事前学習Ⅱ LLM【事前学習Ⅱ：基礎理論 A-1】
TransformerがなぜLLMの基盤なのか。Embedding・Attention・FFN・Add & Normという構成要素の役割と配置の理由を、全体像から理解します。
事前学習Ⅱ 
現象の理解 LLM【スケール則：現象の理解 D-6】
## セクション D-6: 今後のスケーリング研究と新しい方向性前回の ( では、アーキテクチャによってスケーリングの効き方が変わることを確認しました。Transformer は基準として安定しており、MoE は大規模化で伸びやすく、ViT...
現象の理解 LLM【スケール則：現象の理解 D-5】
Transformer、MoE、ViT等のアーキテクチャ別スケーリング特性を比較。α/β係数の違い、効率スコア、選択戦略を詳解。
現象の理解 LLM【スケール則：現象の理解 D-4】
スケール則の観測範囲・隠れた仮定・成立しないケースを詳解。データ品質補正を加えた修正スケール則と信頼度評価フレームワークを提示。
現象の理解 LLM【スケール則：現象の理解 D-3】
スケーリング実験の設計から測定方法まで解説。パラメータスケーリング・データスケーリング実験、効率指標の計算、検証チェックリストを網羅。
現象の理解 LLM【スケール則：現象の理解 D-2】
訓練終盤で突然テスト性能が急上昇するGrokking現象を解説。過学習→スタグネーション→サージの3段階、発生条件、LLMとの関係を詳解。
現象の理解 LLM【スケール則：現象の理解 D-1】
スケール則を超える創発現象を解説。In-Context Learning、Chain-of-Thought、推論タスクでの閾値出現と、創発メカニズムの4つの仮説を詳解。
最適配分戦略 LLM【スケール則：最適配分戦略C-6】
Scaling Lawのタスク依存性を詳解。MMLU、GSM8K等ベンチマーク別のα値、ファインチューニング戦略（Full vs LoRA vs Prompt Tuning）、性能予測モデルを解説。
最適配分戦略 LLM【スケール則：最適配分戦略C-5】
オンプレミス、クラウド、ハイブリッドの3つの実行環境別にScaling Law適用戦略を解説。コスト試算、Spotインスタンス活用、環境選択フローを含む。
最適配分戦略 LLM【スケール則：最適配分戦略C-4】
Scaling Lawから見たアーキテクチャ選択。Transformer vs MoE（Mixture-of-Experts）の比較、α値の解釈、マルチモーダルモデルのパラメータ配分戦略を解説。