Alibaba Cloud Model Studio:画像生成モデルのファインチューニング

Wan を使用して 画像生成 を行う際、 Text-to-Video/Image-to-Video プロンプトガイド だけでは 特定のスタイル、IP キャラクター、または視覚効果 に関するカスタマイズのニーズを満たせない場合は、 モデルのファインチューニング を使用します。

適用範囲

• サポートされるリージョン：このドキュメントは、シンガポールリージョンにのみ適用されます。このリージョンの API キーを使用する必要があります。

• サポートされるファインチューニング手法：SFT-LoRA 効率的ファインチューニング。

• サポートされるモデル：

  • 画像生成 (Text-to-Image/Image-to-Image)：wan2.7-image-pro、wan2.7-image。

モデルのファインチューニング方法

Text-to-Image

ファインチューニングの目的：キャラクター LoRA モデルのトレーニング。

期待される結果：テキストプロンプトが与えられると、モデルはプロンプトで説明されたシーンに特定のキャラクターの画像を生成します。

入力プロンプト 朝のラッシュアワーの混雑した地下鉄の車両内で、手すりにつかまっている人物。背景にはぼやけた乗客、窓からはトンネルの照明が見える。普通のサラリーマンが着るような白いシャツと黒いズボンを着用し、カメラに向かって立っている。半身ショットで、リアルなスナップ写真風。

出力画像 (ファインチューニング前 - Text-to-Image) 参照画像がないと、モデルは特定のキャラクターを生成できません。

出力画像 (ファインチューニング後) ファインチューニング後、モデルはトレーニングセットの特定のキャラクターを安定して再現できます。

Image-to-Image

ファインチューニングの目的：「終末世界の赤黒メカアーマー」の LoRA モデルのトレーニング。

期待される結果：キャラクター画像が与えられると、モデルはテキストプロンプトを必要とせずに、キャラクターの「終末世界の赤黒メカアーマー」風のバージョンを生成します。

入力画像

出力画像 (ファインチューニング前) テキストプロンプトだけでは、特定の「終末世界の赤黒メカアーマー」効果を毎回安定して生成することはできません。

出力画像 (ファインチューニング後) ファインチューニング後、モデルはテキストプロンプトを必要とせずに、トレーニングセットの「終末世界の赤黒メカアーマー」効果を再現できます。

以下のコードを実行する前に、API キーの取得とAPI キーを環境変数として設定を行ってください。

ステップ 1：データセットのアップロード

ローカルのデータセット (.zip 形式) を Alibaba Cloud Model Studio プラットフォームにアップロードし、ファイル ID (id) を取得します。

サンプル トレーニングデータ：フォーマットについては、「トレーニングセット」をご参照ください。

• 画像生成 - Text-to-Image：wan-image-t2i-training-dataset.zip
• 画像生成 - Image-to-Image：wan-image-i2i-training-dataset.zip

この例では Text-to-Image を使用し、トレーニングセットのみをアップロードします。システムはトレーニングセットの一部を自動的に分割し、検証セットとして使用します。

curl --location --request POST 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/files' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'file=@"./wan-image-t2i-training-dataset.zip"' \
--form 'purpose="fine-tune"'

id を保存します。これはアップロードされたデータセットの一意の識別子です。

{
    "id": "file-ft-3c67043a747c-xxxxxx",
    "object": "file",
    "bytes": 73310369,
    "filename": "wan-image-t2i-training-dataset.zip",
    "purpose": "fine-tune",
    "status": "processed",
    "created_at": 1782271893
}

ステップ 2：モデルのファインチューニング

ステップ 2.1：ファインチューニングジョブの作成

ステップ 1 で取得したファイル ID を使用して、トレーニングジョブを開始します。

<replace_with_training_dataset_file_id> を、前のステップで取得した id に置き換えます。完全なパラメーターリファレンスとフォーマット制約については、「ハイパーパラメーター」をご参照ください。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "wan2.7-image-pro",
    "training_datasets": [
        {
            "data_source_type": "file_id",
            "file_id": "<replace_with_training_dataset_file_id>"
        }
    ],
    "training_type": "efficient_sft",
    "hyper_parameters": {
        "learning_rate": 3e-5,
        "max_steps": 800,
        "eval_steps": 200,
        "max_token_length": "1k",
        "gradient_clip": 0.5,
        "weight_decay": 0.02,
        "max_pixels": "1k",
        "val_img_size": "1k",
        "generation_type": "t2i",
        "lora_rank": 32,
        "save_total_limit": 10
    }
}'

output フィールドの 3 つの主要なパラメーターに注意してください：

• job_id：ジョブ ID。進捗状況のクエリに使用されます。
• finetuned_output：ファインチューニング済みモデルの名前。後続のデプロイと呼び出しにはこの名前を使用する必要があります。
• status：トレーニングステータス。ファインチューニングジョブを作成した後、初期ステータスは PENDING であり、トレーニングがまだ開始されていないことを示します。

{
    ...
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "status": "PENDING",
        "finetuned_output": "xxxx-ft-202511111122-xxxx",
        ...
    }
}

ステップ 2.2：ファインチューニングジョブのステータスをクエリ

ステップ 2.1 で取得した job_id を使用して、ジョブの進捗状況をクエリします。status が SUCCEEDED に変わるまで、以下の API をポーリングします。

URL の <replace_with_fine_tuning_job_id> を job_id の値に置き換えます。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

output フィールドの 2 つのパラメーターに注意してください：

• status：値が SUCCEEDED に変わると、モデルのトレーニングは完了し、モデルのデプロイに進むことができます。
• usage：モデルのトレーニング中に消費されたトークンの総数で、課金に使用されます。

{
    ...
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "status": "SUCCEEDED",
        "usage": 432000,
        ...
    }
}

ステップ 3：ファインチューニング済みモデルのデプロイ

ステップ 3.1：モデルをオンラインサービスとしてデプロイ

ファインチューニングジョブのステータスが SUCCEEDED に変わったら、モデルをオンラインサービスとしてデプロイします。

<replace_with_model_name> を、ファインチューニングジョブの作成の出力にある finetuned_output の値に置き換えます。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace_with_model_name>",
    "capacity": 1,
    "plan": "lora"
}'

output フィールドの 2 つのパラメーターに注意してください：

• deployed_model：デプロイ済みモデルの名前。デプロイステータスのクエリとモデルの呼び出しに使用されます。
• status：モデルのデプロイステータス。ファインチューニング済みモデルをデプロイした後、初期ステータスは PENDING であり、デプロイがまだ開始されていないことを示します。

{
    ...
    "output": {
        "deployed_model": "wan2.7-image-pro-xxxxxxxxxxxx",
        "status": "PENDING",
        ...
    }
}

ステップ 3.2：デプロイステータスのクエリ

デプロイステータスをクエリします。status が RUNNING に変わるまで、以下の API をポーリングします。

<replace_with_deployed_model> を、ステップ 3.1 の出力にある deployed_model の値に置き換えます。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments/<replace_with_deployed_model>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

output フィールドの 2 つのパラメーターに注意してください：

• status：ステータスが RUNNING に変わると、モデルは正常にデプロイされ、呼び出しを開始できます。
• deployed_model：デプロイ済みモデルの名前。

{
    ...
    "output": {
        "status": "RUNNING",
        "deployed_model": "wan2.7-image-pro-xxxxxxxxxxxx",
        ...
    }
}

ステップ 4：モデルを呼び出して画像を生成

モデルが正常にデプロイされた後 (デプロイの status が RUNNING)、呼び出しを開始できます。

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/image-generation/generation' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "X-DashScope-Async: enable" \
--data '{
    "model": "<replace_with_deployed_model>",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {"text": "s86b5p, A person in a crowded morning rush hour subway car, holding onto the handrail, with blurred passengers in the background and tunnel lights visible through the windows, wearing an ordinary office worker white shirt and black trousers, standing facing the camera, half-body shot, realistic candid feel."}
                ]
            }
        ]
    },
    "parameters": {
        "size": "2K",
        "n": 1
    }
}'

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/image-generation/generation' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "X-DashScope-Async: enable" \
--data '{
    "model": "<replace_with_deployed_model>",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {"image": "<replace_with_reference_image_URL>"},
                    {"text": "s86b5p, Change the background to an elevator with red lighting. Change the character clothing to red tight-fitting mech armor with black stripe decorations."}
                ]
            }
        ]
    },
    "parameters": {
        "size": "2K",
        "n": 1
    }
}'

{
    "request_id": "4909100c-7b5a-9f92-bfe5-xxxxxx",
    "output": {
        "task_id": "0385dc79-5ff8-4d82-bcb6-xxxxxx",
        "task_status": "PENDING"
    }
}

curl -X GET https://dashscope-intl.aliyuncs.com/api/v1/tasks/86ecf553-d340-4e21-xxxxxxxxx \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "3f2ebb4e-3d47-97b5-xxxx-xxxxxx",
    "output": {
        "task_id": "aeea547c-e24e-4acb-xxxx-xxxxxx",
        "task_status": "SUCCEEDED",
        "submit_time": "2026-05-29 17:35:23.826",
        "scheduled_time": "2026-05-29 17:35:23.865",
        "end_time": "2026-05-29 17:36:32.498",
        "finished": true,
        "choices": [
            {
                "finish_reason": "stop",
                "message": {
                    "role": "assistant",
                    "content": [
                        {
                            "image": "https://dashscope-7c2c.oss-accelerate.aliyuncs.com/xxx.png?Expires=xxxxxx"
                        }
                    ]
                }
            }
        ]
    },
    "usage": {
        "size": "2048*2048",
        "total_tokens": 770,
        "image_count": 1,
        "output_tokens": 691,
        "input_tokens": 79
    }
}

カスタムデータセットの構築

このドキュメントのサンプルデータを使用してファインチューニングのワークフローを体験するだけでなく、独自のデータセットを構築してファインチューニングすることもできます。

データセットには、トレーニングセット (必須) と検証セット (オプション、トレーニングセットからの自動分割をサポート) を含める必要があります。すべてのファイルを .zip 形式でパッケージ化します。ファイル名には英数字、アンダースコア、ハイフンのみを使用してください。

データセットのフォーマット

トレーニングセット：必須

wan-image-t2i-training-dataset.zip
├── data.jsonl      # data.jsonl という名前にする必要があり、最大 20MB
├── 1_0.png         # トレーニング対象画像、最大解像度 4096*4096、画像あたり最大 20MB、PNG/JPG/JPEG/WEBP/BMP をサポート
├── 1_1.png         # ファイル名は英数字のみをサポート、フラットな構造 (サブディレクトリなし)
└── 1_2.png

{
  "prompt": "s86b5p, A person in a quiet private library on a peaceful afternoon, with tall dark walnut bookshelves behind them, sunlight streaming through venetian blinds casting striped shadows, wearing a soft beige cable-knit sweater, standing facing the camera, half-body shot, the image has a delicate film grain texture.",
  "img_path": "./1_0.png"
}

wan-image-i2i-training-dataset.zip
├── data.jsonl      # data.jsonl という名前にする必要があり、最大 20MB
├── 1_0.jpg         # トレーニング対象画像 (出力)
├── 1_1.jpg         # 参照画像 (入力)
├── 6_0.jpg         # トレーニング対象画像 (出力)
└── 6_1.jpg         # 参照画像 (入力)

{
  "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
  "input_img": "./1_1.jpg",
  "img_path": "./1_0.jpg"
}

wan-image-multi-i2i-training-dataset.zip
├── data.jsonl      # data.jsonl という名前にする必要があり、最大 20MB
├── 1_0.jpg         # トレーニング対象画像 (出力)
├── 1_ref.jpg       # 参照画像 1 (例：キャラクター写真)
├── 1_pose.jpg      # 参照画像 2 (例：ポーズ画像)
├── 6_0.jpg         # トレーニング対象画像 (出力)
├── 6_ref.jpg       # 参照画像 1
└── 6_pose.jpg      # 参照画像 2

{
  "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Outside the windows, there is a post-apocalyptic scene with red mist. Change the character's clothing to red tight-fitting mech armor with black stripe decorations. Standing with both arms stretched horizontally to form a T-shape.",
  "input_imgs": ["./1_ref.jpg", "./1_pose.jpg"],
  "img_path": "./1_0.jpg"
}

検証セット：オプション

検証セットには、アノテーションファイル (data.jsonl) とオプションの参照画像 (Image-to-Image モードで必須) が含まれます。対象画像は不要です。各評価チェックポイントで、トレーニングジョブは自動的にモデルサービスを呼び出し、検証セットのプロンプト (および参照画像) を使用してプレビュー画像を生成します。

• 検証セット：

  • Text-to-Image： wan-image-t2i-valid-dataset.zip
  • Image-to-Image： wan-image-i2i-valid-dataset.zip

• Zip パッケージのディレクトリ構造：

wan-image-i2i-valid-dataset.zip
├── data.jsonl       # data.jsonl という名前にする必要があり、最大 20MB
├── input_001.png    # オプション、Image-to-Image モード用の参照画像
└── input_002.png

• アノテーションファイル (data.jsonl)：各行は 1 つの検証サンプルを表し、JSON オブジェクトである必要があります。

  Text-to-Image

  {
      "prompt": "s86b5p, A person in a crowded morning rush hour subway car, holding onto the handrail, with blurred passengers in the background and tunnel lights visible through the windows, wearing an ordinary office worker white shirt and black trousers, standing facing the camera, half-body shot, realistic candid feel."
  }
  

  Image-to-Image

  {
      "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
      "input_img": "./input_001.png"
  }
  

  Multi-Image-to-Image

  Multi-Image-to-Image の検証セットは input_imgs (配列) を使用して複数の参照画像のパスを渡し、最大 9 枚の画像をサポートします。

  {
      "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Outside the windows, there is a post-apocalyptic scene with red mist. Change the character's clothing to red tight-fitting mech armor with black stripe decorations. Standing with both arms stretched horizontally to form a T-shape.",
      "input_imgs": ["./input_001.png", "./input_002.png"]
  }
  

データ規模と制限

• データ量：少なくとも 25 枚の画像を提供することを推奨します (より良い結果を得るためには 50 枚以上を推奨)。複数のシーンや角度で同じキャラクターやスタイルを使用し、一貫したコンテンツ記述を行います。

• Zip パッケージ：API 経由でアップロードする場合、総パッケージサイズは 1 GB 以下である必要があります。

• トレーニング画像の要件：

  • サポートされる画像フォーマット：BMP、JPEG、PNG、WEBP。
  • 画像の解像度は 4096×4096 以下である必要があります。
  • 個々の画像ファイルサイズは 20 MB 以下である必要があります。

データ収集とクリーニング

1. ファインチューニングシナリオの決定

Wan は、画像生成に関する以下のファインチューニングシナリオをサポートしています：

• IP キャラクタースタイル化：アニメキャラクターやマスコット画像など、特定の IP キャラクターの描画スタイルをモデルに学習させます。
• 固定ビジュアルスタイル：フラットイラスト、水墨画、ピクセルアートなど、特定の画風を再現するモデルの能力を向上させます。
• 特定シーン生成：商品展示画像やポスターレイアウトなど、特定の構図パターンやシーンテンプレートを再現します。

2. 元データの取得

• AI 生成と選択：Wan ベースモデルを使用して画像を大量に生成し、ターゲット効果に最も一致する高品質なサンプルを手動で選択します。これは最も一般的に使用される方法です。
• 実写撮影：リアルなシーン (実際の商品写真やポートレート写真など) を目指す場合、実写映像を使用するのが最良の選択です。
• 3D ソフトウェアレンダリング：細かいディテール制御や 3D レンダリングスタイルが必要なシーンでは、3D ソフトウェア (Blender や C4D など) を使用してソースマテリアルを作成することを推奨します。

3. データのクリーニング

画像アノテーション：画像用のプロンプト作成

データセットのアノテーションファイル (data.jsonl) では、各画像に対応するプロンプトがあります。プロンプトは対象画像の内容を記述します。プロンプトの品質は、モデルが何を学習するかを直接決定します。

プロンプト作成の公式

検証セットによるモデル評価

検証セットの指定

ファインチューニングジョブにはトレーニングセットを含める必要がありますが、検証セットはオプションです。システムによる自動分割または手動アップロードのいずれかを選択できます。具体的な方法は以下の通りです：

方法 1：検証セットをアップロードしない (システムによる自動分割)

ビデオおよび画像生成モデルのファインチューニング API を呼び出す際、検証セットを別途アップロードしない場合 (つまり、validation_file_ids パラメーターが提供されない場合)、システムは split に基づいてトレーニングセットから検証セットを分割します。デフォルトは 0.9 で、これは 90% がトレーニングに、10% が検証に使用されることを意味します。

方法 2：検証セットを手動でアップロード (validation_file_ids で指定)

システムのランダム分割に頼らず、独自に準備したデータでチェックポイントを評価したい場合は、カスタム検証セットをアップロードできます。

注意：手動でアップロードを選択すると、システムは上記の自動分割ルールを完全に無視し、アップロードしたデータのみを検証に使用します。

{
    "model":"wan2.7-image-pro",
    "training_file_ids":[ "<training_set_file_id>" ],
    "validation_file_ids": [ "<custom_validation_set_file_id>" ],
    ...
}

デプロイに最適なチェックポイントの選択

トレーニング中、システムは定期的にモデルの「スナップショット」(つまりチェックポイント) を保存します。デフォルトでは、システムは最後のチェックポイントを最終的なファインチューニング済みモデルとして出力します。しかし、中間段階で生成されたチェックポイントが最終バージョンよりも優れた性能を示すことがあります。最も満足のいくものを選択してデプロイできます。

システムは、ハイパーパラメーター (hyper_parameters) の eval_steps で設定された間隔で、検証セット上でチェックポイントを実行し、プレビュー画像を生成します。

• 評価方法：生成されたプレビュー画像を直接観察して結果を判断します。
• 選択基準：最も良い結果で、スタイルが最も一致するチェックポイントを見つけます。

手順

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-results' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

{
    "request_id": "da1310f5-5a21-4e29-99d4-xxxxxx",
    "output": [
        {
            "checkpoint": "checkpoint-160"
        },
        ...
    ]
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-details/<replace_with_checkpoint_to_export>?page_no=1&page_size=10' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "375b3ad0-d3fa-451f-b629-xxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 5,
        "list": [
            {
                "img_path": "https://finetune-result.oss-cn-wulanchabu.aliyuncs.com/xxx.png?Expires=xxxxxx",
                "prompt": "s86b5p, Change the background to an elevator equipped with a white ceiling lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
                "input_img": "https://finetune-result.oss-cn-wulanchabu.aliyuncs.com/val_dataset/input_001.png?Expires=xxxxxx"
            },
            ...
        ]
    }
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/export/<replace_with_checkpoint_to_export>?model_name=<replace_with_exported_model_display_name>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "0817d1ed-b6b6-4383-9650-xxxxx",
    "output": true
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/checkpoints' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "b0e33c6e-404b-4524-87ac-xxxxxx",
    "output": [
         ...,
        {
            "create_time": "2025-11-11T13:27:29",
            "full_name": "ft-202511111122-496e:checkpoint-160",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-160",
            "model_name": "xxxx-ft-202511111122-xxxx-c160", // 重要フィールド、モデルのデプロイと呼び出しに使用
            "model_display_name": "xxxx-ft-202511111122-xxxx",
            "status": "SUCCEEDED" // 正常にエクスポートされたチェックポイント
        },
        ...

    ]
}

課金

• モデルトレーニング：有料。
  • コスト = 総トレーニングトークン数 × 単価。「トレーニングとデプロイの価格」をご参照ください。
  • トレーニング完了後、ファインチューニングジョブの取得 API の usage フィールドで、トレーニング中に消費されたトークンの総数を確認できます。

  以下の表は、wan2.7-image、wan2.7-image-pro のトレーニングステップ数と推定コストを示しています。このデータは参考用です。実際のトレーニング結果は最終的な納品物に準じ、コストは公式の請求書に準じます。詳細な課金計算式については、「トレーニングとデプロイの価格」をご参照ください。

  generation_type	画像解像度	一般的なステップ数	推定トークン消費量	推定コスト
  t2i (Text-to-Image)	1K	500	6,400,000	$96
  		1,000	12,800,000	$192
  		2,000	25,600,000	$384
  	2K	500	11,610,000	$174.15
  		1,000	23,220,000	$348.3
  		2,000	46,440,000	$696.6
  i2i (Image-to-Image)	1K	500	11,610,000	$174.15
  		1,000	23,220,000	$348.3
  		2,000	46,440,000	$696.6
  	2K	500	16,000,000	$240
  		1,000	32,000,000	$480
  		2,000	64,000,000	$960

• モデルのデプロイと呼び出し：デプロイは無料です。呼び出しは、ファインチューニングされたベースモデルの標準レートで課金されます。

  モデル ID	LoRA デプロイ & 呼び出し価格
  wan2.7-image-pro	$0.075/画像
  wan2.7-image	$0.03/画像

API リファレンス

ビデオおよび画像生成モデルのファインチューニング API

よくある質問

Q：良いトリガーワードを設計するにはどうすればよいですか？

A：ルールは以下の通りです：

• s86b5p、m01aa、EVEAven638123 のように、実際の意味を持たない珍しい文字の組み合わせを使用することを推奨します。ベースモデルの語彙に意味がないことを確認してください。
• 一般的な英単語 (beautiful、fire、dance など) の使用は避けてください。これは、モデルがこれらの単語に対して元々持っている理解を汚染する可能性があります。