LLMの日本語性能を調べると、すぐにNejumiスコアの一覧表にたどり着く。でもその数値を見て「よし、このモデルにしよう」と即決できた人は少ないはずだ。スコアが高いモデルを実際に使ってみて「なんか違う」と感じた経験があるなら、その違和感は正しい。この記事では2026年7月時点の話題のLLM日本語性能ランキングの現状を整理したうえで、Nejumiスコアが「何を測っていて、何を測っていないのか」を解説する。読後には、ランキングを参考情報として正しく活用しながら、自分の用途に合ったモデルを選べるようになるはずだ。
仕組みの全体像（図解）
flowchart TD
A[LLM開発・更新] --> B[Nejumiベンチマーク評価]
B --> C[スコア算出・公開]
C --> D[ユーザーがモデル選択]
D --> E[実務で使用]
E --> F{体感品質}
F -- 期待通り --> G[スコアが測れる能力]
F -- 違和感あり --> H[スコアが測れない能力]
G --> I[読解・翻訳・知識QA]
H --> J[敬語・文体・長文一貫性]
H --> K[用途別テストで補完が必要]
この図が示す通り、Nejumiスコアは「正解が一意に定まるタスク」の評価には機能するが、実務特有の能力との間にギャップが生じることがある。このギャップを理解したうえでランキングを読むのが、この記事の核心だ。
2026年7月現在：話題のLLM日本語ランキング概観
2026年7月時点で「日本語性能が高い」として話題に上るLLMの比較軸になっているのが、Nejumi Leaderboard 4（通称：ねじゅみリーダーボード）だ。日本語LLMのオープンな評価ベンチマークとして定着しており、複数のメディアがこのデータを参照してランキング記事を公開している。
現在検索上位に出てくる主な記事は次のとおりだ。
- 「日本語対応 LLMランキング2026 ～ベンチマーク分析レポート」blog.qualiteg.com（https://blog.qualiteg.com/llm-ranking-2026/ ）：2026年7月10日版のNejumi Leaderboard 4データをもとに総合分析。2026年7月13日公開。
- 「【2026年最新】LLM比較表・性能ランキング！LLM比較サイト一覧」since2020.jp（https://since2020.jp/media/llm-ranking/ ）：GPT・Gemini・Claude・DeepSeek・Qwenなど主要LLMの特徴と比較表を掲載。2026年5月版。
- 「【2026年5月版】日本語に強いローカルLLM徹底比較 ─ モデル選びの決定版ガイド」biton.co.jp（https://www.biton.co.jp/blog_71.html ）：ローカル実行前提でQwen3シリーズ（Alibaba）を第一推薦、Gemma 3/4（Google）を第二推薦、Llama 4 Scout（Meta）を第三推薦として整理。
- 「日本語LLMまとめ」LLM-jp（https://llm-jp.github.io/awesome-japanese-llm/ ）：国内外の日本語LLMと評価ベンチマークの包括的なリスト。
これらの記事が共通して参照しているのがNejumiのスコアだ。一方で、スコアの意味や測定範囲を解説している記事は、検索上位にほぼ見当たらない。Nejumiが何を評価しているのかを理解しないままスコアを見ても、モデル選定の判断基準にはなりにくい。
Nejumiベンチマークとは何を測るテストなのか
Nejumi Leaderboardは、日本語LLMを比較するためのオープンな評価ベンチマークだ。詳細はLLM-jpのまとめページ（https://llm-jp.github.io/awesome-japanese-llm/ ）でも確認できる。
主な評価タスクは以下のカテゴリに分かれる。
- 日本語読解・言語理解：文章を読んで質問に答える、文法・語彙の正誤判定
- 知識問答（QA）：歴史・文化・一般常識などの事実知識を問う問題
- 翻訳精度：日英・英日の翻訳の正確さ
- 数学・推論：数式や論理推論の問題（日本語表記）
- 命令追従（instruction following）：指定したフォーマット・条件通りに出力できるか
これらはいずれも客観的に採点できる形式で設計されている。正解が一意に定まる問題、もしくは評価基準が明示されたタスクが中心だ。この「採点できる」という制約が、後述するギャップの根本原因になっている。
スコアが高いのに「なんか違う」と感じる3つの理由
Nejumiスコアが高くても実務で違和感を覚える理由は、ベンチマーク設計の制約に由来する。
1. ビジネス文書の「慣習表現」はテストできない
日本のビジネス文書には「お世話になっております」「ご確認のほどよろしくお願いいたします」といった定型表現がある。これらが文脈に応じて自然に使われるかどうかは、読解・翻訳スコアには反映されない。スコアが高いモデルでも、ビジネスメールを出力させると「正確だが硬すぎる」「敬語の段階が実態と合っていない」という問題が起きることがある。
2. 長文での一貫性は1問1答形式では見えない
Nejumiのタスクは短文や1問1答が中心だ。ブログ記事の執筆補助や長い報告書の草稿作成のように「2,000字以上を書き続ける」用途では、文体のブレ、同じ表現の繰り返し、論点の迷走といった問題が出やすい。短文スコアが高いモデルでも、長文生成では別のモデルに劣ることがある。
3. 「空気を読む」文脈依存の判断はスコア化されない
「この文脈でこの表現は失礼にあたるか」「この質問の意図は何か」といった暗黙の文脈理解は、客観採点できない。日本語のコミュニケーションは文脈依存度が高いため、「正確な日本語」と「場に適した日本語」のギャップがスコアには現れない。
これら3点は、ランキング表を見るだけでは判断できない能力だ。用途によっては、スコアが3位・4位のモデルのほうが実務でフィットすることが十分ありえる。
話題のLLMごとの日本語立ち位置：スコアの外側から整理する
現在よく名前が挙がるモデルを、ベンチマーク数値の外側にある文脈から整理する。具体的なスコアは冒頭に挙げた各ランキングサイトで確認してほしい。
Claude Opus 5（Anthropic）
Ars Technicaの報道「Anthropic's Opus 5 is about token efficiency, not a capability leap」（https://arstechnica.com/ai/2026/07/anthropics-opus-5-is-about-token-efficiency-not-a-capability-leap/ ）によると、AnthropicのOpus 5は能力面での飛躍的な向上よりもトークン効率の改善が主目的と報じられている。同じ品質の出力をより少ないトークンで実現する方向の進化だとされている。APIコストを意識している個人開発者・副業者にとっては、「高性能＝高コスト」という構図が変わる可能性を示す動向だ。日本語スコアへの具体的な影響については、公式発表と最新のNejumiランキング反映後に確認することを推奨する。
Qwen3シリーズ（Alibaba）
biton.co.jpの「【2026年5月版】日本語に強いローカルLLM徹底比較」（https://www.biton.co.jp/blog_71.html ）では、ローカル実行での日本語性能でQwen3シリーズが第一推薦とされている。クラウドAPIを使わず手元のマシンで動かしたい場合の有力な選択肢として注目されている。
PLaMo 3.0 Prime（Preferred Networks）
Preferred Networks（PFN）が開発する国産LLMシリーズ。日本語に特化した事前学習データを重視して構築されていると公表されており、国産モデルとしての立ち位置を持つ。最新の評価スコアは公式ページおよび最新のNejumiランキングで確認してほしい。
GPT-4o（OpenAI）・Gemini（Google）
since2020.jpやblog.qualiteg.comのランキング記事では、クラウド型LLM比較の定番として登場する。それぞれの最新スコアは各ランキングサイトを参照されたい。
用途別の視点：どのスコア軸を重視するか
ランキングを実務に活かすには、自分の用途に対応するスコア軸だけを抽出して比較するのが現実的だ。
| 用途 | 重視するスコア軸 | スコアだけでは見えないこと |
|---|---|---|
| 要約・議事録作成 | 読解・命令追従 | 専門用語の扱い、要約粒度の自然さ |
| ビジネスメール・文書作成 | 命令追従・翻訳 | 敬語の段階、慣習表現の正確さ |
| コーディングコメント生成 | 推論・命令追従 | 日本語コメントの自然さ、技術用語の訳語選択 |
| SNS投稿・ブログ執筆 | 生成・命令追従 | 文体のキャラクター保持、長文での一貫性 |
| 調査・質問回答 | 知識QA・読解 | 最新情報の有無、ハルシネーション頻度 |
「総合1位のモデルを選ぶ」は合理的に見えるが、自分が使わないタスクのスコアが総合を押し上げていることがある。自分の用途に該当するスコア軸を横に並べて比較するほうが、判断の精度が上がる。
よくある誤解と正しい読み方
誤解1：「国産モデル ＝ 日本語が得意」は自明ではない
「日本語に特化して訓練した」モデルが必ずしもランキング上位に来るとは限らない。Nejumiランキングには海外モデルも多数登場し、国産モデルを上回るスコアを出すことがある。biton.co.jpの比較記事も「国産/外資」を問わずスコアで並べており、出身地より実際の評価値で判断する傾向がある。
誤解2：「最新リリース ＝ 高スコア」ではない
Ars Technicaの報道によると、Anthropic Opus 5はトークン効率化が主目的で、能力面での飛躍的向上ではないとされている（https://arstechnica.com/ai/2026/07/anthropics-opus-5-is-about-token-efficiency-not-a-capability-leap/ ）。リリース発表の内容だけで「最新だから高性能」と判断せず、Nejumiへの反映後のスコアで確認する習慣が重要だ。
誤解3：「スコアの高さ ＝ 自分の用途に最適」ではない
総合スコアは複数タスクスコアの集計値だ。自分が使わないタスク（例：翻訳）の高スコアが総合を押し上げていることがある。自分の用途を特定し、その用途に対応するスコア軸を確認するのが正しい順番だ。
誤解4：ベンチマークの数値は常に最新とは限らない
blog.qualiteg.comの記事は2026年7月10日版のデータを、since2020.jpは2026年5月版のデータを参照している。モデルは頻繁に更新されるため、スコアと実際の挙動が異なる場合がある。スコアを参照する際は、そのランキングが何日時点のデータに基づくかを確認してほしい。
自分で確かめる：性能差が出やすいプロンプト例
上位2〜3モデルに同じプロンプトを投げて出力を比べることで、ランキング表では見えない実務品質の差が確認できる。以下に3パターンを示す。
パターン1：ビジネスメール作成（敬語・慣習表現のテスト）
以下の内容を、社外の取引先（40代・部長クラス）に送るメールとして書いてください。
・件名：先日のミーティングのフォローアップ
・確認してほしい点：提案資料の第3章の数値が正しいか
・返答期限：今週金曜日まで
敬語レベルは「丁寧だが堅すぎない」程度でお願いします。確認ポイント：敬語の段階が自然か、定型表現の使い方が実務に合っているか、「堅すぎない」という指示が反映されているか。
パターン2：長文の文体一貫性テスト
「副業でWebライターを始める人向けの入門ガイド」として、以下の見出しで1,500字程度の記事を書いてください。
- Webライターとは何か
- 必要なスキルと準備するもの
- 最初の案件を取るための方法
文体は「です・ます調」で統一し、読者に話しかけるような温かいトーンにしてください。確認ポイント：文体が最後まで「です・ます調」で統一されているか、途中でトーンがブレていないか。
パターン3：文脈依存の意図理解テスト
会議の資料を見ていたら、上司から「これ、もうちょっと何とかならない？」と言われました。
この一言に対して、どんな確認質問をするとよいですか？3つ挙げてください。確認ポイント：「何とかならない？」の曖昧さを正確に拾い、具体的で実用的な確認質問が出てくるか。スコアが高いモデルでも「何が問題か」を深読みできない出力が返ることがある。
まとめ：ランキングを「参考」にして、何で最終判断するか
Nejumiスコアは日本語LLMの能力を客観比較できる貴重な指標だ。しかし、スコアが測れるのは「正解が一意に定まるタスク」に限られる。ビジネス文書の慣習表現、長文での文体一貫性、文脈を読んだ敬語の使い分けといった能力はスコアに反映されにくく、ここがランキング記事を何本読んでも選べない理由だ。
次の一歩として推奨するステップ：
- 自分の用途を1つ決める：「ビジネスメール作成」「議事録要約」など、最も頻繁に使うタスクを1つ絞る。
- その用途に対応するスコア軸を確認する：blog.qualiteg.com（https://blog.qualiteg.com/llm-ranking-2026/ ）やsince2020.jp（https://since2020.jp/media/llm-ranking/ ）で、用途に対応する軸のスコアを比較する。
- 上位2〜3モデルに同じプロンプトを投げる：上記の「性能差が出やすいプロンプト例」を使い、実際の出力を自分の目で比べる。
- 日常業務で1週間使い続ける：短時間テストより、継続使用の中で生じる違和感のほうが最終判断の根拠になる。
ランキング表は「比較の起点」として使い、最終的な選択は自分の用途に合わせたテストで確かめる。この順番を守れば、「スコアは高いのに使いにくい」という失敗を大幅に減らせる。