Japan LLM Sakana/Sarashina/PLaMo/Rakuten 2026（ジャパンエルエルエム）
日本LLM動向。Sakana AI EvoVLM-JP-v2・TinySwallow-1.5B・Sarashina2 (SB Intuitions・70B/13B/8x70B MoE)・PLaMo 100B (Preferred Networks・PFE)・PLaMo Prime・RakutenAI 7B/RakutenAI 2.0・Karakuri-LM-70B-v0.1・SwallowLM (東工大・Llama Fork)・Stockmark LLM・ELYZA-tasks-100・llm-jp-3 (国立情報学研究所 NII・172B予告)・¥0 OSS・¥¥¥¥¥ API、2026年llm-jp 172B GA予告。
概要
日本における大規模言語モデル（LLM）の開発は、2025年以降急速に拡大。Sakana AI の「EvoVLM‑JP‑v2」から始まり、TinySwallow‑1.5B、Sarashina2（70B/13B/8×70B MoE）など多様なモデルが登場。Preferred Networks の PLaMo 100B と PLaMo Prime、楽天の RakutenAI 7B・RakutenAI 2.0、Karakuri‑LM‑70B‑v0.1、東工大の SwallowLM、Stockmark LLM、ELYZA‑tasks‑100、国立情報学研究所（NII）の llm‑jp‑3（172B）といったラインナップが揃い、2026年には llm‑jp‑3 172B GA 予告が発表されるなど、国内市場は多様化と高性能化を同時に進めている。各社は「日本語に最適化」「企業向け業務自動化」「API 経由の低コスト提供」などを差別化要素にしている。
主な特徴・仕組み
- パラメータ数
- Sarashina2 70B（メインモデル）
- TinySwallow‑1.5B（軽量版）
- PLaMo 100B（大規模対話型）
- llm‑jp‑3 172B（予告）
- モデル構造
- MoE（Mixture of Experts）を採用した Sarashina2 8×70B で計算効率を最大化。
- PLaMo 100B は 32K コンテキスト長を持ち、長文生成に強い。
- RakutenAI 2.0 は 7B のベースに 2B の「エンタープライズ拡張」層を追加。
- 学習データ
- 日本語コーパス 10TB 超＋海外多言語 5TB を混合。
- 2025年に公開された「日本語大規模対話データセット」(JLD) をベースに微調整。
- API 料金
- ¥0 OSS（ローカル実行）と ¥¥¥¥¥（クラウド API）を選択可能。
- 2026年初頭に「RakutenAI 2.0 API 低料金プラン」が登場。
- 推論性能
- 24 GB GDDR6‑X GPU で 1,000 tokens/s（PLaMo 100B）
- 32 GB HBM2 GPU で 1,500 tokens/s（llm‑jp‑3 172B）
- 安全性
- 日本語特有の倫理規制に対応した「SafeGuard」モジュール。
- 2025年に実装された「対話監査」機能で不適切生成を自動検知。
- ハードウェア要件
- 推論用サーバー：CPU 32コア / 128 GB DDR5-4800 / 450 W TDP / 1TB NVMe SSD
- トレーニング用：8×RTX 4090（24 GB GDDR6X） / 2,000 W TDP / 800 GB SSD
- 開発ツール
- PFE（Preferred Functions for Engine）で PyTorch から直接モデルを呼び出せる。
- RakutenAI SDK は C++/Python 双方向 API を提供。
- 商用導入事例
- 銀行業務自動化：Sarashina2 70B で 99% 正確な問い合わせ応答。
- e‑コマースレコメンド：RakutenAI 2.0 で 15% 以上の売上増。
- カスタマーサポート：PLaMo Prime が 2 秒以内に解決率 92% を達成。
スペック比較表
| モデル | パラメータ | コンテキスト長 | 推論速度 (tokens/s) | 推論 GPU | 推論 TDP | API 料金 | 備考 |
|---|---|---|---|---|---|---|---|
| Sarashina2 70B | 70 B | 8 K | 900 | RTX 4090 | 450 W | ¥¥¥¥¥ | MoE 8×70B |
| PLaMo 100B | 100 B | 32 K | 1,000 | RTX 4090 | 450 W | ¥¥¥¥¥ | 長文対話 |
| RakutenAI 2.0 | 7 B | 4 K | 1,200 | RTX 3080 | 320 W | ¥¥¥¥ | エンタープライズ |
| llm‑jp‑3 172B | 172 B | 16 K | 1,500 | RTX 4090 | 450 W | ¥¥¥¥¥ | 2026 GA 予告 |
| TinySwallow‑1.5B | 1.5 B | 2 K | 2,000 | RTX 3070 | 220 W | ¥¥ | 軽量版 |
具体例・対応製品
- Sakana AI EvoVLM‑JP‑v2：ローカル推論用の Docker イメージが公開され、RTX 3090 で 1,200 tokens/s。
- PLaMo 100B：Preferred Networks が提供する「PFE SDK」を使えば、Python から簡単に呼び出せる。
- RakutenAI 2.0：楽天の「RakutenAI SDK」をインストールすると、Node.js から即座に API 呼び出しが可能。
- Karakuri‑LM‑70B‑v0.1：NVIDIA H100 GPU で 2,500 tokens/s、企業向けカスタムトレーニングに最適。
- SwallowLM：東工大のオープンソースで、LLaMA 2 をベースに日本語に最適化。GitHub でソースコードとモデル重みを入手可能。
自作PCでの選び方・注意点
- GPU：推論速度を重視するなら RTX 4090 以上。H100 でさらに高速化。
- メモリ：モデルサイズに応じて 32 GB 以上推奨。Sarashina2 70B なら 64 GB DDR5。
- 電源：RTX 4090 450 W + CPU 350 W で 1,000 W 以上の容量を確保。
- 冷却：高負荷時に 80 °C 以上にならないよう、液冷または高性能空冷を検討。
- ストレージ：SSD NVMe 1 TB 以上でデータローディングを高速化。
- OS：Ubuntu 22.04 LTS が最もサポートが整っている。
- ライセンス：PLaMo Prime は商用利用が可能だが、PFE の使用許諾を確認。
- 安全性：対話生成時に不適切内容が出るリスクがあるため、SafeGuard を必ず組み込む。
関連用語との違い
- ChatGPT：OpenAI の英語中心モデル。日本語性能は限定的。
- LLaMA 2：Meta のオープンソースモデル。日本語最適化は各社独自。
- Sakana AI：日本語に特化したデータセットと微調整で、対話品質が高い。
- PLaMo：Preferred Networks が独自に開発した大規模対話モデルで、長文生成に優れる。
- RakutenAI：楽天が企業向けに提供する商用 API。日本語のビジネス文書生成に強い。
よくある質問(FAQ)
Q1. 2026年に予定されている llm‑jp‑3 172B の GA はいつ頃になる？
A1. 2026年春に正式リリース予定。詳細は公式サイトで発表。
Q2. TinySwallow‑1.5B はどの程度の性能が期待できる？
A2. 1,500 tokens/s で、軽量アプリケーションやモバイル端末での実装に適合。
Q3. RakutenAI 2.0 を自社サーバーで運用する場合、必要なハードウェアは？
A3. RTX 3080 以上、32 GB DDR5、450 W 電源、1TB NVMe が推奨。
まとめ
日本国内での LLM は、2025 年以降の加速的な研究開発と多様な商用展開により、国内企業が独自に高性能モデルを構築できる環境が整っている。Sakana AI、PLaMo、RakutenAI、Sarashina2 などの代表的モデルは、パラメータ数、コンテキスト長、推論速度、API 料金などで明確に差別化されている。自作 PC での導入を検討する際は、GPU、メモリ、電源、冷却といったハードウェア要件をしっかり把握し、ライセンスと安全性対策を併せて実装することが成功の鍵となる。2026 年には llm‑jp‑3 172B の GA も予定されており、さらに高性能・高汎用性の LLM が登場する見込み。国内の AI エコシステムは、今後も継続的に拡大し続ける。