ファインチューニングと RAG の違い 同じ 60 問で学習・検索・長いプロンプトを比べた

社内の資料の知識を AI に持たせるには、学習で覚えさせる(ファインチューニング)のと、検索で渡す(RAG)のと、どちらがよいのか。第1回の架空の社内資料と 60 問をそのまま使い、同じ 4B のモデルで、学習・RAG・資料を全部プロンプトに入れる方法を比べました。資料で QLoRA の学習をしたモデルは正答 9 / 50 で、答えの無い 10 問は 10 問とも資料に無い値を言い切りました。RAG で資料を渡すと正答 47 で、答えの無い問は 10 問とも「資料に記載がありません」でした。

結果の早見

ファインチューニングと RAG の違い

ファインチューニングは、モデルの重み(覚えている数値)を追加の学習で変える方法です。今回は QLoRA(土台を 4 ビットで固定し、LoRA の細い行列だけを学習する方法。第2回と同じ仕組み)を使いました。RAG は、質問に近い部分を資料から探してプロンプトに入れる方法です。知識を「重み」に置くか「プロンプト」に置くかが違います。

試した PC・モデル・道具

土台は、Qwen3 の発表で日本語を含む 119 の言語と方言に対応するとされます。新しい Qwen3.5-4B は Gated DeltaNet を混ぜた形で画像の部品も付き、Windows で学習する部品が増えそうなので使っていません。

学習は PEFT(LoRA を足す道具)と bitsandbytes(4 ビットで読む道具)です。bitsandbytes の Windows の CUDA 12.8 版は RTX 50 シリーズ(sm120)に対応しています。専用の venv(Python の置き場)に入れました。

# C:\lora_work\ftrag に専用の venv を作る(編集部の手順)
mkdir C:\lora_work\ftrag; cd C:\lora_work\ftrag
python -m venv venv    # 編集部は Python 3.12.1
.\venv\Scripts\python.exe -m pip install --upgrade pip
.\venv\Scripts\python.exe -m pip install torch==2.8.0 --index-url https://download.pytorch.org/whl/cu128
.\venv\Scripts\python.exe -m pip install transformers==5.19.0 peft==0.21.2 bitsandbytes==0.50.2 accelerate==1.15.0 gguf==0.19.0 safetensors huggingface_hub sentencepiece
# 土台のモデル(約 8.0GB。編集部の回線で 10 分 36 秒)
.\venv\Scripts\python.exe -c "from huggingface_hub import snapshot_download; snapshot_download('Qwen/Qwen3-4B-Instruct-2507', local_dir=r'models\Qwen3-4B-Instruct-2507')"
# llama.cpp(変換の台本は同じ版のソースから。実行ファイルは GitHub のリリースの llama-b11630-bin-win-cuda-13.4-x64.zip と cudart-llama-bin-win-cuda-13.4-x64.zip を llama\ に展開)
git clone --depth 1 --branch b11630 https://github.com/ggml-org/llama.cpp.git llama.cpp-src

答えさせるときは、土台を GGUF(llama.cpp の形式)にし、学習した LoRA も GGUF にして足します。

# 土台を Q8_0 の GGUF に(CPU で 62 秒)
.\venv\Scripts\python.exe llama.cpp-src\convert_hf_to_gguf.py models\Qwen3-4B-Instruct-2507 --outtype q8_0 --outfile models\qwen3-4b-2507-q8_0.gguf
# 学習した LoRA を GGUF に(1 本 約 6 秒・264MB)
.\venv\Scripts\python.exe llama.cpp-src\convert_lora_to_gguf.py out\K\final --base models\Qwen3-4B-Instruct-2507 --outtype f16 --outfile out\K\K-e3.gguf
# 答えさせる(④ と ⑤ は --lora を付ける。② は -c 36864 -ctk q8_0 -ctv q8_0)
.\llama\llama-server.exe -m models\qwen3-4b-2507-q8_0.gguf --lora out\K\K-e3.gguf -ngl 99 -c 8192 -np 1 -fa on --jinja --host 127.0.0.1 --port 8191

問ごとに /v1/chat/completions へ、temperature 0(いつも最も確からしい語を選ぶ)・max_tokens 400 で 1 回ずつ送りました。

学習のデータの作り方

資料から「質問と答えの組」を作って学習させました。

• 資料 10 本を「## の章」で 55 か所に分け、章ごとに Claude Haiku 5.5 に組を作らせました。組の数は章の字数 ÷ 45(8〜40 組)です。1 つの事実を、言い方を変えた 2 つ以上の質問で問うように頼みました。
• 資料に無い事を聞く質問も資料ごとに 12 個作らせ、答えを「資料に記載がありません。」にしました(120 組)。
• 1,249 組のうち、60 問のどれかとほぼ同じ質問 13 件(2 字ずつの重なりが 6 割以上。N07 と同じ文だった「ソラマド ロガー S1 は何件まで記録できますか?」など)を除き、1,236 組にしました。残した組にも、60 問と同じ事実を別の言い方で聞く質問はあります(N01 の年休の日数など)。
• 65 回の呼び出しは 6 件ずつ同時に頼んで約 7 分・27.4 クレジットでした(時間切れの 3 件のやり直しを含む)。30 組を資料と照らし、食い違いはありませんでした。

できた組の例です(実物から抜き出し)。

質問: 社外の人との飲食を交際費で申請する場合、1人あたりの上限額はいくらですか。
答え: 交際費の上限は1人あたり8,000円まで(税込)です。

質問: 社内の人と社外の人が一緒に飲食する場合、会議費と交際費のどちらで扱いますか。
答え: 社外の人が1人でも加わっていれば交際費として扱います。

質問: ソラマド ロガー S1 と S2 の本体の寸法と重さはどれくらいですか。
答え: 資料に記載がありません。

1 組は ① と ④ の文(記事の最後)に質問を入れた形で、平均 178 トークン(うち答え 27)です。

学習の設定

設定は、QLoRA の論文が 7B・13B のモデルで使った値に合わせました(LoRA の r = 64・α = 16・dropout 0.1・全部の線形の層・学習率 2e-4 で一定・勾配のノルムの上限 0.3・1 回の更新に 16 本)。最適化は、論文の paged optimizer にならって bitsandbytes の PagedAdamW32bit です。エポック(データを一周する回数)は 3 です。

import torch, bitsandbytes as bnb
from transformers import AutoModelForCausalLM, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model

M = r"C:\lora_work\ftrag\models\Qwen3-4B-Instruct-2507"
bq = BitsAndBytesConfig(load_in_4bit=True, bnb_4bit_quant_type="nf4",      # 土台を 4 ビット(NF4)で読む
                        bnb_4bit_use_double_quant=True, bnb_4bit_compute_dtype=torch.bfloat16)
model = AutoModelForCausalLM.from_pretrained(M, quantization_config=bq, dtype=torch.bfloat16,
                                             device_map={"": 0}, attn_implementation="sdpa")
model.config.use_cache = False
model.gradient_checkpointing_enable(gradient_checkpointing_kwargs={"use_reentrant": False})
model.enable_input_require_grads()
model = get_peft_model(model, LoraConfig(
    r=64, lora_alpha=16, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM",
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"]))
# 学習する数値は 1 億 3,212 万個
opt = bnb.optim.PagedAdamW32bit([p for p in model.parameters() if p.requires_grad], lr=2e-4, weight_decay=0.0)
warm = 7   # 予定の 234 ステップの 3%(実際の更新は 231 回)。最初の 7 回で学習率を上げて、あとは一定
sched = torch.optim.lr_scheduler.LambdaLR(opt, lambda s: min(1.0, (s + 1) / warm))

inner = model.base_model.model   # LoRA は層の中に入る。出力の層(lm_head)には足していない
def answer_loss(ids, labels, mask):
    # 出力(151,936 語ぶん)は、答えの位置だけで計算する(全部の位置で計算すると 8GB を超えた)
    h = inner.model(input_ids=ids, attention_mask=mask).last_hidden_state
    tgt = labels[:, 1:]; m = tgt != -100          # 質問の部分は -100(当てさせない)
    logits = inner.lm_head(h[:, :-1][m]).float()
    return torch.nn.functional.cross_entropy(logits, tgt[m])

# 4 本ずつ answer_loss を計算して 4 回積み上げ、勾配のノルムを 0.3 で切ってから更新する(16 本で 1 回)

最初の試し(30 ステップ)は、labels を渡して損失をモデルに計算させる普通の書き方でした。止まりはしませんでしたが、PyTorch の確保が最大 15,446MiB と 8GB を超え、1 ステップ 10.65 秒かかりました。語彙 151,936 語ぶんの出力を全部の位置で計算していたのが主な原因と見て、答えの位置だけにすると収まりました(試し 2 は組も短く、2 つの違いを分けては測っていません)。

本番は 231 ステップで 15.1 分(読み込みを含めて 15.5 分)・32.3Wh でした。

比べた 5 つの条件と数え方

• ③ と ⑤ の上位 5 件は、第1回でいちばん良かった段階 ⑤a の記録をそのまま使いました。② ③ ⑤ の文は第1回と同じで、① と ④ はそこから「資料」の段と番号の決まりを除いた文です。
• 採点: 第1回と同じ文で、DeepSeek V4.1 Flash が「正答・一部・誤り・記載なし」に分けました。違う中身や、答えの無い問で何かを言い切った答えは「誤り」です。
• 採点の確かめ: ①〜⑤ から 4 件ずつの 20 件を編集部(Claude Code を使用)が読み、20 件とも AI と同じ判定でした。校閲でも別の 21 件を読み、分かれたのは ② の M04 だけでした(AI は一部、校閲は誤り。数は AI の判定)。② の X06 は「記載なし」の答えを AI が「正答」としたので、第1回と同じく直しました。
• 差の幅: 問ごとの対で 10,000 回ブートストラップ(問を選び直して計算し直す方法)した 95% の幅で見ます。

結果: 学習したモデルは、資料に無い値を言い切った

• ① 何も足さないは、60 問とも「資料に記載がありません。」と答え、作り話は 0 でした。
• ④ 学習は、正答 9・一部 8・記載なし 4・誤り 29 で、答えの無い 10 問も 10 問とも言い切りました。

④ の誤り 39 件のうち 22 件は資料の別の所にある数字(1,000 円・10,000 円・5 営業日など)を当てはめ、8 件は資料のどこにも無い数字(45%・16,384 件・110g など)を出しました(数字と単位の文字列を照らした目安)。

学習が足りないだけか

④ の結果を見たあとに、学習に入れた質問そのもの 60 組(60 問とは別に、学習のデータから種 42 で選んだ組。正解は学習のデータの答え)を同じ文で聞き、同じ設定で 8 エポック(616 ステップ・39.6 分・86.0Wh)の学習も足しました。

• 3 エポックでは、学習に入れた質問でも正答 20 / 50、記載なしの組で「記載なし」と答えたのは 6 / 10 でした。
• 8 エポックでは 43 / 50・10 / 10 で、学習のデータはほぼ覚えました。
• それでも、60 問の正答は 14 / 50(3 エポックとの差 +5、95% の幅 0〜+10)で、答えの無い 10 問は 10 問とも言い切りました。見た質問には答えられても、聞き方や中身が変わると、資料に無い値で答えました。

先行の研究も同じ向きです。Microsoft の Ovadia ほか(EMNLP 2024)は、文書での学習より RAG が上回り続けたとしています。Gekhman ほか(EMNLP 2024)は、質問と答えの組で新しい知識を覚えさせるにつれ、作り話の傾向が直線的に増えたと報告しています。どちらもモデルと規模は今回と違います。

⑤ 学習 + RAG: 答えの無い問で言い切る数が増えた

学習したモデルに ③ と同じ上位 5 件を渡すと、正答 44・一部 4・誤り 2 でした。正答の差は −3(95% の幅 −7〜0)で言い切れませんが、答えの無い 10 問で言い切った数は ③ の 0 から 5 に増えました。X10 には「S2 の重さは 100 克です」(克は中国語でグラム)、X07(健康診断の時期)には、資料では情報セキュリティの研修の月である「毎年 6 月」と答えました。

② 全部入れる: 8 ビットの KV でも収まりきらなかった

KV キャッシュ(読んだ文の計算結果)を 8 ビット、文脈を 36,864 トークンにすると、llama-server は「GPU のメモリに収まらない」と警告しつつ動きました。

• 1 問目は 786.5 秒でした。1 秒に 43.6 トークンしか読めず、GPU の電力は平均 35.4W で、第2回と同じくメインメモリに逃げた形です。
• 2 問目からは中央値 2.98 秒でした。同じ前置き(資料の全文)の計算を使い回すためで、資料を 1 字でも直せば 1 問目から読み直しです。答えを書く速さは ③ の 3 分の 1 でした。
• 正答は 44、答えの無い問で「記載なし」は 9 / 10 でした。

資料を 1 か所直したとき

給与・手当規程の「片道の距離が10km以上の場合は、月7,100円」を「月7,600円」に直し、RAG と学習の両方で直す手間を測りました。確かめの問は N11(自転車で片道 12 km)と、結果を見る前に足した 2 問(自家用車で片道 15 km・10 km 以上の自転車通勤)です。

• RAG は、変わったチャンク 1 個を埋め込み直し(0.89 秒。埋め込みのモデルの読み込み 3.6 秒は別)、索引を作り直す(0.19 秒)だけで、3 問とも直したチャンクが上位 1 件に入り、答えは 7,600 円でした。費用は 0 です。
• 学習 は、直した章の組を作り直し(41 組・28.5 秒・0.7 クレジット)、同じ設定で学習し直しました(923 秒)。新しい値を含む組は 2 組です。資料を渡さずに聞くと、学習し直した LoRA も直す前の LoRA も 3 問とも「月 10,000 円」で、7,600 円も 7,100 円も出ませんでした(元のデータで 7,100 円を含む組は 1 組)。新しい資料の RAG を足すと、どちらも 7,600 円でした。

形式は学習で身に付くか

答えの書き方の決まり(書式)を 1 つ決め、プロンプトに書く場合と学習で覚えさせる場合を比べました。

【回答】結論を 3 文以内で書く。数字・期限・条件は資料の書き方のまま書く。
【根拠】根拠にした資料の名前と節の見出しを、資料名「節の見出し」の形で書く。
(答えが無いときは「【回答】資料に記載がありません。」「【根拠】なし」の 2 行)

• 学習のデータ: 知識の 1,236 組から 400 組(記載なし 39 を含む)を選び、質問ごとに第1回の ⑤a のチャンクを埋め込みだけで探した上位 5 件を「資料」に入れ、答えを上の書式にしました(【根拠】は組を作った章のチャンクの見出し)。1 組は平均 1,073・最長 2,037 トークンです。
• 学習: 2 エポック。同じ設定(r = 64・16 本で 1 回)で始めると、入力が長いためメインメモリに逃げ、1 ステップが 30〜294 秒になりました。4 回止めて設定を変え、5 回目は LoRA を r = 16(α = 16 のまま)にし、1,280 トークンを超える 84 組を外した 316 組で学習しました。38 ステップで 24.8 分でした(5 回目も 6 ステップは 69〜151 秒かかりました)。
• 比べ方: ③ と同じ上位 5 件を、土台に書式を書かない文(F0)・書いた文(F1)で、学習した LoRA に書かない文(F2)で渡しました。

学習の例です(実物から抜き出し・「資料」の 5 件は略)。

質問: パスワードに自分の誕生日や電話番号を使ってもよいですか。

【回答】周りの人が思いつきやすい言葉は避けてください。自分の名前、誕生日、会社名、電話番号が例として挙げられています。
【根拠】情報システム利用の手引き「1-2. パスワードの決め方」

• 書式をプロンプトに書いた F1 は、2 行の形は 59 / 60 でしたが、決めた書き方まで守ったのは 12 で、12 とも「【根拠】なし」の答えでした。【根拠】を書いた 48 件のうち 41 件は「資料1「…」」と番号で書きました。
• 学習した F2 は、書式を書かない文でも形 60 / 60・書き方 59 / 60 でした。根拠の節が正解と合ったのは 44 / 50(F1 は 46)です。
• その代わり、正答は 39 / 50 に減りました(F1 は 48。差 −9、95% の幅 −15〜−4)。答えのある問で「記載なし」と答えたのが 6 問(F1 は 2)で、P06(交際費)・P10(スマホをなくした)など F1 では正答の問でした。学習のデータの「資料」は埋め込みだけ、評価はリランクまで通した上位 5 件で、この違いが効いたのかは確かめていません。

「知識は RAG・形式は学習」は言えたか

OpenAI のモデルの最適化の手引きは、教師あり学習が向く用途に「決まった形式で書かせる」などを挙げ、知識を足す用途は挙げていません。Red Hat の解説は RAG を「定期的に更新される情報で補う」ときに向くとし、NTT 東日本の解説は、学習は新しい情報を足すたびに学習し直しが要るとしています。今回の数字で言えたのは次の範囲です。

• 知識: 学習は正答 9 / 50(8 エポックで 14)で答えの無い問は 10 問とも作り話、RAG は 47 / 50・作り話 0 でした。この資料と規模では、知識は RAG で渡す方が合っていました。
• 形式: 今回の 1 回の学習(316 組・r = 16)では、書き方をそろえるのは学習の方が確かでした(59 対 12)。ただし正答が 9 減りました。編集部の見立てでは、まずプロンプトに書式と例を書き、そろわない所だけ学習を試し、正答が減っていないかを数えるのが順番です。
• 組み合わせ: 知識を学習したモデルに RAG を足すと、答えの無い問で言い切る数が RAG だけより増えました(0 → 5。8 エポックの LoRA では 7)。

気をつけること

• 1 回ずつの結果です: 同じ設定で学習し直した ④' は 60 問で正答 10 で、元の 9 との差は +1(95% の幅 −3〜+5)でした。1〜2 問の差で順位を決めないでください。
• 小さなモデル・少ないデータ: 4B のモデル・LoRA・1,236 組です。大きなモデル、全部の重みの学習、資料の文での学習、言い換えをもっと増やしたデータは試していません。
• 8GB の GPU: ② と形式の学習は、エラーにならずにメインメモリに逃げて遅くなりました。1 ステップの秒数と GPU の電力を見てください(NVIDIA の説明では、コントロールパネルの「CUDA - Sysmem Fallback Policy」で止められる。今回は確かめていない)。
• データを作る AI の規約: この記事の学習は、記事のための試行です。学習したモデルは公開も、ほかの用途にも使っていません。問と答えの組を AI に作らせて学習に使うときは、そのモデルの規約を確かめてください(例: Anthropic の Usage Policy は、事前の許可なく入力・出力で AI モデルを学習させることを禁じています)。学習に使ってよいライセンスの公開のモデル(Qwen3 など)で組を作る方法もあります。

まとめ

• 4B のモデルと 36 ページの社内資料では、知識は RAG で渡す方が正答が多く(47 対 9)、学習したモデルは答えの無い問を 10 問とも作り話にしました。書き方は学習でそろいましたが、正答が減りました。
• 学習を試すときは、答えの無い問を先に用意し、作り話が増えないかを数えてください。

渡した文(全文)

学習のデータを作る AI(Claude Haiku 5.5)

章ごとに 1 回(55 回)渡しました(YOBITSUGI AI の ask_ai・tier は fast)。{資料の名前} は資料の題、{章の文} は「## の章」の文(題と前書きは第 1 章に入れた)、{組の数} は章の字数 ÷ 45(8〜40)です。

あなたは、社内の問い合わせ窓口の AI を学習させるための「質問と答えの組」を作る係です。下の「資料の一部」だけを使って作ってください。

資料の名前: {資料の名前}
資料の一部:
<<<
{章の文}
>>>

作り方:
- この部分に書かれている事実(数字・期限・条件・手続き・担当・例外)を、すべて問う。
- 1 つの事実を、言い方を変えた 2 つ以上の質問で問う。資料の言葉に近い質問と、社員がふだん使う言葉に言い換えた質問の両方を入れる。
- 質問だけを読んで、何についての質問か分かるようにする(「正社員の」「契約社員の」「ソラマド ロガー S1 の」のように、対象を質問に入れる)。
- 答えは、資料に書いてあることだけで、3 文以内。数字・期限・条件は資料の書き方のまま書く。
- 資料に無いことを答えに足さない。
- {組の数} 組作る。

出力は JSON の配列だけにしてください(前置きやコードの枠は書かない)。
[{"q": "質問", "a": "答え"}, …]

資料に書かれていない事の質問は、資料ごとに 1 回(10 回)渡しました。答えはすべて「資料に記載がありません。」にしました。

あなたは、社内の問い合わせ窓口の AI を学習させるための質問を作る係です。下の資料には「書かれていない」ことを尋ねる質問を 12 個作ってください。

資料の名前: {資料の名前}
資料:
<<<
{資料 1 本の全文}
>>>

作り方:
- この資料を読む社員が尋ねそうな質問で、答えがこの資料のどこにも書かれていないものにする。
- 質問だけを読んで、何についての質問か分かるようにする。
- 12 個作る。

出力は JSON の配列だけにしてください(前置きやコードの枠は書かない)。
[{"q": "質問"}, …]

答えさせる文(① と ④・学習のデータ)

資料を渡さない形です。学習のデータの 1 組も、この文に質問を入れて作りました。

あなたは株式会社ソラマド計測の社内の問い合わせ窓口です。社内の資料の内容をもとに、「質問」に日本語で答えてください。

決まり:
- 社内の資料に書いてあることだけで答える。書いていないことを推測で補わない。
- 資料に答えが無いときは「資料に記載がありません。」とだけ答える。
- 数字・期限・条件は資料の書き方のまま書く。
- 3 文以内で答える。

質問: {問}

答えさせる文(② ③ ⑤)

第1回と同じ文です。③ と ⑤ は {資料} に第1回の ⑤a の上位 5 件を、② は 10 本の全文を [1]〜[10] で入れました。

あなたは株式会社ソラマド計測の社内の問い合わせ窓口です。下の「資料」だけを根拠に、「質問」に日本語で答えてください。

決まり:
- 資料に書いてあることだけで答える。書いていないことを推測で補わない。
- 資料に答えが無いときは「資料に記載がありません。」とだけ答える。
- 数字・期限・条件は資料の書き方のまま書く。
- 3 文以内で答え、最後に根拠にした資料の番号を [1] のように書く。

資料:
[1]
{1 位のチャンク(先頭に資料名と見出し)}

[2]
{2 位のチャンク}

(… [5] まで。② は [1]〜[10] に資料 10 本の全文)

質問: {問}

形式の試しの文(F0・F2 = 書式を書かない / F1 = 書式を書く)

F0・F2 と、形式の学習のデータに使った文(書式を書かない)です。

あなたは株式会社ソラマド計測の社内の問い合わせ窓口です。下の「資料」だけを根拠に、「質問」に日本語で答えてください。

決まり:
- 資料に書いてあることだけで答える。書いていないことを推測で補わない。
- 資料に答えが無いときは、そのことを伝える。

資料:
[1]
{1 位のチャンク}

(… [5] まで)

質問: {問}

F1 の文(書式を書く)です。

あなたは株式会社ソラマド計測の社内の問い合わせ窓口です。下の「資料」だけを根拠に、「質問」に日本語で答えてください。

決まり:
- 資料に書いてあることだけで答える。書いていないことを推測で補わない。
- 資料に答えが無いときは、そのことを伝える。

答え方の書式(必ず守る):
- 次の 2 行だけを書く。
【回答】結論を 3 文以内で書く。数字・期限・条件は資料の書き方のまま書く。
【根拠】根拠にした資料の名前と節の見出しを、資料名「節の見出し」の形で書く。
- 資料に答えが無いときは、次の 2 行だけを書く。
【回答】資料に記載がありません。
【根拠】なし

資料:
[1]
{1 位のチャンク}

(… [5] まで)

質問: {問}

採点の AI(DeepSeek V4.1 Flash)

第1回と同じ文です。答え 1 件ごとに 1 回渡しました。

あなたは採点係です。社内の資料についての「質問」への「答え」を、「正解」と比べて判定してください。

質問: {問}
正解: {正解の文}
採点の要点: {採点の要点}

答え: {答え}

判定の決まり:
- 正答: 採点の要点がすべて合っていて、要点と食い違うことを書いていない。言い回しの違いは問わない。
- 一部: 要点の一部だけ合っている。または要点は合っているが、要点と食い違う誤りが混じる。
- 誤り: 要点が合っていない。
- 記載なし: 「資料に記載が無い」という趣旨の答えで、要点を答えていない。
答えの無い質問(正解が「資料に記載が無い」)では、「資料に記載が無い」と答えていれば「記載なし」、何かを言い切っていれば「誤り」にする。

出力は次の形の JSON 1 行だけにしてください。
{"判定": "正答|一部|誤り|記載なし", "理由": "30字以内"}