国産LLMにはどんなものがある？主要モデルの比較と企業の選び方【2026年版】

#AIツール #LLM

公開日

2026.08.25

海外製の生成AIを業務で使い始めた企業では、社内の機密文書を海外のサーバーへ送ってよいのか、という確認が情報システム部門に寄せられることがあります。2026年3月にはデジタル庁が、政府の生成AI環境「源内（げんない）」で試す国産の大規模言語モデル（LLM）として7つを選び、国が国産AIを本格的に評価する段階へ入りました。

国産LLMとは何かを整理したうえで、海外モデルとの違い、源内で選ばれた主要モデルの特徴、自社で使うかどうかの判断のしかたをまとめます。

国産LLMとは｜海外モデルとの違いと注目される背景

国産LLMは、国内の企業や研究機関が開発し、日本語を中心に学習させた大規模言語モデルを指します。海外のモデルと比べたときの違いは、性能の高さよりも、データを誰の管理下で扱うかという点に現れます。

国産LLMの定義と2つの開発のしかた

国産LLMの作り方は、大きく2つに分かれます。1つはゼロから独自に学習させる方法（フルスクラッチ開発）、もう1つは海外で公開されたモデルを土台に日本語を追加学習させる方法です。

NTTの「tsuzumi（つづみ）」、ソフトバンク系の「Sarashina（さらしな）」、Preferred Networksの「PLaMo（プラモ）」はゼロから開発した例です。一方、ELYZAの「ELYZA LLM for JP」はMetaの「Llama」を、富士通の「Takane（高嶺）」はカナダのCohereのモデルを土台にしています。

どちらが優れているかは一概に言えません。実務では、開発手法そのものよりも、自社のデータをどこで誰の管理下で処理できるかを見るほうが、判断に直結します。

ゼロから開発したモデルは、学習データの権利や品質、偏りを開発元が管理しやすい点が利点です。NTTは、学習データの扱いをめぐる訴訟が起きるなかで信頼性を保つため、他社のモデルを使わず一から構築したと説明しています。派生型は、すでに性能の高い海外モデルを土台にできるため、開発の速さや既存の強みを活かせます。

出典：NTT R&D「NTT版大規模言語モデル『tsuzumi 2』」／ELYZA「Llama 3.1 ベースの日本語モデルを開発」（2024年10月）／富士通「世界一の日本語性能を持つ企業向け大規模言語モデル『Takane』を提供開始」（2024年9月）

海外モデルとの主な違い

海外モデルとの違いを、項目ごとに見ていきます。

観点	国産LLM	海外モデル
データの所在・適用法	国内で処理し国内法が基準	海外基盤の場合は本国の法が及ぶことがある
日本語・行政文書	敬語や様式に適合しやすい	英語中心で精度が落ちる場面がある
提供主体との距離	近く仕様変更を把握しやすい	規約・仕様の改定が一方的に及ぶことがある
性能・規模	軽量・特定領域に強みを出しやすい	最高水準の汎用性能・多言語に強い
コスト	軽量モデルは運用コストを抑えやすい	使った分だけの従量課金

海外の事業者が運用する基盤では、日本のリージョン（データの保管場所）を選んでも、提供元の本国の制度の影響を受ける可能性が指摘されています。機密情報を扱う企業では、この点が手段を選ぶときの分かれ目です。

データが国内にあることと、それを統制する主体や準拠する法律が国内にあることは、別の問題です。データの所在と適用される法律を切り分けて確認しておくと、要件との食い違いを防げます。

日本語の敬語や法令文書、業界ごとの言い回しは、英語を中心に学習した海外モデルでは精度が落ちる場面があります。国産モデルはこうした表現を重点的に学んでおり、行政文書や契約書の扱いで強みを出しやすい設計です。

国産LLMが注目される3つの背景

国産LLMへの関心が高まっている背景には、主に次の3点があります。

データ主権と経済安全保障：機密情報や顧客データ、研究資料を海外に出さずに扱いたいという要件（データ主権は、データを自国の法と管理下に置くことを指します）
日本語と行政文書への適合：敬語・法令文書・業界固有の言い回しを正確に扱う必要
国の後押し：政府が国産AIを評価・調達して育てる方針

デジタル庁は源内で、日本語の語彙や行政文書の様式に適合し、日本の文化・価値観を尊重した国産LLMの活用を欠かせないものと位置づけています。経済産業省とNEDOも2024年2月から国内の生成AI開発力を強化するための国家プロジェクト「GENIAC（ジーニアック）」を立ち上げ、基盤モデルの開発に必要な計算資源の提供を続けてきました。

GENIACはこれまで複数の期にわたって国内の開発企業に計算資源やデータ整備の支援を行う採択を行ってきました。自国の管理下でAIを開発する「ソブリンAI」への関心は各国で高まっており、日本でも官民で同じ方向の動きが進んでいます。

政府は、行政や金融、医療といった機微な情報を扱う分野ほど、国内で開発・運用するAIで守る必要があるという考え方を示してきました。海外モデルへの依存が続く状態は、経済安全保障の面でも課題と受け止められています。

出典：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月）／経済産業省「GENIAC」

デジタル庁「源内」で選ばれた7つの国産LLM

デジタル庁による源内の取り組みは、国産LLMが実用の段階に入ったことを示しました。政府が国産モデルを正式に評価し、調達まで視野に入れた点が、これまでの実証と異なります。

源内（ガバメントAI）とは

源内（正式名称はガバメントAI）は、全府省庁の約18万人の職員を対象とする、政府横断の生成AI環境です。2025年5月以降、まずデジタル庁の職員が利用を進めてきました。

デジタル庁は、国内企業や研究機関のモデルを政府が使うことで、信頼できるAIの国内開発を後押しするねらいを示しています。背景には、機密性の高い行政データを海外に依存しすぎない状態をつくるという狙いもあります。

令和8年度（2026年度）のあいだは無償で試用でき、ガバメントクラウドや推論にかかる費用はデジタル庁が負担します。政府が需要をつくることで、国産AIの開発を支える狙いがあります。

出典：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月）

選定された7つのモデル

2025年12月から2026年1月にかけての公募には15件の応募があり、書類審査と評価テストを経て7件が選ばれました。選定されたモデルは次のとおりです（五十音順）。

モデル名	開発主体	開発のしかた	主な特徴
tsuzumi 2	NTT	ゼロから開発	1つのGPUで動く軽量モデル。金融・自治体・医療に強い
CC Gov-LLM	カスタマークラウド	―	行政分野向けの国内開発モデル
Llama-3.1-ELYZA-JP-70B	KDDI・ELYZA	海外モデルを土台	Llamaを土台に日本語を強化
Sarashina2 mini	ソフトバンク	ゼロから開発	国内データセンターで管理する日本語特化の軽量モデル
cotomi v3	日本電気（NEC）	ゼロから開発	日本語ネイティブの精度と高速性
Takane 32B	富士通	海外モデルを土台	Cohereのモデルを土台に日本語を強化
PLaMo 2.0 Prime	Preferred Networks	ゼロから開発	国産の商用フラッグシップモデル

※モデル名・版は2026年3月の選定時点のものです。各モデルはその後も更新されているため、最新版は提供元の情報を確認してください。

7つのうち5つはゼロから開発したモデルで、いずれも軽量さと日本語への強さを前面に出しています。海外モデルを土台にした2つも、日本語を追加学習して精度を高めている点が共通します。

いずれのモデルも、機密性の高い行政データを国内で安全に扱えることを前提に選ばれています。軽量さを重視する設計が目立つのは、限られた計算資源でも動かせるようにし、運用の負担とコストを抑える狙いがあるためです。源内では今後、これらを実際の行政実務にあてはめ、使い勝手や精度を見極めていきます。

出典：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月）

今後の予定と選定の基準

今後は次の予定で進みます。

2026年5月頃：全府省庁での大規模な実証を開始
2026年8月頃：源内で国産LLMの試用を開始
2027年1月頃：評価・検証結果の一部を公表
2027年4月以降：実証で優れたモデルを政府調達（有償）する予定

審査では、デジタル庁が試験の当日に初めて示した50問のテストや、海外の主要モデルと比べたベンチマークの結果が評価されました。選定の基準には、企業がモデルを選ぶときの参考になる項目も含まれます。たとえば次のような点です。

機密性の高い情報を扱えるだけのセキュリティを備えていること
学習データを法令を守って集めていること
海外モデルと比べた安全性を説明できること

これらは、自社で導入を検討する際の確認項目としても使えます。

出典：デジタル庁「ガバメントAIで試用する国内大規模言語モデル（LLM）の公募結果」（2026年3月）

主要な国産LLMの特徴と提供形態

源内で選ばれたモデルを中心に、企業が選ぶときの見方で特徴を整理します。規模の大きさを競うより、日本語や特定領域への強み、提供のされ方で選ぶほうが実務に合います。

主要モデルを比較する

主要な国産LLMの提供形態と想定用途をまとめます。

モデル（提供主体）	主な提供形態	想定用途
tsuzumi 2（NTT）	オンプレ／プライベートクラウド／Azure	機密文書のQA・要約、金融・自治体・医療
cotomi v3（NEC）	クラウドAPI／個別提供	日本語の文書処理、業務エージェント
Takane 32B（富士通）	Fujitsu Kozuchi 経由	社内文書の検索・回答、業界特化
Sarashina（ソフトバンク／SB Intuitions）	API／クラウド基盤	文書校正・翻訳、社内ナレッジ連携
PLaMo（Preferred Networks）	API／オンプレ／Amazon Bedrock ほか	文書処理、論理的なタスク、エージェント
ELYZA LLM for JP（ELYZA）	API／共同開発	自社サービスへの組み込み、金融など

※2026年6月時点の公開情報にもとづく目安です。版や提供形態は更新されるため、契約前に各社公式の最新情報を確認してください。なおPLaMoは、最新版のPLaMo 3.0 Primeが2026年6月に公開されています（源内の選定は2.0 Prime）。

出典：NTT「更なる進化を遂げたNTT版LLM tsuzumi 2の提供開始」（2025年10月）／NEC「『ガバメントAIで試用する国内大規模言語モデル(LLM)』に選定」（2026年3月）／富士通「『Takane』を提供開始」（2024年9月）／SB Intuitions「『Sarashina API』を法人向けに提供開始」（2025年11月）／Preferred Networks「PLaMo 3.0 Primeを正式リリース」（2026年6月）／ELYZA「Llama 3.1 ベースの日本語モデルを開発」（2024年10月）

代表的なモデルの使いどころ

代表的なモデルを業務の場面で見てみます。

tsuzumi 2（NTT）は、1つのGPU（画像処理用の半導体）で動く軽量な純国産モデルで、自社サーバーに閉じた環境でも運用しやすい点が評価されています。金融・自治体・医療の知識を強化しており、社内規程やマニュアルを参照した問い合わせ対応や、報告書や契約書からの要点抽出に使われます。東京通信大学が学生のデータを学内にとどめる目的で導入を決め、中国電力が電力業務への特化を検証しています。

出典：NTT「更なる進化を遂げたNTT版LLM tsuzumi 2の提供開始」（2025年10月）／NTTドコモビジネス「『tsuzumi 2』を活用した電力業務特化型LLMの構築および検証を開始」（2026年1月）

Sarashina（SB Intuitions※ソフトバンクグループ）は、日本語に特化してゼロから開発したモデルで、学習データを国内のデータセンターで管理しています。文章の校正やリポート生成、社内文書をもとにした検索・回答に向き、軽量版の「Sarashina mini」を呼び出すAPIが2025年11月に法人向けで始まりました。

出典：SB Intuitions「国産LLM『Sarashina mini』のAPI接続サービス『Sarashina API』を法人向けに提供開始」（2025年11月）

ELYZA（KDDI傘下）の「ELYZA LLM for JP」は、Metaの「Llama」を土台に日本語を強化したモデルです。自社サービスや事業にLLMを組み込みたい企業向けに、安全な利用基盤を使ったAPIや共同開発の形で提供されています。

出典：ELYZA「Llama 3.1 ベースの日本語モデルを開発」（2024年10月）

そのほかの注目モデル

cotomi v3（NEC）は、日本語のニュアンスや専門用語を高い精度で扱い、応答の速さも兼ね備えたモデルです。外部のツールやサービスと連携するエージェント用途に対応し、自治体・金融・医療などの実証で得た知見を反映しています。

出典：NEC「『ガバメントAIで試用する国内大規模言語モデル(LLM)』に選定」（2026年3月）

PLaMo（Preferred Networks）は、PFNがフルスクラッチで開発してきた国産の基盤モデルです。最新版のPLaMo 3.0 Primeは、情報通信研究機構（NICT）との共同研究で得た事前学習モデルをもとに、論理的な思考を要するタスクにも対応し、社内文書の要約やエージェントでの利用に向きます。

出典：Preferred Networks「PLaMo 3.0 Primeを正式リリース」（2026年6月）

Takane（富士通）は、Cohereのモデルをもとに開発され、AIサービス「Fujitsu Kozuchi」を通じて提供されています。日本語の理解力を測る指標で高い評価を受けており、社内文書の検索・回答などでの活用が検討されてきました。

出典：富士通「世界一の日本語性能を持つ企業向け大規模言語モデル『Takane』を提供開始」（2024年9月）

提供形態と利用上の確認点

法人で使う際に確認しておきたい点があります。

個別商談が中心：公開価格表がなく、提供元への問い合わせから始まる形が中心
土台のライセンス：海外モデルを土台にした派生型は、土台側の利用条件もあわせて確認する
学習への利用：入力データが提供元のモデル学習に使われないかを契約で確かめる

社外秘の情報を入れる業務では、入力が学習に使われない設定かどうかが大切な確認点です。契約書の条文まで目を通しておくと、運用を始めてからの行き違いを防げます。

派生型の代表であるLlama系では、月間アクティブ利用者が7億を超える事業者にMetaへの申請を求めるなどの条件があり、製品に組み込む前に法務での確認が要ります。この規模に達する事業者は限られるため通常は実害が小さいものの、条件の存在は把握しておく必要があります。

出典：Meta「Llama 4 Community License Agreement」（2025年）

国産LLMと海外モデルの選び分け

国産モデルと海外モデルは、どちらかに決めるより、用途で使い分ける形が現実的です。判断の出発点は、技術として何ができるかではなく、自社のどのデータをどこで処理する必要があるかを定めることにあります。

データの種類で使い分ける

判断の出発点は、自社の要件のうち何が譲れない条件かを先に決めることにあります。扱うデータの機密度で振り分けると、見通しが立ちます。

社外に出せない機微情報：国内で処理する国産モデルや、国内処理の基盤を使う
一般的な調査や下書き：汎用性能の高い海外モデルでも問題が起きにくい
日本語の文書や行政様式が中心：日本語に強い国産モデルが向く

たとえば、契約書や人事情報のように社外に出せない文書は国内で処理し、公開情報の調査や英語での下書きは海外モデルに任せる、という振り分けが考えられます。すべてを1つのモデルにそろえる必要はありません。データの機密度に応じて、複数の手段を併用する構成も選べます。

性能とコストの現実的な見方

性能とコストは、両面を見て判断します。国産モデルは軽量さ・日本語・データの所在で個性を出す一方、最高水準の汎用性能や多言語では海外の大規模モデルに分があります。

軽量なモデルには1つのGPUでも動かせるものがあり、電力や運用のコストを抑えやすい点が強みです。一方で、最新の機能や多言語への対応、難しい推論では、規模の大きい海外モデルが先行する場面もあります。

紹介した高い性能は、条件を整えた評価で出た値である点に注意が必要です。実際の業務では、自社のデータで日本語や専門領域の精度を試し、運用も含めて使い続けられるかを確かめることが、成果につながります。

データを社外に出さずに使いたいものの、自社でGPUを抱えて運用するところまでは踏み込みたくない場合には、海外の最新モデルを国内で処理できるサービスを使う選び方もあります。当社は法人向けに「エクサベース AI」を提供しており、データ処理を国内のサーバーで行い、入力情報をモデルの学習に使わない構成で、ChatGPT・Gemini・Claudeなど複数のモデルを管理者が用途に応じて選べます。

国産LLMを自社で使い始めるための進め方

国産LLMを試すなら、いきなり全社へ広げず、対象を絞って始めるほうが現実的です。導入事例で語られる効果は条件が整った場合の値であり、使い続けられる仕組みがあって初めて成果として残ります。

チャット型のツールは、配ったあとに使われなくなり、利用が一部にとどまる場合もあります。だからこそ、誰がどの業務で使うかを決め、定着まで支える設計が成果を左右します。

小さく試してから広げる

進め方は、おおまかに次の順序で考えます。

試す：限られた業務と少人数で、自社の実データを使って精度と速度を確かめる
広げる：効果が見えた業務から対象を広げ、運用のルールを整える
固める：対象業務とモデル・提供形態を決め、権限やログの管理を組み込む

最初の検証では、ベンチマークの総合点よりも、自社の用途に近いタスクでの結果を基準にすると、導入後のずれが小さく抑えられます。試す段階で、自社が実際に扱う問い合わせや文書をもとに、想定する回答をまとめた評価用のデータを用意しておくと、精度を客観的に確かめられます。

選ぶ前に確認したい項目

選定の前に、次の項目を確認しておくと、各社を同じ基準で比べられます。提供元へ問い合わせる前に社内で目線をそろえておくと、比較がぶれません。そのまま比較表の確認欄として使えます。

確認項目	見るポイント
開発のしかた	ゼロから開発か、海外モデルを土台にした派生か
日本語・専門領域の精度	自社の実データで試した結果はどうか
提供形態	API・オンプレ・クラウドのどれが要件に合うか
データの扱い	入力が学習に使われないか・処理の場所はどこか
商用ライセンス	派生型は土台側の条件も満たせるか
サポートと継続性	提供元の体制と今後の予定を把握できるか
コスト	初期費用と運用費を総額で見積もれるか

これらは、源内の選定で問われた項目とも重なります。社内での比較や提案資料のたたき台として使えます。

コストを見積もるときは、利用料や初期費用だけでなく、自社で動かす場合のサーバーや運用の手間も含めて総額で見比べると、契約後の想定外を防げます。

データを社外に出さずに生成AIを使う：エクサベース AIという選択肢

国産LLMを検討する動機の中心は、データを社外に出さずに業務でAIを使いたいという点にあります。その目的を、自社でモデルを抱えずに満たす選択肢として、当社の「エクサベース AI」があります。これはモデルそのものではなく、国産・海外のモデルを国内処理で使い分けるための基盤です。

※2026年7月時点

確認項目	汎用ツールでありがちな課題	エクサベース AIでできること
データの扱い	入力が学習に使われる設定が残る	入力をモデル学習に使わず国内サーバーで処理
モデルの選択	1つのモデルに固定される	ChatGPT・Gemini・Claudeなどを用途で使い分け
管理・統制	誰が何に使っているか見えにくい	利用状況の把握・禁止ワード登録・ログ管理
社内データ活用	権限を踏まえた連携がしにくい	権限・ログと一体で社内データを連携（RAG）
定着	入れて終わりで使われない	導入から定着まで専門家が伴走

※RAGは、質問に関連する社内文書を検索し、その内容をもとに回答を作る仕組みです。

データ処理を国内のサーバーで行い、入力した情報をモデルの学習に使わない構成のため、機密情報を扱う業務でも利用しやすい設計です。管理者は利用状況の把握や禁止ワードの登録ができ、150種類以上のテンプレートやRAGによる社内データ連携もそろっています。

複数のモデルを国内の環境で使い分けられるため、国産モデルか海外モデルかを1つに決めなくても、データの所在に関する要件を満たしながら業務に組み込めます。提供開始から2年で、利用ユーザー数は10万人を超え、現在では15万人を超えています。サービスの詳細は、エクサベース AI のサービスページで確認できます。

出典：エクサウィザーズ「exaBase 生成AI」サービスサイト／エクサウィザーズ「exaBase 生成AI、提供開始2年で利用ユーザー数10万人突破」（2025年7月）
exaBase AI、利用ユーザー数15万人・導入社数1,700社を突破（2026年7月）

まとめ

国産LLMは、データを国内の管理下に置きやすく、日本語や行政文書に適合しやすい点が評価されています。一方で、汎用の最高性能や多言語では海外モデルに分があり、用途で使い分ける前提に立つと、判断を誤らずにすみます。源内の試用や各社の提供を通じて選択肢は広がっており、自社の要件に照らして選ぶ環境が整いつつあります。

自社で検討するときは、次の順で進めると迷いを減らせます。