
Ollama v0.35の意思決定モデルでギャルゲーを作ってみた。NimbleとTev1を日本語で検証
Ollamaが0.35で「意思決定モデル」に対応しました。これを使ってギャルゲーを作ったので、まずは動画をどうぞ(1分17秒、音が出ます)。
ヒロインのセリフは全部、私が手で書いたものです。AIは1文字も書いていません。AIが決めているのは「どのセリフを返すか」だけです。
ふつうのLLMは文章を返します。意思決定モデルは文章を返しません。返すのは「どれを選んだか」と「その確率」です。
Ollamaのリリースノート
https://github.com/ollama/ollama/releases/tag/v0.35.0
対応しているモデルは2つ。Bespoke LabsのNimbleと、Together AIのTev1です。
日本語でどこまで使えるのか、私が調べた範囲では情報がありませんでした。なので自分で試しました。素直な分類は、日本語でもほぼ満点でした。皮肉やオタク語は、まだ読めません。
意思決定モデルとは
元ネタはTypeSafe AIの「Jev」です。2026年9月15日に発表された、文章ではなく判断だけを返すAIで、本家はクラウドのAPIとして提供されています。OllamaはこれとAPIの形をそろえて、手元のPCで動かせるようにしました。
聞き方は決まっています。「state」に判断の材料を、「questions」に聞きたいことを入れて投げます。問いの種類は3つです。
choice(選択肢から1つ選ぶ)
noul(はいか、いいえか。「はい」の確率を返す)
score(低い順に並べた段階のどこに当たるか)
実際に投げたのがこれです。問い合わせの振り分けを、1回で3つ聞いています。
curl http://localhost:11434/v1/systemone -d '{
"model": "tev1",
"state": "二重に請求されています。返金してください。今日中に対応がないとカード会社に連絡します。",
"questions": {
"is_urgent": { "type": "noul", "instructions": "急ぎの対応が必要ですか?" },
"department": { "type": "choice", "instructions": "どのチームが担当すべきですか?",
"criteria": { "billing": "支払い・請求・返金", "technical": "バグ・障害・連携", "sales": "料金プラン・新規契約" } },
"frustration": { "type": "score", "instructions": "顧客はどれくらい怒っていますか?",
"criteria": ["落ち着いている", "不満がある", "激怒している"] }
}
}'急ぎかどうかは、「はい」の確率が0.98でした。担当はbillingを確率0.98で選び、怒り度は1.87です(0が落ち着いている、2が激怒している)。
文章はひとつも返ってきません。出力は毎回4トークン前後です。そのぶん速くて、1問あたり70〜105msでした。
Ollamaのコマンド(ollama run)では判定になりません。試したら、普通のチャットとして文章が返ってきました。呼ぶときは上のようにHTTPで直接叩くか、Ollama公式のPython / JavaScriptライブラリを使います。どちらも9月29日の版(Pythonは0.6.3、JavaScriptは0.6.4)で対応しました。
検証環境は手元のPC1台です(2026年9月30日時点)。
Windows 11 Home
AMD Ryzen 7 9700X
RTX 5070 Ti(VRAM 16GB)
メモリ64GB
Ollama 0.35.0
結果を見比べるために、検証用の小さな画面も作りました(こちらは公開していません)。英語で書いた問いを日本語で読み解く枠と、返ってきた答えを確率のグラフで見せる枠があります。上と同じ問い合わせを投げると、こうなります。


日本語で使えるか
正解を決めた問題を31問用意して、3つの条件で投げました。
英語(本文も問いも英語)
本文だけ日本語(問いと選択肢は英語)
全部日本語(本文も問いも選択肢の説明も日本語)

素直な問題は、日本語でもほぼ満点です。問い合わせの振り分けやアニメのジャンル分け、ネタバレ判定など21問で、Nimbleは63回中63回、Tev1は63回中62回正解しました。
落ちたのは、人間なら迷わないけれど字面に引っ張られる問題です。日本語にすると、両モデルとも次の3つを外しました。
「作画崩壊してて逆に笑った。制作陣おつかれさまです(棒)」は皮肉なのに、褒めてもいるし、けなしてもいると判定
「尊すぎて無理…しんどい…無理…」は最大級にほめているのに、がっかり寄りと判定
「まあ、あなたにしては頑張った方じゃないですか。センスがないなりに。」は嫌味なのに、侮辱ではないと判定
「尊すぎて無理」は、2つのモデルの差がよく出ました。

Nimbleは「がっかり」に88%を置いて、確信度は0.70。自信満々で外しています。Tev1は答えが割れていて、確信度は0.03。「わからない」と言っているのに近いです。
外すにしても、自信がないと言ってくれる方が使いやすい。確信度が低いものだけ人が見る、という運用ができるからです。ただしこれは1例です。それと、Ollamaのモデルページでは、確信度は「確率がどれだけ1つに集中しているか」で、正解率ではないと説明されています。しきい値は自分のデータで決める必要があります。
意思決定モデルでギャルゲーを作る
意思決定モデルは文章を作りません。なら、セリフは人間が書いて、どれを返すかだけをAIに決めさせればいい。キャラが崩れないし、変なことも言わないはずです。
作ったのは、読書好きのヒロインと話す3話だけの試作です。最初は立ち絵も仮のものでした。

プレイヤーは自由に文章を打ちます。1回話すごとに、意思決定モデルに1回だけ聞きます。聞いているのは最大5つです。
プレイヤーは何をしようとしているか(あいさつ / 褒める / 趣味の話 / 誘う / 告白 / 失礼 など9択)
ヒロインはどれくらい嬉しいか(5段階)
その場面だけの判定(たとえば「この作家を知っているか」)
セクハラか(はい / いいえ)
前に話したことを覚えているか(はい / いいえ。彼女が自分の話をしたあとから聞く)
1回話すごとに起きることを図にすると、こうなります。

実際の画面です。モデルはTev1です。

「知ってる! 前作の『硝子の図書館』泣いたよ」と打つと、0.29秒で判定が返ります。意図は「趣味(本)の話」が98%、「この作家を知っているか」が97%で「はい」。専用のセリフが返って、好感度が10上がりました。
判定の中身は、画面の横に日本語で出るようにしました。結論が先、理由がその下、グラフは要点だけです。
自由なテキストがうてるAIのギャルゲー…🤔
ライザAIみたいなのが手元でつくれるということですね。

失礼なことを聞くと
動画でも見せた場面です。

「セクハラか」も毎回判定していて、70%を超えると怒るセリフが出て、好感度が15下がります。この回は97%でした。事前に試したときも、下着やスカートの質問は両モデルとも82〜100%でセクハラと判定しました。「今日かわいいね」は45〜52%で、怒られません。
前の話を覚えていてくれた
次の日に謝ってから、前に聞いた作家の名前を出してみます。

「前に話したことを覚えているか」が89%で「はい」。照れた顔で、機嫌を直してくれました。
自信がないときと、外したとき
意図の確信度が低いときは、ヒロインが「え、えっと……ごめん、どういう意味?」と聞き返すようにしました。Jevの「自信がなければ人に回す」を、ゲームに置き換えた形です。Nimbleで「栞さんがいるかなと思って来た」と打ったら、確信度0.29で聞き返されました。あいさつなのか、褒めているのか、決めきれなかったようです。
問いを組み合わせると、誤判定を吸収できることもわかりました。Tev1は「サイン会とか興味ない」を、「一緒にサイン会に行くと言っているか」で0.67の「はい」と判定しました。完全に外しています。ただ、同時に聞いた「嬉しさ」が0〜4のうち0.46と低かったので、喜ぶセリフは出ませんでした。1問だけで決めず、いくつか聞いて組み合わせると崩れにくいです。
弱点はセリフの数
手で書いたセリフの数が、そのまま品質の上限になります。「へえ、楽しんできてね」と言ったのに「うん、本は好き。……あなたも読むの?」と返ってくる、みたいなズレは出ます。判定は合っていても、返すセリフが足りないと会話が噛み合いません。
Pixubusで立ち絵をつけた
仮の立ち絵のままでは寂しいので、Pixubusで絵をつけました。Pixubusは私が作っている、ComfyUIで画像を作るためのツールです。9月のv3.5で「表情差分」という機能を入れました。1枚の立ち絵から、表情だけが違う画像を、同じ位置・同じポーズでまとめて作れます。

ギャルゲーの立ち絵に欲しいのは、まさにこれです。表情を切り替えるたびに体の位置がずれると、絵が跳ねて見えます。表情差分なら、顔以外はほぼ動きません。
ゲーム側は、Pixubusが書き出したファイル名をそのまま読むようにしました。「小鳥遊_ちえ_笑顔.png」なら、キャラは小鳥遊ちえ、表情は笑顔です。書き出したZIPを展開せずにフォルダへ置いても読めます。冒頭の動画のヒロインがそれです。

Pixubusの立ち絵は全身なので、ゲームでどこまで使うかを選ぶエディターも作りました。画像の上をドラッグすると、その範囲がゲームの立ち絵になります。

選んだ範囲でゲームにどう出るかは、その場で確かめられます。表情の割り当ても、Pixubusの表情名から自動で決まります。

Pixubusの表情差分生成については以下で解説しています
ほかの使い道
ギャルゲー以外だと、このあたりが向いていそうです。どれも検証画面で試しました。
問い合わせの振り分け(担当・急ぎか・怒り度を1回で)
重いLLMを呼ぶ前の交通整理(コードの質問か、計算か、雑談か)
配信やブログのコメント欄の荒らし判定
感想ポストのネタバレ判定
生成した小説のシーン分類
どれも、答えの形が決まっていて数が多いものです。
NimbleとTev1、どっちがいいか

正答率はほぼ同じでした。93回の判定で、Nimbleが83回、Tev1が82回正解です。この問題数では差があるとは言えません。
違いが出たのは、外したときの確信度です。Tev1の方が低めに出ます。上の「尊すぎて無理」と同じ傾向です。
もうひとつ、VRAM 16GBのPCなら2つとも同時に載ります。

2つを交互に呼んでも、両方載っていれば1回0.3秒台です。片方ずつロードし直すと2〜3秒かかるので、7〜9倍違います。ただし空きは0.7GBしかありません。ブラウザなどでVRAMを使うと、片方が追い出されるかもしれません。
私の結論は、手元で気軽に回すならTev1です。半分のサイズで少し速く、ロードも2秒ほどです。長い文章を渡したいときはNimble。Tev1は2,000トークンほどで頭打ちになります。
まとめ
意思決定モデルは、文章ではなく「選んだ答えと確率」を返す。1問0.1秒前後
日本語でも素直な分類はほぼ満点。皮肉・嫌味・「尊すぎて無理」のようなオタク語は読めない
セリフを人間が書いて、どれを返すかだけAIに決めさせると、キャラが崩れないギャルゲーが作れる
立ち絵はPixubusの表情差分をそのまま読み込めるようにした
NimbleとTev1の正答率はほぼ同じ。気軽に使うならTev1
メンバーシップをやっています
普段はこんな感じで、ClaudeやローカルLLMを使った開発や検証の記事を書いています。
メンバーシップでは、自作のAI創作ツール(小説を書くInkubus、画像生成用のプロンプトを作るPixubusなど)を個別に買わずに使えるほか、メンバー限定の記事も読めます。
今回の記事が良かった、面白かったという方は是非加入してみてください。