Nejumi Leaderboard(日本語LLM評価)

Nejumi Leaderboard は、日本語LLMの能力を横断的に評価するリーダーボードの一つです(Weights & Biases 日本チームが運営)。日本語の言語理解・応用タスク・指示への従い方(アライメント)などを総合的に測り、多数のモデルを同条件で並べて比べられるのが持ち味です。

なぜ日本語を別に見る必要があるのか

MMLUのような汎用ベンチは主に英語で作られており、英語で高得点でも日本語では実力が落ちるモデルは珍しくありません。逆に、英語圏のモデルに日本語で継続事前学習を施した国産モデル(Swallow・Sarashina等)は、汎用ベンチの順位からは見えない日本語の強みを持ちます。日本語で使うなら、汎用ベンチよりllm-jp-evalやNejumiのような日本語特化の評価を見るのが実態に合います。

日本語評価に「標準」はまだない

英語圏のMMLUのような「みんながまず見る一枚」は、日本語にはまだありません。当サイトが主要国産モデルのモデルカード8本を実際に確認したところ、開発元が自己評価に使っていたのはllm-jp-eval(2本)・日本語MT-Bench(2本)・ELYZA-tasks-100(1本)・Swallow独自の評価(1本)と分散しており、Nejumiへの言及は0本でした(2026-08時点。モデルカードの引用という一つの角度での実測です)。開発元の定番はNII主導のllm-jp-evalに寄っており、Nejumiは第三者が多数のモデルを同条件で横断比較する場として役割が分かれています。順位が評価系ごとに食い違うことも珍しくないため、一つのリーダーボードを絶対視せず、複数を突き合わせるのが安全です。

分野・業種での使い方

当サイトの医療・法務・金融など、日本語で機密文書を扱う分野では「日本語に強い汎用モデル+RAG」を推奨していますが、その「日本語に強い」の裏付けにllm-jp-evalやNejumiの評価が使えます。もっとも、どれだけ日本語ベンチが高くても手元のPCで動かなければ実務に載りません——お使いの環境で動く日本語モデルはトップの判定と各分野ページで確認できます。

関連用語

• ベンチマーク(LLMの性能評価) — モデルの能力を数値化する試験。ただし自己申告値は宣伝で、実使用と乖離しやすい
• 事前学習とファインチューニング — LLMの育ち方: 大量テキストでの事前学習→指示チューニング→(継続事前学習・蒸留などの派生)

参考資料(出典)

• https://wandb.ai/wandb-japan/llm-leaderboard/reports/Nejumi-LLM-3---Vmlldzo3OTg2NjM2
• https://github.com/llm-jp/llm-jp-eval

▶ あなたのPCで動くモデルを自動判定する(スペック送信なし・ブラウザ内完結)