ローカルLLMのモデル全体像（2026年11月版）：どの系統に何があり、どこまで賢いのか

今回はモデルそのものの話に絞り、動かすために必要なマシンの話は次回に扱います。

オープンウェイトのモデルは、この1年で様変わりした

1年前、重みが公開されているモデルといえば、クローズドな最上位モデルから一段も二段も落ちる存在でした。ところが2026年に入って状況が変わりました。公開モデルの最上位は、公開ベンチマークで最新のクローズドモデルに迫る水準に達し、一方で30B前後の小さなモデルも、日本語で実務に使える品質になっています。

ただ、モデルの数が増えすぎて、全体像がつかみにくくなったのも事実です。この記事では「いま何があるのか」を、主要なものを落とさずに整理します。

全体像：4つのサイズ帯

モデルは総パラメータ数で4つの帯に分けると見通しがよくなります。帯が違えば、精度の層も、得意なことも、必要になる計算資源もまったく違います。

近年の大型モデルは、ほとんどが MoE（Mixture of Experts）という方式です。総パラメータのうち、推論のたびに実際に計算に使われる「アクティブ」なパラメータは一部に限られます。以下の表の「規模」欄は「総パラメータ／アクティブ」の順で、モデル名に付く「A95B」のような表記はアクティブ95Bを意味します。Dense と書いたモデルは、全パラメータを毎回使う従来型です。

A. 超大型（1T〜3T級）：クローズドの最上位に迫る

総パラメータが1兆を超える帯です。2026年に入って各社が相次いで重みを公開し、公開ベンチマークではクローズドの最新モデルと同じ土俵に乗りました。文脈長は100万トークン級が標準になっています。

B. 大型（300B〜900B級）：各社の主力と「Flash」版

超大型の軽量版や、各社が主力として位置づけるモデルの帯です。アクティブ数が13B〜42Bと小さいものが多く、精度と実用性のバランスがよい層です。

C. 中型（100B〜130B級）：実務の定型業務に十分

1台の高性能ワークステーションで現実的に動かせる上限の帯です。文書作成、要約、定型的な分析には十分な精度があります。

D. 小〜中型（10B〜50B級）：日本語が自然で速い

実務で使える下限の帯です。この1年で日本語の品質が大きく上がり、画像入力に対応したモデルも増えました。

数値は執筆時点（2026年11月）で各社が公表している仕様をもとにしています。公開日やライセンスの細かな条件は情報源によって表記が揺れているため、導入時は必ず Hugging Face のモデルカードとライセンス本文で確認してください。

精度の読み方：3つの物差し

「このモデルは賢いのか」を判断する物差しは3つあります。

1. 総合指数で位置を知る。 複数のベンチマークをまとめた指数として、Artificial Analysis の Intelligence Index がよく参照されます。公開モデルの最上位とクローズドの最上位の差、そして公開モデルの中の差が一目で分かります。

公開モデルの首位 Kimi K3.1 Pro（46）とクローズドの首位 Gemini 4 Carbon（60）の差は14ポイント。一方で、公開モデルの中でも首位と2位の差は11ポイントあり、「公開モデル」と一括りにできないことも分かります。

2. 個別のベンチマークで得意不得意を知る。 同じモデルでも分野で差が出ます。知識を問う問題、端末を操作してコードを書く作業、専門家レベルの難問推論、の3つで比べると、どこが追いついてどこに差が残るかが見えます。

知識を問う問題では公開モデルがクローズドと並び、端末操作とコーディングでも最上位同士はほぼ互角です。差が残るのは難問推論で、ここは依然としてクローズドの最上位が一歩先にいます。

3. 自分の業務で測る。 公開ベンチマークは英語中心で、日本の会計基準や税法は出てきません。日本語の総合評価には Nejumi リーダーボードのような指標がありますが、最後は自社の業務で評価セットを作って測るしかありません。私たちもこの作業を進めている最中です。

この3つを踏まえると、精度の層は次のように整理できます。

経理・財務の実務から見た選定の軸

ベンチマークの順位より、実務では次の5点が効きます。

• 日本語の自然さと「混入」: 中国系のモデルは日本語が流暢でも、長文で簡体字が混ざることがあります。社外向け文書に使うなら要注意です。
• 事実知識は期待しない: 会計基準の番号、適用時期、税率といった事実は、どのモデルも間違えます。基準や通達を検索して渡す仕組み（RAG）が前提です。
• 構造化出力と長文: 仕訳や判定結果を決まった形式で出せるか、有価証券報告書1冊を読めるか。AIエージェントとして業務に組み込むなら、ツール呼び出しと構造化出力に実行基盤が対応しているかも確認します。
• 画像入力: 請求書や契約書のスキャンを読ませるなら、画像対応モデル（Qwen3.8-27B、Gemma 4 など）を選びます。
• ライセンス: Apache-2.0 と MIT は社内利用・商用利用とも自由度が高い一方、独自ライセンスのモデルは表示義務や事業規模による条件があります。法務に説明できる形で確認しておきます。

Huberitusの検証環境で見えてきたこと

私たちは直近、Mac Studio（Apple M5 Ultra、ユニファイドメモリ96GB）でローカルLLMの検証環境を構築し、精度の検証を進めています。試しているのは gpt-oss-120b と 20b、Qwen3.8-27B、Qwen3.6-35B-A3B、Gemma 4 31B、Kimi-Linear-48B-A3B といった、帯でいえば C と D のモデルです。帯 A と B は、4bitに圧縮しても数百GBのメモリが要るため、この環境では動きません。

まだ途中ですが、経理・財務の用途で分かってきたことを3つだけ共有します。

• 「新リース会計基準の導入ステップ」を聞くと、各モデルとも構成は整うが事実が間違う。 海外のモデルは IFRS 16 前提で日本基準に触れず、日本語の自然なモデルでも基準番号や適用時期を誤りました。自信のある文体で数字を並べるので、事実の検証なしに使うのは危険です。
• 日本語の自然さと速度はトレードオフ。 Dense の 31B は日本語がもっとも自然ですが遅く、アクティブ3Bの MoE は速い代わりに日本語の小さな破綻が出ます。gpt-oss-120b は情報量と整合性が高い一方、日本の制度には弱い傾向でした。
• 帯 C・D でも、文書作成の下書きには十分。 一般的な作業では、どのモデルも実用的な出力が得られました。業務で使うなら、モデルの賢さより「基準や社内規程を検索して渡す仕組み」と「出力を人が確認する工程」の設計が効きます。

次回は、この4つの帯を実際に動かすには何が必要かを扱います。帯 A を動かすには1億円規模のGPUサーバーが要り、帯 C なら Mac Studio クラスで動く、といった目安を、必要メモリ・GPU・CPUの観点で整理します。

まとめ

2026年11月時点で、重みが公開されたモデルは「超大型」「大型」「中型」「小〜中型」の4つの帯に揃い、最上位は公開ベンチマークでクローズドモデルに迫っています。精度は総合指数で位置を知り、個別ベンチマークで得意不得意を見て、最後は自社の業務で測る。経理・財務の用途では、モデルの賢さより、事実を検索して渡す仕組みと、人が確認する工程の設計が結果を左右します。

Huberitusでは、この検証結果をもとに、経理・財務部門向けのローカルLLM環境（モデル、検索の仕組み、利用記録を一式にしたスターターパック）を準備しています。自社の業務でどのモデルが使えそうか相談したい方は、お問い合わせからご連絡ください。

参考資料

• Artificial Analysis「LLM Leaderboard」（Intelligence Index。執筆時点の掲載値）
• Moonshot AI「Kimi K3.1 Pro」モデルカード（Hugging Face。分野別ベンチマークの出典）
• 各モデルの Hugging Face モデルカードとライセンス本文（DeepSeek、Alibaba Qwen、Z.ai、Meta、OpenAI、Google、Mistral AI、NVIDIA ほか）
• Nejumi LLM リーダーボード（日本語モデル評価）

本記事は一般的な情報提供を目的としたものであり、個別の導入判断やライセンスの解釈については専門家にご相談ください。モデルの仕様・ライセンス・評価値は執筆時点（2026年11月）の公開情報に基づきます。導入にあたっては最新のモデルカードとライセンス本文をご確認ください。