重要なポイント
- Unsloth — GitHubスター7.50万、Apache-2.0。READMEはマルチGPU構成、NVIDIA・AMD・IntelのGPU、CPU、Vulkanバックエンドへの対応を、Windows・Linux・WSL・macOS上で明記し、デスクトップ版も配布しています。オープンソース版でマルチGPUが有料の壁の向こうにあるわけではありません。
- Axolotl — スター1.24万、Apache-2.0。3つのうち唯一、マルチノード学習（Torchrun、Ray）と、コンテキスト並列・テンソル並列・完全シャード化データ並列をノード内および複数ノード間で組み合わせるND並列を文書化しています。
- MLX-LM — スター0.68万、MIT、Appleの`ml-explore`組織によるもので、同組織のプロフィール自体が「by Apple」と記しています。LoRAとフルファインチューニング、量子化モデル、`mx.distributed`による分散推論・分散調整に対応します。
- Together.ai — 教師ありLoRAファインチューニングは16Bパラメータまで学習トークン100万あたり0.48ドル、17〜69Bで1.50ドル、70〜100Bで2.90ドル。教師ありフルファインチューニングはかなり高く、同じ区分でそれぞれ1.20ドル、3.75ドル、7.25ドルです。1ジョブにつき最低4.00ドルが適用されます。
- Fireworks.ai — LoRA SFTは16Bまで100万トークン0.50ドルから、300B超では10.00ドルまで上がり、最上位区分の全パラメータDPOは100万あたり40.00ドルに達します。料金ページは明快です。「Serve fine-tuned models for the same price as base models.」
- Predibaseはもはや独立した製品ではありません。 Rubrikは2025年6月25日に買収を発表し、2026年8月28日時点でpredibase.comはRubrikのAgent CloudページへHTTP 301リダイレクトを返します。すでに存在しない登録画面へ読者を送らないでください。
- Together.aiにもFireworks.aiにも、2026年8月時点で見つけられる公開のアフィリエイトや紹介プログラムはなく、主要なAIアフィリエイト一覧にもどちらも掲載されていません。本ページのリンクはすべて無報酬です。
🏆 状況別の最適な選択
重要な分かれ目は、学習ジョブを自分で回すか、誰かに費用を払って回してもらうかです。 以下を上から読み、自分に当てはまる最初の行で止めてください。
- 十分なGPUを持っていて、動くファインチューニングまでの最短経路が欲しい → Unsloth。無料でApache-2.0、いまやマルチGPUとNVIDIA以外のハードウェアにも対応しており、かつて乗り換えを促した理由はおおむね解消されています。
- 学習が1台のマシンに収まらなくなった → Axolotl。TorchrunとRayによるマルチノードにND並列を加えた点が、2026年におけるUnslothとの実質的な分岐点です。
- MシリーズのMacで作業している → 最も軽量でMLXネイティブな道が欲しいならMLX-LM。ただしUnslothもmacOSで動くようになったため、いまや唯一の選択肢ではなく好みの問題です。
- DPO、ORPO、KTO、GRPO、報酬モデリングが必要 → Axolotl。文書化された手法の幅は3つの中で明らかに最も広いものです。
- GPUを持っておらず、借りるつもりもない → 透明なトークン単価ならTogether.ai、調整後のモデルを提供予定でホスティング追加料金を避けたいならFireworks.ai。
ローカルとクラウドのどちらで調整するか
十分なGPUを既に持っていて反復する見込みがあるならローカルで、ハードウェアがないか、1ジョブあたりの課金が自分の環境構築時間より安く済むほど調整頻度が低いならクラウドAPIを使ってください。 この問いは「どの基盤か」よりも先に来ます。このページのどちら側が自分に当てはまるかを決めるからです。
正直に言えば、ローカル学習は1回あたりは安く、あなたの注意力の1時間あたりでは高くつきます。クラウドAPIはその関係を逆にします。四半期に1度調整する人は、夜11時にドライバの不整合を追わずに済むことで実際に得をします。同じデータセットで週2回反復する人は、トークン課金がハードウェア費用をすぐに追い越すのを目にするでしょう。
📍 一文で説明
十分なGPUを持ち頻繁に反復するならローカルで調整し、ハードウェアがないか、1ジョブあたりの料金が自分の環境構築時間より安く済むほど調整頻度が低いならクラウドのファインチューニングAPIを使ってください。
💬 簡潔に説明
ハードウェアを持てば1回あたりはほぼ無料ですが、構築の手間がかかります。サービスを借りれば1回数ドルかかりますが、数分で始められます。どちらが安いかは、どれだけ頻繁に学習するかだけで決まります。
- ローカルで学習すべき場合： RTX 3090/4090クラス以上のカードがある、同じデータセットで毎週反復している、あるいはプライバシーや知的財産の都合で学習データを自分の環境から出せない。
- クラウドAPIを使うべき場合： GPUがない、4ビットでもハードウェアに収まらない大きさのモデルが必要、あるいは学習とセットでマネージドな提供環境が欲しい。
- どちらでもよい場合： 7Bモデルを月1回調整する程度。この頻度なら費用差は小さく、使い勝手で決めて構いません。
3つのローカル基盤の比較
2026年に使う価値のあるローカルのファインチューニング基盤はUnsloth、Axolotl、MLX-LMの3つで、その境界線は動きました。 Unslothはかつて単一GPUのCUDA向けの選択肢でしたが、いまや最も広い対応範囲を持ちます。Axolotlの主張は単なるマルチGPUではなく分散学習の深さです。MLX-LMはApple Silicon上で依然として最も軽量ですが、もはやMacで唯一の選択肢ではありません。3つとも無料かつオープンソースで、いずれも学習データを外部へ出す必要はありません。
スター数とライセンスは2026年8月28日にGitHub APIから取得しました。機能に関する記述は各プロジェクトのREADMEに基づきます。
| 評価軸 | Unsloth | Axolotl | MLX-LM |
|---|---|---|---|
| GitHubスター | 7.50万 | 1.24万 | 0.68万 |
| ライセンス | Apache-2.0 | Apache-2.0 | MIT |
| 向いている用途 | 自前のハードウェアでの最短経路 | 1台を超える規模への拡張 | MacでのMLXネイティブな軽量作業 |
| マルチGPU | 対応、オープンソース版で | 対応 — FSDP1、FSDP2、DeepSpeed | mx.distributed経由 |
| マルチノード | READMEに記載なし | 対応 — TorchrunとRay | mx.distributed経由 |
| ハードウェア | NVIDIA、AMD、Intel、CPU、Vulkan | 主にCUDAスタック | Apple Siliconのみ |
| 対応OS | Windows、Linux、WSL、macOS | 実際にはLinuxとWSL | macOS |
| 導入の難しさ | 低 — インストーラとデスクトップ版 | 中 — YAML設定で駆動 | 低 — pip install |
📌Note: このページの元になった草稿を含む古い比較記事は、マルチGPUをUnslothの有料機能と説明し、MLX-LMをAppleの取り組みではなくコミュニティプロジェクトとして扱っています。いずれも現在のREADMEおよび組織プロフィールと矛盾します。他所でそう読んだ場合は日付を確認してください。
Unsloth：ローカルの標準的な選択
ほとんどの人はUnslothから始めるべきで、その理由は減るどころか増えています。 3つの中でスター数は圧倒的に多く、ライセンスはApache-2.0、ハードウェアとOSの対応範囲はここで最も広くなりました。
Unsloth — 総合的に最良のローカル基盤
Apache-2.0で無料、マルチGPU込み、NVIDIA・AMD・Intel・CPU・macOSで動作
Unslothはアテンションと勾配のカーネルを書き換えてVRAM使用量を減らし、LoRAおよびQLoRA学習を高速化します。それが中核的な魅力である点は変わりません。変わったのは対応範囲です。READMEはいまやNVIDIA・AMD・IntelのGPU、CPU、VulkanバックエンドにわたるマルチGPU構成への対応を明記し、Windows・Linux・WSL・macOSで動作し、それぞれにデスクトップ版が用意されています。22KBのApache-2.0 READMEのどこにも、それらを有料枠に閉じ込める記述はありません。プロジェクト自体も学習ライブラリの枠を超え、StudioインターフェースとOpenAI互換の提供エンドポイントを備えたローカル作業台に近づいています。有料のProおよびEnterpriseは存在しますが価格は公開されておらず、他所で目にする具体的な金額は未検証として扱ってください。
長所
- +無料かつApache-2.0で、オープンソース版にマルチGPU対応を含む
- +ここで最も広いハードウェア対応：NVIDIA、AMD、Intel、CPU、Vulkan
- +Windows・Linux・WSL・macOSで動作し、デスクトップ版もある
- +3つの中で導入の手間が最も少ない — 設定ツリーではなくインストーラ
短所
- –マルチノード学習はREADMEに記載がなく、この点はAxolotlのほうが明快
- –ProとEnterpriseの価格が非公開のため、予算化には営業への問い合わせが必要
- –守備範囲の拡大により、学習ライブラリだけが欲しいチームには機能が過剰
Axolotl：規模を広げるための選択
Axolotlの価値は分散学習と手法の幅にあり、マルチGPUだけではありません。 Unslothが1筐体内の複数GPUをカバーするようになったいま、正直な分岐点は1筐体で足りなくなったときに何が起きるかです。
Axolotl — 1台を超える規模に最適
TorchrunとRayによるマルチノード、ND並列、そして最も広い手法の幅
Axolotlは設定ファイル駆動で、学習をノートブックから再構成するのではなくクラスタ全体で再現可能にする必要が出たときに、まさに求められる形です。READMEはFSDP1・FSDP2・DeepSpeedによるマルチGPU、TorchrunとRayによるマルチノード、そしてコンテキスト並列・テンソル並列・完全シャード化データ並列を単一ノード内でも複数ノード間でも組み合わせるND並列を文書化しています。分散Mixture-of-Experts学習のためのエキスパート並列も備えます。学習手法の一覧は3つの中で明らかに最も広く、フルファインチューニング、LoRA、QLoRA、GPTQ、量子化を意識した学習、FP8混合精度、DPO・IPO・KTO・ORPOによる選好調整、GRPOとGDPOによる強化学習、報酬モデリングおよびプロセス報酬モデリングを含みます。
長所
- +TorchrunとRayによるマルチノード学習が文書化されている
- +コンテキスト・テンソル・シャード化データ並列を組み合わせるND並列
- +最も広い手法の幅：DPO、IPO、KTO、ORPO、GRPO、GDPO、報酬モデリング
- +設定駆動の実行は再現可能でレビューでき、チームにとって重要
短所
- –学習曲線が急 — 最初の成功までにドキュメントを読む実時間を見込むこと
- –実際にはCUDA中心のため、AMD・Intel・Appleのハードウェアでは答えにならない
- –7Bモデル1つを個人で調整するには過剰な仕組み
MLX-LM：Apple Siliconのための選択
MLX-LMはMシリーズのMacで調整する最も軽量な手段で、AppleのMLX配列フレームワークに移植されたのではなく、その上に直接構築されています。 正確に述べておく価値があります。これを保守する`ml-explore`組織は自らを「by Apple」と説明しており、無関係なコミュニティ移植ではなくApple自身の機械学習の成果です。
MLX-LM — Apple Siliconで最良の軽量選択肢
MITライセンス、Hugging Face Hub連携、mx.distributedによる分散学習
MLX-LMは、MLXを用いてApple Silicon上でテキストを生成し言語モデルを調整するためのPythonパッケージです。Hugging Face Hubと連携するため数千のモデルがコマンド1つで利用でき、モデルの量子化とHubへの再アップロードに対応し、量子化モデルを含めて低ランク調整とフル調整の双方を扱えます。`mx.distributed`による分散推論と分散調整にも対応しており、厳密に単一マシン向けのツールだという一般的な説明はすでに古くなっています。一方でクロスプラットフォームではありません。MLXとApple Siliconの統合メモリに依存するため、WindowsやLinuxでは端的に候補になりません。
長所
- +MLXとApple Siliconの統合メモリの上にネイティブに構築されている
- +3つの中で最も緩やかなMITライセンス
- +mx.distributedによる分散推論と分散調整
- +モデルの取得と公開の双方でHugging Face Hubと連携
短所
- –Apple Siliconのみ — WindowsやLinuxでは選択肢にならない
- –スター0.68万で3つの中で最小のコミュニティ、実例も少ない
- –UnslothがmacOS版を配布するようになり、もはやMacで唯一の選択肢ではない
クラウド基盤と実際の料金
Together.aiとFireworks.aiはいずれもGPU時間ではなく学習トークン単位で課金するため、ジョブの費用を開始前に見積もれます。 以下の料金は2026年8月28日に各社の公開料金ページから取得しました。LoRAとフルファインチューニングの差に注目してください。費用の想定外はほぼここから生まれます。
| 区分と手法 | Together.ai | Fireworks.ai |
|---|---|---|
| LoRA SFT、16Bまで | 0.48ドル / 100万トークン | 0.50ドル / 100万トークン |
| フルSFT、16Bまで | 1.20ドル / 100万トークン | 1.00ドル / 100万トークン |
| LoRA SFT、中位区分 | 1.50ドル（17〜69B） | 3.00ドル（16.1〜80B） |
| LoRA SFT、大規模区分 | 2.90ドル（70〜100B） | 6.00ドル（80〜300B） |
| フルSFT、大規模区分 | 7.25ドル（70〜100B） | 12.00ドル（80〜300B） |
| 公開価格の上限 | フルDPO 8.00ドル、70〜100B | フルDPO 40.00ドル、300B超 |
| 1ジョブの最低額 | 4.00ドル | 公開なし |
| 調整済みモデルの提供 | 推論として別途課金 | ベースモデルと同価格 |
公開された区分構造の明快さと入口価格の低さを取るならTogether.aiを選んでください。あとでモデルを提供するならFireworks.aiを選んでください。調整済みモデルをベースモデル価格で提供するのが同社の明示した方針です。
⚠️Warning: 広く引き写されている数値は、Together.aiのフルファインチューニングを100万トークンあたり0.54〜3.20ドルと説明しています。これは実際にはLoRA DPOの範囲です。教師ありフルファインチューニングは同じパラメータ区分で1.20〜7.25ドルであり、誤って引用された上限の2倍を超えます。比較記事ではなく提供元のページを見て予算を組んでください。
Predibaseはどうなったか
Predibaseはもはやセルフサービス型の独立したファインチューニング基盤ではなく、いまだにそこへ登録を促すガイドは古くなっています。 Rubrikは2025年6月25日に買収を発表し、当時TechCrunchとCNBCが報じ、Rubrik自身のニュースルームも確認しています。
2026年8月28日時点で、predibase.comへの要求はRubrikのAgent Cloud製品ページへのHTTP 301恒久リダイレクトを返します。その遷移先は直接読み取れませんでした（自動化された要求にHTTP 403を返すため）。したがって本ページは、そこで現在何が提供されているかについて主張しません。検証できるのはリダイレクトそのものと、その背景にある買収です。Predibase的なマネージド調整サービスが必要なら、旧来の登録が今も機能すると仮定せず、何が残っているかをRubrikに確認してください。
💡Tip: これはクラウド基盤の比較全般に対する有益な戒めです。1年半前には確かな推奨だった製品が、いまは切れたリンクになりうるのです。記憶で推奨を引き継ぐのではなく、更新のたびに提供元の状況を確認し直してください。
7Bの調整に実際いくらかかるか
現実的な指示チューニングのジョブは、クラウドでは多くの人が思うより安く、ローカルではほぼ無料です。だからこそ通常は計算資源ではなく環境構築の時間が判断を左右します。 平均300トークンの例を1万件とすると学習トークンは300万、3エポックでおよそ900万トークンを処理します。次の表は上記の公開料金に基づく計算です。
| 経路 | 適用した料金 | 900万トークンの費用 |
|---|---|---|
| Together.ai、LoRA SFT | 100万あたり0.48ドル、16Bまで | 4.32ドル、最低4ドルには達している |
| Together.ai、フルSFT | 100万あたり1.20ドル、16Bまで | 10.80ドル |
| Fireworks.ai、LoRA SFT | 100万あたり0.50ドル、16Bまで | 4.50ドル |
| Fireworks.ai、フルSFT | 100万あたり1.00ドル、16Bまで | 9.00ドル |
| 借りた24GB GPU | 時間貸し、提供元により変動 | 計算は1時間未満が多く、加えて構築時間 |
| 既に所有するGPU | 限界的な電気代のみ | 1回あたり実質ゼロ |
既に所有するハードウェアなら、2回目以降はローカルが有利です。借りたハードウェアでたまに実行する場合は、実際のデータセット規模に対する固定のトークン単価と、レンタル費＋構築時間を比べてください。
💡Tip: ここでのクラウドの金額は十分に小さく、単発の実験では決め手が金額になることはほとんどありません。環境構築に一晩を使うか、5ドルを使うかという問題です。自分の時間を正直に数えれば、答えはたいてい明らかになります。
誰が何を使うべきか
判断を左右するのはスター数ではなく、学習頻度とハードウェアを持っているかどうかです。 次の4類型でほとんどの読者を説明できます。
- 単発の実験をする個人 → インフラを完全に省くならTogether.ai、あるいは借りたGPU上のUnsloth。単発の実験のためにハードウェアを買わないでください。
- 毎週反復するMLエンジニア → 自前のハードウェア上のUnsloth。頻度が高いとトークン課金は急速に積み上がり、Unslothは有料枠なしでマルチGPUをカバーするようになりました。
- 複数マシンで学習するチーム → Axolotl。マルチノードとND並列のため、そして設定駆動の実行がノートブックにはない再現性とレビュー可能性を持つためです。
- 調整済みモデルを本番投入するスタートアップ → 提供コストを重視するならFireworks.ai（調整済みモデルがベースモデル価格で提供されるため）、区分構造の明快さを好むならTogether.ai。ローカルLLMを本番運用するも参照してください。
EU・日本・中国におけるファインチューニング
ファインチューニングでは、ジョブを実行する相手に学習データをアップロードします。そのためローカルかクラウドかの選択は、主要3市場において単なる費用比較ではなくデータガバナンスの判断になります。
ファインチューニング環境の選定でよくある間違い
- 1マルチGPUにはUnslothの有料枠が必要だと思い込む
Why it matters: これは広く繰り返されてきましたが、プロジェクトの現在のREADMEと矛盾します。READMEはマルチGPU対応をAMD・Intel・CPU・Vulkanの各バックエンドと並べて記載しており、Apache-2.0リポジトリのどこにも有料の壁はありません。すでに持っていたマルチGPUを得るためだけに、より重い基盤を導入したチームもあります。 - 2Together.aiのフルファインチューニングを100万トークン0.54〜3.20ドルと引用する
Why it matters: その範囲はLoRA DPOのものであって教師ありフルファインチューニングではなく、後者は同じ区分で実際には1.20〜7.25ドルです。誤った行に基づく予算は、大規模なフル調整を半分以上過小評価します。 - 3読者をPredibaseへ送る
Why it matters: Rubrikが2025年6月に買収し、predibase.comはいま301でリダイレクトします。いまだにPredibaseのセルフサービス登録を説明しているガイドは、買収以降に再確認されていません。 - 4MLX-LMを非公式のコミュニティプロジェクトとして扱う
Why it matters: `ml-explore`組織は自らの活動を「by Apple」と説明しています。コミュニティ移植として退けると、当てはまらない保守リスクを理由に検討から外してしまいます。 - 5検索で足りたのにファインチューニングする
Why it matters: ファインチューニングは形式、語調、狭い技能を教えるものです。変化する事実を入れる手段としては劣悪かつ高価で、更新のたびに再学習が必要になります。事実は検索パイプラインに属します。[自分の文書に対するローカルRAG](/ja/local-llms/local-rag-2026)をご覧ください。
見送るべき場合
不満が「モデルが自社の文書を知らないこと」なら、ファインチューニングは誤った道具であり、それに気づくまでに学習1周期を費やすことになります。 それは検索の問題です。よく作られたRAGパイプラインは今日の午後にでも更新できる文書から回答しますが、ファインチューニングはそれを重みに焼き込み、直すには再学習が必要になります。
ファインチューニングが報われるのは、一貫した出力形式、特定の語調、あるいはプロンプトでは安定して得られない狭い技能が必要なときです。これらは振る舞いの変更であり、振る舞いこそ学習がうまく変えられるものです。まず構造化されたシステムプロンプトを、次に検索を試し、必要としている当のことについて両方が明らかに失敗したときに初めて学習に手を伸ばしてください。
💡Tip: 実務的な判定法があります。正しい答えを書き出してプロンプトに貼れるなら、それは検索かプロンプトの問題です。良い答えの形は説明できても中身は書けないなら、それがファインチューニングの問題です。
よくある質問
2026年に最適なLLMファインチューニング基盤は何ですか？
自前のハードウェアで学習するほとんどの人にはUnslothです。Apache-2.0のライブラリが無料で、いまやWindows・Linux・WSL・macOS上のNVIDIA・AMD・Intel・CPU・VulkanにわたるマルチGPU構成をカバーするためです。学習が複数マシンにまたがるならAxolotlのほうが適しており、マルチノード学習とND並列を文書化しています。MLX-LMはApple Siliconで最も軽量な選択肢です。
Unslothは無料ですか、無料版でマルチGPUは使えますか？
UnslothのライブラリはApache-2.0で無料であり、READMEはリポジトリ内に有料の壁のないマルチGPU対応を記載しています。有料のProおよびEnterpriseは存在しますが価格は公開されていないため、他所で引用される具体的な金額は未検証として扱うべきです。マルチGPUには有料枠が必要だという一般的な主張は、プロジェクトの現在の文書と矛盾します。
クラウドでのファインチューニングは100万トークンあたりいくらですか？
Together.aiでは、教師ありLoRAファインチューニングが16Bパラメータまで100万トークンあたり0.48ドル、17〜69Bで1.50ドル、70〜100Bで2.90ドル、1ジョブ最低4.00ドルです。教師ありフルファインチューニングは同じ区分で1.20ドル、3.75ドル、7.25ドルです。Fireworks.aiではLoRA SFTが16Bまで100万トークン0.50ドルから始まり、300B超では10.00ドルまで上がります。
MLX-LMをWindowsやLinuxで使えますか？
いいえ。MLX-LMはAppleのMLXフレームワークとApple Siliconの統合メモリの上に構築されているため、他のプラットフォームでは候補になりません。WindowsやLinuxではUnslothかAxolotlを使ってください。なおUnslothはmacOS版も配布するようになったため、Macでは両者を本当に選べます。
Predibaseはどうなりましたか？
Rubrikは2025年6月25日にPredibaseの買収を発表しました。2026年8月28日時点で、predibase.comは独立した製品を提供する代わりにRubrikのAgent CloudページへのHTTP 301リダイレクトを返します。新しいプロジェクトで頼る前に、現在の提供状況をRubrikに直接確認してください。
Together.aiやFireworks.aiにアフィリエイトプログラムはありますか？
2026年8月時点で、どちらにも公開のアフィリエイトや紹介プログラムは見つかりませんでしたし、主要な一覧にも掲載されていません。両社のパートナーページは事業連携について説明したもので、発信者向けの紹介制度ではありません。PromptQuorumは本ページのリンクから収益を得ていません。
クラウドでのファインチューニングはローカルより高いですか？
学習頻度によります。小さなデータセットでの単発の実行ならクラウドの費用は数ドルで、環境構築に費やす一晩の価値より安いのが普通です。既に所有するハードウェアで頻繁に反復するなら、計算の限界費用がほぼゼロなので2回目以降はローカルが安くなります。
7Bモデルの調整にマルチGPUは必要ですか？
通常は不要です。24GBクラスのカード1枚でQLoRAを使えば7Bモデルを余裕をもって扱えます。マルチGPUがより重要になるのは、より大きなモデルやLoRAを使わないフル調整です。VRAMの見積もりはハードウェア要件のガイドをご覧ください。
最終評価
- Unslothを選ぶべき場合： 自分が所有するハードウェアで学習し、動く実行までの最短経路が欲しいとき。次の一手：インストールし、より重いものを評価する前にQLoRA調整を1回通してみてください。
- Axolotlを選ぶべき場合： 学習が複数マシンにまたがる必要があるか、DPO・ORPO・KTO・GRPO・報酬モデリングが必要なとき。次の一手：設定システムこそが実質的な参入コストなので、決める前にマルチノードのドキュメントを読んでください。
- MLX-LMを選ぶべき場合： Apple Siliconで作業し、MLXへの最も直接的な道が欲しいとき。次の一手：唯一の選択肢だと決めてかからず、UnslothのmacOS版と比較してください。
- Together.aiまたはFireworks.aiを選ぶべき場合： GPUを持ちたくないとき。次の一手：実際のデータセットを公開されたトークン区分に当てて試算し、フル調整を行うならLoRA DPOの行ではなくフルファインチューニングの行を使ってください。
- ファインチューニングを見送るべき場合： モデルが単に自社の文書を知らないだけのとき。次の一手：代わりに検索パイプラインを構築してください。再学習なしで修正できます。