はじめに

本レポートは、Nejumi Leaderboard 4のベンチマークデータ（2025/12/18版）に基づいて、日本語対応LLMの性能を総合的に分析したものです。

前回は 2025/10/12 版の分析レポートを公開しましたが、たった2か月で劇的な変化がありました！

（定期的に最新LLMランキングを更新してまいります。当社のX(旧Twitter)をフォローいただくことで更新情報を受け取り可能です）

Nejumi Leaderboard 4は、日本語タスクにおけるLLMの性能を多角的に評価する信頼性の高いベンチマークとして知られています。

本分析では、商用APIモデルとオープンモデルの両方を対象に、それぞれの特徴や傾向を詳しく見ていきます。

オープンソースモデルについて

Weightがオープンなモデルは場合によっては「オープンソースモデル」、「OSSモデル」と呼ばれますが、モデルによっては「オープンソース」と呼ぶには不十分な場合があるため本稿では、「オープンソースモデル」ではなく「オープンモデル」と表現しています。

ベンチマーク分析について

本レポートは、LLM選択の参考情報として、ベンチマークデータから読み取れる傾向や特徴を提示するものです。最終的なモデル選択においては、これらの情報を踏まえつつ、実際の使用環境での検証を行うことをおすすめいたします。

まず 2025/12/18 現在の日本語対応LLMの総合ランキングをみてみましょう。

総合スコアランキング TOP50

総合スコアの傾向と考察

今回は、2025年12月の日本語対応LLMベンチマークにおいて、

史上初めて総合スコア0.80の壁を突破するモデルが複数登場！

しました。

これは前回（10月のLLMランキング）からわずか2ヶ月での大きな進歩であり、LLM技術の急速な発展を示しています。
Anthropic、OpenAI、Googleの3強はもちろん、今回はDeepSeekがxAIのGrokを抜いて9位に浮上しました。わずか2ヶ月で順位が入れ替わるほど、競争は激しさを増しています。

トップ層の特徴

OpenAI GPTシリーズの意地

首位のGPT-5.2（xhigh-effort）は0.8285という驚異的なスコアを記録し、初めて0.82を超えました。なお、3位にランクした１つまえのGPT-5.1 も0.80を超えています。

さて、GPT-5.2には少々ドラマがありますので少し経緯をご紹介いたします。

ご存じの方もいらっしゃるかとおもいますが、2025年12月初旬にGoogleがGemini 3 Proを発表し、LMArenaのリーダーボードで首位を獲得しました。

当時GPT-5.1は6位に甘んじており、OpenAIのCEO Sam Altman氏は社内で「Code Red（緊急事態）」を宣言しました。

これを受けてOpenAIは開発を加速させ、当初の予定より前倒しでGPT-5.2をリリースする形となりました。そして、本ベンチマークでもしっかり１位を奪還していますね。

ちなみに、GPT-5.2（xhigh-effort）の high-effort というのは GPT-5.2の「xhigh」モードのことで、一言でいうと「これまで以上にLLMにじっくり考えさせるモード」 です。

このモードは複雑な分析や推論が得意ですが、めちゃくちゃ考える（内部では何度もぐるぐるとLLMの推論実行をしているような感じです）ので遅くなったり、API利用時は費用が増えるっていうトレードオフも覚えておきたいところです。

覇王色を纏(まと)いつつあるGoogle Gemini

続く2位のGemini 3 Pro Preview（0.8134）も0.81台という高水準です。圧倒的な高性能で業界、メディア、SNSをさわがせています。
Gemini 3 Proは2025年11月19日にGoogleが発表した最新モデルで、「複雑な推論」と「自律的なエージェント能力」において次元の違う性能を持つと評されています。特に注目すべきなのは「Deep Think」モード（じっくり考えさせるモード）の搭載で、数学・論理・科学分野の高度な推論タスクに強みを発揮します。また、100万トークンのコンテキストウィンドウでテキスト・画像・動画・音声・コードをシームレスに統合処理できるマルチモーダル性能も大きな特徴です。

玄人好みの静かなる実力者 Anthropic Claude

4位にランクしたClaude Opus 4.5は2025年11月25日にAnthropicがリリースした最上位フラッグシップモデルで、特にコーディング性能では業界トップクラスを誇ります。SWE-bench Verified（実世界のソフトウェアエンジニアリング能力を測るベンチマーク）では80.9%を記録し、Gemini 3 Pro（76.2%）やGPT-5.1（76.3%）を上回る結果を出しています。
LMArenaのWebDev（Web開発）リーダーボードでも1位を獲得するなど、「開発者のための最強モデル」としての地位を確立しています。
なお、API価格が従来の約1/3に引き下げられたことで、日常的な業務利用も現実的になりました。

さて、今回の上位陣は驚くべきことに、TOP4がすべて0.80以上という未曾有の高水準であることです。

前回首位だったClaude Opus 4.1（0.7992）は今回5位となりましたが、これはスコアが下がったのではなく、競合モデルの性能向上が著しかったためです。

最近は、メディア・SNSでは「もうGoogle Gemini が独り勝ちになるのでは？」のような話を耳にしますが、まだまだトップ層のハイレベルな競争は当面続いていくとおもいます。

強力な新顔たち

さて、今回のランキングで登場した注目すべき新顔をいくつか紹介いたします

• DeepSeek V3.2（Thinking Mode）: 9位（0.7905）にランクイン。数学オリンピックでゴールドメダル級の成績を叩き出しながら、API利用料金はGPT-5.1の約7分の1。高性能と低コストを両立した中国発モデルとして、業界に衝撃をあたえています。また、オープンモデルとしても利用できるためLLM研究者、LLMエンジニア界隈でも熱狂を呼んでいます
  
• Claude Haiku 4.5: こちらは10位（0.7879）という驚きの成績でした。何が驚きかっていいますと「Haiku」という軽量モデルの名称ながら、前回のトップモデルに匹敵する性能を実現してる点です。
  
• GLM-4.6-FP8: 26位（0.7337）で中国のZhipu AI（智譜AI）が開発したオープンモデルでコーディング性能が高く、Claude Code、Cline、Roo Code※などのAIコーディングツールでの実用性能が向上、推論能力も強化されているようです。
  ※AIコーディングツールの種類や特徴についてはこちらのブログで詳しく解説しています。
  
• MiniMax-M2: 40位（0.7126）で新規参入ながら健闘しています。このモデルは、中国のMiniMaxが開発した「エージェントとコーディングのために生まれた」オープンソースモデルでClaude Sonnetの8%の価格で2倍速いのが売りのようです

このように今回登場した注目すべき新顔モデルは Claude をのぞき中国発のオープンモデルで、有料モデル（ClaudeやGPT）に迫る性能を無料（または低コスト）で提供しているモデルも多いのが注目点です。

モデルサイズと性能の関係

また、今回、興味深いのは、軽量モデルの性能向上ではないでしょうか。前述しましたが、Claude Haiku 4.5が10位にランクインしたことは、最先端の商用モデルも効率性と性能の両立が進んでいることを示しているのではないでしょうか。
また、前回も上位だった33位のQwen3-14B（Medium）も0.7233という高性能を記録しているとおり、小中規模モデルでも高い性能を実現できることが示されています。

ベンチマーク結果の解釈について

本レポートで紹介するスコアは、あくまでもベンチマークテストにおける評価結果です。ベンチマークは、LLMの性能を客観的に比較する有用なツールですが、以下の点にご注意ください。

ベンチマークの特性

• ベンチマークは特定のタスクセットに基づいて評価されるため、そのタスク構成に適したモデルほど高いスコアを獲得する傾向があります
• 実際の業務での使用感や、特定の用途における有用性は、ベンチマークスコアだけでは完全には測れません
• モデルによっては、ベンチマークで測定されていない独自の強みや特徴を持っている場合があります

次は、オープンモデルに限定して実力をみていきましょう。

オープンモデル 総合スコアランキング TOP20

オープンモデル総合スコアの傾向と考察

オープンモデルに限定したランキングを見ると、Qwenシリーズの圧倒的な存在感と新興勢力の台頭が特徴的です。

トップ層の分析

DeepSeek V3.2の衝撃

今回特筆すべきはDeepSeek V3.2（Thinking Mode） の登場です。総合スコア0.7905は、オープンモデルとして見るとダントツの首位となる驚異的な数値です。APIとしても提供されていますが、モデルの重みが公開されているオープンモデルでもあるため、オンプレミス環境での利用も可能です。

この0.79というスコアは、商用APIモデルの多くを上回る水準であり、オープンモデルが商用モデルに匹敵どころか凌駕し始めていることを示す象徴的な結果といえます。

２位のQwen3-235B-A22B-Thinking-2507（0.7638） は、前回首位だったDeepSeek-R1-0528を抜いており、中国発モデル間の競争でもDeepSeekだけが最強というわけではありません。また、本モデルは「Thinking」バージョンの追加により、推論能力が大幅に強化されています。

全体ランキングで、すでにご紹介しましたが、注目すべき新顔として、Zhipu AI（智譜AI）のGLM-4.6-FP8（5位、0.7337） とGLM-4.5-Air（13位、0.7045） が登場しています。
Zhipu AI（智譜AI）は中国・清華大学の知識工学研究室（KEG）から誕生した会社で、現在は中国の「AIタイガー」企業の1つとして認識されています。このGLMシリーズが日本語タスクでも高い性能を発揮しています。

また、MiniMax-M2（10位、0.7126） も新規参入ながら健闘しており、オープンモデル市場の多様化が進んでいます。さて、MiniMax社ですが、こちらは「大学発」ではなく、中国最大級のAI企業SenseTime社のエキスパートたちが独立して作った「企業発」のスタートアップです。こちらも、「AIタイガー」企業の企業の１つとして認識されています。

このように中国発AI企業の層の厚さは本当に驚かされます。

ビジョンモデルの台頭

ほかにも、今回のランキングで目立つのは、ビジョン対応モデル（VL系）の好成績ではないでしょうか。

• Qwen3-VL-32B-Thinking: 6位（0.7287）
• Qwen3-VL-8B-Thinking: 20位（0.6853）

マルチモーダル対応でありながら、テキストタスクでも高い性能を維持している点は注目に値します。

日本製オープンモデル

ひきつづき、17位のrinna qwq-bakeneko-32b（0.6910） は、日本発オープンモデルとして最高位を維持。19位のabeja/ABEJA-Qwen2.5-32b-Japanese-v1.0（0.6866） と上位をキープしつつ是前回からランクダウンをしております。

というのも、中国発AI企業が次々と高性能な新顔モデルを投入しているという現実が垣間見えます。

推論機能の重要性

上位20モデルのうち、16モデルが推論機能（reasoning-enabled/Thinking）を備えている点は前回と同様の傾向です。複雑な推論能力がモデル性能に大きく寄与していることが改めて確認されました。

さて、次は中規模10B～30B程度のモデルをみてみましょう。

中規模モデルのうれしいところは、個人レベルでも比較的入手しやすいGPUでも実行できるところではないでしょうか。16bitモードや量子化版のモデルをつかえば、16GByte～48GB程度のGPUでも推論を動作させることができ、1台のPCに1台のGPUという構成でも利用しやすい点、とっつきやすいモデルといえます。

中規模モデル（10B-30B）総合スコアランキング

中規模モデル総合スコアの傾向と考察

中規模モデル（10B-30Bパラメータ）のカテゴリでは、Qwen3-14Bの圧倒的な強さが際立っています。

Qwen3-14Bの独走

前回に引き続き、首位のQwen3-14B（0.7233）は、全体ランキングでも33位に位置する優れたモデルです。2位のgemma-3-27b（0.6285）との差は約0.10ポイントと大きく、中規模モデルとしては異次元の性能を発揮しています。

新顔：Ministral-3-14B

6位にMinistral-3-14B-Reasoning-2512（0.5608） が新たにランクインしました。Mistral AIによる中規模推論モデルとして、日本語タスクでも一定の性能を示しています。

さて、最後に小規模モデルもみてみましょう。こうした小型モデルは比較的安価なコンシューマ向けGPUでも動作する点が魅力です。

小規模モデル（10B以下）総合スコアランキング

小規模モデル総合スコアの傾向と考察

小規模モデル（10B以下のパラメータ）は、エッジデバイスやリソース制約のある環境での利用に適しており、驚くほど高い性能を実現しているモデルも存在します。

Qwenシリーズの卓越性

なんと上位5モデルをすべてQwenシリーズが占めています。特に注目すべきは

• Qwen3-VL-8B-Thinking（2位、0.6853）: ビジョン対応でありながら高い総合性能
• Qwen3-4B-Thinking-2507（3位、0.6718）: わずか4Bで0.67超え

新顔：Ministral-3シリーズ

Ministral-3-8B-Reasoning-2512（9位、0.5443） とMinistral-3-3B-Reasoning-2512（11位、0.4571） が新たにランクインしました。Mistral AIによる小規模推論モデルとして、日本語タスクでの可能性を示しています。

まとめ、本格導入に向けての道しるべ

前回に引き続き今回も、Nejumi Leaderboard 4のベンチマークデータを分析いたしました。本日（2025年12月18日時点）は、前回の分析から約２か月経っておりますが、たった２か月の間でも、日本語対応LLMの劇的な進化を感じていただけたのではないでしょうか。

史上初の0.80超え時代到来

今回の重要なポイントは、4モデルが総合スコア0.80を突破したことです。
GPT-5.2（0.8285）、Gemini 3 Pro Preview（0.8134）、Claude Opus 4.5（0.8064）という3強体制があらためて確認されました。

わずか２か月前には0.80超えのモデルは存在しなかったことを考えると、技術進歩のスピードは驚異的です。

軽量モデルの革命

Claude Haiku 4.5が総合10位（0.7879）、コーディング10位（0.6130） という結果は、軽量モデルの概念を覆すものです。「軽量」と「高性能」の両立が現実のものとなっています。シレっとランクインしましたが、これはAnthropic社の相当な戦略的リソース投下による技術革新があるとおもわれます。

オープンモデルの新時代と中国発LLMの存在感

オープンモデルの躍進も見逃せません。今回、DeepSeek V3.2（Thinking Mode） が総合0.7905でオープンモデルの総合首位を獲得し、Qwen3-235B-A22B-Thinking-2507が2位。MiniMax-M2やGLM-4.6といった新興勢力も上位に食い込んできました。

興味深いのは、これらの多くが中国発のモデルだという点です。
本レポートは日本語対応LLMの性能を測るベンチマークの分析ですが、中国語と日本語は漢字を共有しているため、中国製モデルには構造的なアドバンテージがある面もあります。とはいえ、それを差し引いても、無料で使えるオープンモデルが有料の商用APIに迫る性能を叩き出しているのは驚きです。

• DeepSeek V3.2（Thinking Mode） が総合0.7905、コーディング0.6187でオープンモデル最強
• Qwen3-235B-A22B-Thinking-2507がDeepSeek R1超えでオープンモデル総合2位
• MiniMax-M2など新興勢力の台頭

モデルサイズ別の特徴

モデルサイズの観点でも、モデルサイズは小さくなりつつも、性能はあがっているという技術進歩が確認されました

LLMの本格導入にむけて：用途別の最適なモデル選択

今回もわかりやすく総合スコアでのランキングをもとに解説を進めてまいりましたが、もちろんベンチマークのスコアがすべてではありません。
ビジネス、業務で活用する際に、数値には表れない使い勝手の良さや、特定の業務に特化した強みを持つモデルも存在します。だからこそ、用途に応じた適切なモデル選択が重要になってきます。

しかし、こんな課題はありませんか？

• 「どのモデルが自社の用途に最適か分からない」
• 「複数のLLMを契約するのは管理が大変」
• 「オープンモデルを使いたいが、推論サーバーの構築やメンテが難しい」
• 「機密情報が外部に漏れないか心配」

そんな課題を解決するのが、Bestllam（ベストラム）です。

Bestllamの3つの強み

①複数LLMを一つのプラットフォームで

GPT-5.2、Claude 4.5 Opus、Gemini 3 Proなどの最新・最高性能の商用モデルに加え、本レポートで紹介したDeepSeek、Qwen、GLMやLlamaなどの高性能オープンモデルまで、20種類以上のLLMを自由に選択可能。複数のLLMに同時に問い合わせて、最適な回答を選ぶこともできます。

また、契約も一本化されるため、個別に複数のサービスと契約する煩雑さから解放されます。

②🔒データを守る、安心のセキュリティ

オープンモデルを活用することで、データを一切海外サーバーに送信しない「越境プロテクションプラン」も選択可能。公共機関や自治体など、高度な情報管理が求められる環境でも安心してご利用いただけます。
また最高性能の商用LLMを選択した場合も、入出力監査機能により情報漏洩を防止することが可能です。

• 日本国内のデータセンターまたはオンプレミス環境で完全なデータ保護
• llm-audit による入出力監査機能による情報漏洩防止
• 個人情報や機密情報の自動検出・マスキング機能
• 推論サーバーの構築や運用も不要。Bestllamがすべて管理します。

③⚡ 業務効率を劇的に向上

本レポートで上位にランクインしたモデルを活用して、企業・自治体の業務効率を劇的に向上します。

これらのモデルはマルチタスク機能により複数の同時利用が可能で、複数のLLMに問い合わせることで、より正確で信頼性の高い回答を実現します。

また、テキストチャットだけでなく、話題の Nano Banan Proを使った高品質の画像生成などマルチモーダルで利用いただけます。

さらに、経営分析や業務フローを自動化するツール連携（MCP）、社内ドキュメントから必要な情報を探し出すAI検索にも対応。Bestllamひとつで、企業のあらゆるAI活用ニーズに応えます。

こんな企業・組織におすすめです

✅ 複数のLLMを効率的に活用したい企業
✅ データの海外流出を防ぎたい公共機関・自治体
✅ 高性能なオープンモデルを簡単に導入したい開発チーム
✅ 従業員のうっかりミスによる情報漏洩を防ぎたい組織
✅ LLM活用の効果を最大化したいすべてのビジネス

まずは詳細をご確認ください

高性能な商用LLMも、最先端のオープンモデルも高度なセキュリティを維持しつつ快適に利用できるBestllamで貴社のAI活用促進をお手伝いいたします！

Bestllam - エンタープライズ向け統合型LLMプラットフォーム

複数のLLMを同時に活用できる革新的なAIサービス。エンタープライズグレードのセキュリティと認証機能を完備

エンタープライズ向け統合型LLMプラットフォーム