性能スコアは技術を調べる入口になりますが、事業としての問いには答えきれません。MLCommonsのMLPerf公開資料を使い、システムの測定結果と投資上の解釈を区別します。EXAM自身の測定結果、保有先、提携関係を紹介するものではありません。
出典で分かること：MLPerfの測定対象
MLPerf Inference: Datacenterは、定められたベンチマークで学習済みモデルを動かすシステムの速さを測ります。MLCommonsはClosed／Open部門と、Available／Preview／RDIという利用可能性の区分を設けています。比較ではこれらの違いを先に確認します。
2026年4月1日のv6.0発表では、テキストから動画を生成するテストなどが追加・更新されました。スコアには測定版の情報も必要だと分かります。本ノートはこの発表を検討するもので、v6.0を最新版とするものではありません。
本ノートの考察：スコアだけでは決まらない3点
第一に、測定した仕事は顧客が必要とする仕事と同じでしょうか。実験の速さと、入力のばらつき、長い文脈、人による確認を含む多言語サービスの速さは異なり得ます。実際の利用場面に近いテストと、測定前に定めた合格条件を確認します。
第二に、役立つ結果1件あたりの費用はいくらでしょうか。機器の速さだけでなく、待機時間、失敗した処理、確認作業、保管、運用の費用も見ます。第三に、誰が、どの契約で、どれだけ継続して支払うのでしょうか。性能データだけで需要、利益率、法的権利、妥当な評価額は確定しません。
比較前に残す記録
出典URL、測定版、モデル、機器構成、利用シナリオ、指標、品質目標、利用可能性の区分をまとめて記録します。そのうえで、測定していないことも書き出します。測定事実と顧客・費用の仮定を分け、技術スコアが良くても未確認の事業条件は未確認のまま扱います。
参考資料
参考資料は一般的な解説です。掲載元によるEXAMの登録・認定・推奨を示しません。