ロゴをAIが商品説明文に書き加えてしまうケース。
- 監視カメラ映像の解析で、実際にはいない人物をAIが検知したと誤報告するケース。
マルチモーダル幻覚 (物体幻覚)に関連するAIツール
マルチモーダル幻覚 (物体幻覚)の関連記事
関連用語
「LLM / 言語モデル」の他の用語
AI (人工知能)
Artificial Intelligence の略。人間の知能をコンピュータで再現する技術全般を指す。
LLM (大規模言語モデル)
Large Language Model の略。 膨大なテキストで学習した文章生成 AI。 ChatGPT / Claude / Gemini が代表例。
ハルシネーション
AI がそれっぽい嘘をつく現象。 学習データに無い情報を推測で生成してしまう。
コンテキストウィンドウ
AI が一度に扱える文章の長さ。 トークン数で表現される (例: Claude Opus 4.7 は 1M トークン)。
トークン
AI が扱う文字のかたまり。 日本語は 1 文字 ≒ 1 トークン、 英語は単語 ≒ 1 トークン。 料金計算の単位でもある。
生成 AI
文章・画像・音声・動画 を新規に作り出す AI 技術。 ChatGPT 以降の AI ブームの主役。
用語がわかったら、次はツール選び
12カテゴリ・1355語以上を体系的に整理しています