日本語で使う検閲なしモデルの選び方——スコアの順位と実タスクの順位は一致しない
日本語の実力は Nejumi Leaderboard 4 のような公開スコアで当たりを付けられますが、総合スコアの順位と会議要約のような実タスクの順位は一致しません（J-MeetEval: ρ = −0.52）。検閲なし版で日本語を選ぶときの注意と、自分の用途で試す 7 問を整理します。
この記事の要点
- 日本語タスクの総合スコアは公開リーダーボードで比べられますが、同じモデルでも設定や推論の有無で別エントリになります。
- 総合スコアの順位と実タスクの順位は逆相関することがあります（会議要約の J-MeetEval で ρ = −0.52、総合最上位が実タスク最下位）。
- 検閲なし版では加工が日本語能力に与えた影響を配布元の記載で確かめ、最後は自分の用途の 7 問で比べてください。
目次
日本語に強い検閲なしモデルを探すと、「日本語対応」と書かれた候補が何種類も並びます。
実際に選んで使ってみると、議事録の形式が指定どおりに出なかったり、長い文書の要約で分量が合わなかったりします。
日本語の実力は、公開されているリーダーボード（モデルの成績を並べた一覧）で当たりを付けられます。
ただし、総合スコアの順位が、そのまま実際の仕事での順位になるとは限りません。
この記事では、日本語の公開スコアの読み方と、会議要約の評価データ J-MeetEval が示した「順位が一致しない」例を整理します。
そのうえで、検閲なし版を選ぶときに確かめることと、自分の用途で試す 7 問を示します。
1. 日本語の実力は公開リーダーボードで比べられるか？#
日本語のモデルを比べるときは、公開リーダーボードの総合スコアが出発点になります。
代表的なものが、W&B Japan が公開している Nejumi Leaderboard 4 です。
Nejumi Leaderboard 4 は何を測っているか？#
Nejumi Leaderboard 4 は、日本語のタスクを 11 の領域で評価し、0 から 1 の総合スコアを付けています（Nejumi Leaderboard 4）。
総合スコアは、複数の領域をまとめた値です。
総合だけを見ると、自分の用途に近い力が強いのか弱いのかは分かりません。
文章の要約が多いのか、表を作ることが多いのか、用途に近い領域を先に確かめてください。
2026年9月1日時点のスナップショットでは、オープンウェイト（重みが公開されているモデル）の上位に Qwen3.8-Flash-Next、GLM-5.3、Qwen3.5 系が並んでいました。
ここでは順位の傾向だけを示します。
一覧は更新されるため、読むときは日付を確かめてください。
同じ名前が別の行で載るのはなぜか？#
同じモデル名でも、推論設定（回答の前に考える過程を使うかどうか）が違えば、別の行として載ることがあります。
一覧で同じ名前を見つけたら、比べている条件が揃っているかを確認します。
ほかにも公開の一覧はありますが、測る対象は一覧ごとに違います。
どの一覧が何を測っているかを、読む前に確かめます。
2. 総合スコアの順位は、実タスクの順位と一致するか？#
一致しないことがあります。
会議要約を題材にした J-MeetEval は、その例を数値で示しています。
会議要約の評価で何が分かったか？#
J-MeetEval は、Nishika が GENIAC 第3期の成果として 2026年10月5日に公開した評価データです（J-MeetEval の発表）。
会議要約の課題で、4B〜9B の 7 モデルを評価しています。
会議の内容を要約させ、「数値は全角で統一する」「発言順に並べる」「指定の JSON 形式で出力する」といった形式や制約（分量を含む）を守ったかを 0 か 1 で採点します。
次の表は、2026年10月5日の公表値から 7 モデルのうち 5 モデルを抜き出したものです。
指示達成率の高い順に並べています。
| モデル（4B〜9B 級） | J-MeetEval 指示達成率（2026年10月5日公表） | Nejumi 総合スコア（同公表） |
|---|---|---|
| gemma-4-E4B-it | 83.3% | 0.6692 |
| Qwen3-VL-8B-Thinking | 80.6% | 0.7021 |
| Qwen3-8B | 76.0% | 0.6900 |
| NVIDIA-Nemotron-Nano-9B-v2-Japanese | 73.3% | 0.7111 |
| Qwen3.5-4B | 72.1% | 0.7352 |
Nejumi の総合スコアで 7 モデル中もっとも高かった Qwen3.5-4B が、J-MeetEval では最下位でした。
両者の順位の並びは、ρ = −0.52 という逆相関になりました。
順位相関（スピアマンの ρ） は、2 つの順位の並びがどれだけ一致するかを示す値です。1 に近いほど同じ並び、−1 に近いほど逆の並びになります。
指示の種類で差はどう出るか？#
指示の種類によって、達成率の差が大きく出ます。
たとえば「元の分量の 2 割にまとめる」という指示では、gemma-4-E4B-it が 83% を満たしたのに対し、Nemotron は 0% でした。
一般に、応答が短いモデルは、簡潔さが評価されやすい汎用ベンチマークでは有利になりやすいものです。
一方で議事録では、指定した要素を漏らさず、指定した分量で出す力が求められます。
汎用ベンチマークの順位は、この力をそのまま測っていません。
日本語のモデルを選ぶときは、総合スコアの上位から候補を絞ったうえで、自分の仕事で必要な指示（分量・形式・表記）を実際に試してください。
3. 検閲なし版は、加工で日本語の力が落ちていないか？#
検閲なし版は、拒否しないように元のモデルへ手を入れて作られています。
加工が日本語の力にどう影響したかは、モデル名を見ても分かりません。
加工の範囲は配布元の説明で確かめる#
配布ページ（モデルカード）で、次の 3 点を確認します。
- 何を変えたか（どの層や、どの重みのまとまりを変えたか）
- 日本語を含む評価の結果が書かれているか
- 加工したのは誰か（同じ名前でも、加工者が違えば中身は別物です）
日本語の評価が配布元に書かれていなければ、加工が日本語に与えた影響は、自分で試すまで分かりません。
加工の範囲が版ごとに違うことはあるか？#
加工の範囲は版ごとに違い、層を限定して加工した版もあります。
加工の影響は一律ではないので、同じ系統のモデルでも、どの版を使うかで結果が変わることがあります。
Qwen3.8-27B の解除版を例にした比べ方は Qwen3.8-27B uncensored はどれを選ぶ？ を参照してください。
量子化の段階も条件に含める#
手元で動かすモデルは、量子化（ファイルを小さくするために数値の細かさを落とすこと）の段階も選びます。
同じモデルでも段階が違えば、ファイルの大きさと回答の質が変わります。
比べるときは、量子化の段階も揃えてください。
段階の読み方は GGUF の量子化とは？ で解説しています。
4. 自分の用途の 7 問で比べるには？#
公開スコアは、候補を絞るための道具です。
最後は、自分が使う日本語で比べます。
手順は次のとおりです。
候補を 2〜3 版に絞り、同じ設定で動かします。
次の表の 7 問を同じ順に投げ、観点ごとに出来を記録します。
| 問 | 試す例 | 見る点 |
|---|---|---|
| 1. 用語 | 業界の専門用語を、初心者向けに数文で説明させる | 用語の意味を取り違えていないか |
| 2. 敬語 | 取引先へのメールを、丁寧語と謙譲語を使って書き直させる | 敬語の段階が指示どおりか |
| 3. 長文要約・分量指定 | 長めの文章を「元の 2 割の字数」で要約させる | 分量を守れているか、要点が抜けていないか |
| 4. 表形式 | いくつかの項目を「項目｜結論｜期限」の表にまとめさせる | 列の数と順序が指定どおりか |
| 5. 全角半角 | 「数値は全角で統一」と指示して、数字を含む文章を書かせる | 途中で半角の数字が混ざらないか |
| 6. 固有名詞 | 人名・社名・地名を含む文章を要約させる | 名前の綴りや役職を書き換えていないか |
| 7. 止まりやすい話題 | 専門性の高い医療・法律・セキュリティの質問を投げる | 回答が途中で止まらず、最後まで届くか |
止まりやすさは、要求に従う割合とは別に確かめます。
要求に応じて書き始めても、最後まで届かないことがあるため、回答が終わるかを見てください。
同じ問いを複数回投げ、一度の出来だけで判断しないようにします。
7 問のうち、自分の仕事で必ず使うものから順に見てください。
5. 手元で動かすか、サービスで試すか？#
手元の PC で動かすなら、モデルの取得と起動の手順を Ollama で検閲なし LLM を使うには？ で説明しています。
モデルの一覧は uncensored モデルのおすすめ にまとめています。
PC の準備が難しい場合は、ブラウザだけで試す方法もあります。
登録なしで試せるサービスの選び方は 検閲のない AI はどれを選ぶ？無料・登録なしで試す手順 で整理しています。
Deepent Research の使い方は 拒否しない AI のページにまとめています。
Deepent Research について#
私たち Deepent Research は、回答を極限まで拒否しない LLM チャットサービスです。標準の AI では途中で止まってしまう調べものを、最後まで続けられるように作りました。
- 拒否しない。LLM のガードレールを徹底的に軽減した uncensored・abliterated モデルを採用。標準の AI が「お答えできません」と打ち切る問いにも答えます（Qwen3.5 / Qwen3.8-27B-abliterated 系をプランに応じて使い分け）
- 入力は学習に使わない。調べた内容はサービス提供のためにのみ使われ、AI の学習や他の目的には使用されません。個人情報も厳重に保護し、プライバシーポリシーを公開しています
- 無料で試せる。GPU もインストールも不要、ブラウザを開くだけ。未ログインのお試しは会話が保存されないので、気軽に始められます
→ 登録なしで無料トライアル: https://deepentresearch.com
「どんな問いも、リサーチを止められない」。
No question can stop research.
よくある質問#
日本語の強さは、どの一覧を見れば分かりますか？#
W&B Japan の Nejumi Leaderboard 4 のような、日本語のタスクをまとめて評価している一覧が入口になります。読むときは、いつの時点のスコアかと、推論の設定が揃っているかを確かめてください。総合だけでなく、自分の用途に近い領域のスコアを見るのが確実です。
総合スコアが高いモデルを選べば安心ですか？#
安心とは言い切れません。J-MeetEval の例では、総合スコアがもっとも高かったモデルが、会議要約の指示達成率では最下位でした。分量や形式の指定を守る力は、総合スコアとは別に測る必要があります。
検閲なし版にすると、日本語の力は落ちますか？#
加工の方法と範囲によります。層を限定して加工した版もあり、影響は一律ではありません。配布ページに日本語の評価が書かれているかを確かめ、書かれていなければ、自分の用途の 7 問で試してから決めてください。
量子化すると、日本語の結果は変わりますか？#
段階によって変わることがあります。数値の細かさを落とすほど、ファイルは小さくなりますが、回答の質が変わることがあります。段階の読み方は GGUF の量子化とは？ で解説しています。
免責#
本記事は、AI による下書きをもとに、運営が事実関係を確認・加筆・編集して公開しています。
本記事は教育・研究目的の情報提供であり、違法行為や犯罪の助長を意図するものではありません。
数値は第三者の公開レポートおよび配布元の公表値であり、測定条件により変わることがあります。
日本語の実力は、最終的には自分の用途の日本語で確かめてください。
本記事の編集と検証
公式ドキュメントや論文などの一次情報と照合し、客観的な事実に基づいて整理しています。
本記事は、AI による下書きをもとに、運営が事実関係を確認・加筆・編集して公開しています。
関連ノート
検閲なし AI で文章を書くには？小説・レポートを止められずに書く手順
場面が激しい小説や、専門的なレポートの下書きで「お答えできません」と止まることがあります。検閲なし AI で書くときの設定資料の渡し方、場面を分けた書き方、文体の見本の使い方、著作権の注意を、非技術者向けに整理します。
AI が「答えられない」と言うのはなぜ？4 つの理由の見分け方と止まったときの対処
AI が断る理由は 1 つではありません。安全のための判定、情報がない、聞き方の不足、不具合や回数の上限の 4 つに分かれます。画面の表示から理由を見分けて、それぞれに合った対処をする手順と確認先を、非技術者向けに整理します。
生成 AI に任せてよいこと・いけないこと——個人情報・著作権の線引きと確認 5 項目
要約や下調べは任せられても、個人情報の入力や生成物のそのまま公開は別の話です。任せてよい作業と任せない方がよいもの、個人情報保護委員会の注意喚起と文化庁の考え方から見た注意点、会社で使うときの決め方と確認チェックリストを整理します。
この仕組みを、試す
Deepent Research は、回答を極限まで拒否しない LLM チャットサービスです。この記事で扱ったモデルと技術を、ダウンロードなしでそのまま試せます。