LLMとは？主要9モデル比較でわかる仕組みと選び方(2026年版)

「LLMって結局何？ChatGPTと何が違うの？」——AIのニュースを追いかけていると、この言葉だけ説明されないまま話が進んでいきます。

答えは意外とシンプル。LLMはChatGPTたちの「中身」で、ChatGPTはその中身を使いやすく包んだサービスです。そして2026年の今、中身のモデルは選び放題になりました。当たり外れも価格差も大きいので、基礎の仕組みと主要モデルの実力を一度だけ整理しておくと、この先ずっと迷わなくなります。

LLMとは？生成AIやChatGPTとの関係をほどく

LLMとは、大量のテキストを学習して、文章の理解と生成を行うAIモデルのことです。Large Language Modelの略で、日本語では「大規模言語モデル」と呼ばれます。

身近な例えなら、スマホの予測変換の超強力版。「今日の天気は」と打つと「晴れ」を候補に出すあの仕組みを、インターネット規模の文章で鍛え上げたものがLLMです。次に来る言葉を予測する能力が極まった結果、質問への回答も、要約も、翻訳も、プログラミングもできるようになりました。

混同しやすい3つの言葉の関係を整理すると、こうなります。

つまり生成AIという大きな枠の中にLLMがあり、LLMを会話アプリとして包んだものがChatGPTやClaudeです。車で例えると、LLMがエンジンで、ChatGPTは車体。同じエンジンでも載せる車で乗り味が変わります。

生成AI全体の地図から押さえたい人は、生成AIの基礎と全体像の解説を先に読むと、この記事の位置づけがすっきりします。

エンジンの正体がわかったところで、その中で何が起きているのかを覗いてみましょう。

LLMはどんな仕組みで文章を作っているのか？

LLMの動作原理は、突き詰めると「次の言葉の当てっこ」です。難しい数式を抜きにして、3つのキーワードだけ押さえれば全体像がつかめます。

トークン — AIが扱う文字のかたまり

LLMは文章を1文字ずつではなく、「トークン」という単位に区切って処理します。トークンとは、AIが扱う文字のかたまりのこと。日本語だとおおむね1〜2文字が1トークンです。

API料金が「100万トークンあたり◯ドル」と表記されるのは、この単位が処理量の基準だから。一度に読める文章の長さ（コンテキストウィンドウ）もトークン数で決まります。この2つは後半の比較で効いてくるので、単位だけ覚えておいてください。

パラメータ — モデルの「調整つまみ」の数

パラメータは、モデル内部にある調整つまみの数です。学習を通じてこのつまみが少しずつ回り、「この文脈ならこの言葉が来やすい」という知識が刻まれていきます。

数十億〜数千億個という規模だから「大規模」言語モデル。ただし2026年の潮流として、パラメータ数がそのまま賢さに直結する時代は終わりました。後述するGLM-4.7-Flashのように、稼働パラメータを絞って効率で勝負する設計が増えています。

学習 — 大量の文章で「言葉の感覚」を身につける

学習は大きく2段階。まずインターネット規模のテキストで「次の言葉を当てる」訓練を延々と繰り返します（事前学習）。その後、人間のフィードバックで「役に立つ答え方」「安全な答え方」へ矯正していきます。

ここで重要な注意点がひとつ。LLMは「正しさ」ではなく「それっぽさ」を学んでいるため、事実と違う内容を自信満々に話すことがあります。これがハルシネーション、つまりAIがそれっぽい嘘をつく現象です。

コンテキストウィンドウ — 一度に読める文章の長さ

もうひとつ、モデル選びで実務に直結するのがコンテキストウィンドウ。一度に読める文章の長さのことで、これもトークン数で表されます。

主要モデルの上限を日本語換算で並べると、差の大きさがわかります。

A4用紙1枚をおよそ400字とすると、Gemini Pro系はA4約4,000枚分を一度に読み込める計算。「決算資料を10社分まとめて比較」のような仕事は、この長さがあって初めて成立します。逆に日常のチャット用途なら、どのモデルでも足りるので気にしなくて構いません。

LLMの回答は「よくできた下書き」と考えるのが安全です。重要な数字や固有名詞は必ず自分で裏を取る。この前提さえ守れば、LLMは間違いなく仕事の武器になります。

弱点を補う実務側の工夫も進んでいて、社内資料を読ませて答えさせる仕組み（RAG）が定番になりました。詳しくはRAGの仕組みと構築方法の解説へ。指示文の書き方で出力品質を上げる技術はプロンプトエンジニアリングの実践ガイドが役立ちます。

仕組みがわかれば、次は「実際に何を任せられるのか」です。

LLMで何ができるのか？仕事が変わる6つの領域

「次の言葉の当てっこ」の延長で、LLMは想像以上に幅広い仕事をこなします。2026年時点で実務投入が当たり前になった領域は、大きく6つです。

ポイントは、右の列。領域ごとに「効く特性」が違うため、後述する通りモデルの得意不得意がそのまま仕事の質に響きます。

たとえば議事録の要約なら、多少雑でも速くて安いモデルで十分。逆にコードのバグ修正は、1回で正解を出せる推論力がすべてで、安いモデルで往復を繰り返すとかえって高くつきます。

やってはいけない使い方も先に言っておくと、「事実の調べ物を丸投げして裏を取らない」こと。前のセクションで触れたハルシネーションがあるため、LLM単体は検索エンジンの代わりになりません。検索と組み合わせた事実確認機能や、社内資料を読ませるRAG構成で補うのが2026年の常識です。

できることの幅がわかったところで、いよいよ「どのモデルを選ぶか」。ここからが本題です。

主要LLM比較表(2026年版)

2026年のLLM市場を一言で表すなら「三強+オープン勢」。米国のOpenAI・Anthropic・Googleがフロンティアを競い、オープンソース勢が価格で追い上げる構図です。

主要9モデルを1枚にまとめました。料金は100万トークンあたりの入力／出力（ドル、2026年4月時点の各記事調査値）です。

表を眺めると、性能トップ帯と最安帯で単価が100倍以上開いているのがわかります。つまり「全部を最上位モデルでやる」のは経済的に成立しません。

各系統の性格を順番に見ていきましょう。

Claude系（Anthropic） — 品質と日本語の一強

Claude Opus 4.7は2025年11月登場のフラッグシップで、その後の更新でコーディング性能を大きく伸ばしました。持ち味は推論の深さ。思考の連鎖を最大64Kトークン展開する拡張思考モードを備え、曖昧な仕様を渡しても「意図を汲んだ」実装を返してきます。

もうひとつの武器が慎重さです。知らないことに「わかりません」と答える頻度が高く、ハルシネーション率はAnthropic内部評価で1.8%と業界最低水準。法務や医療のような間違えられない現場で、この差は地味に効きます。

日本語の自然さも全モデル中トップ評価。社外向け文書の下書きを任せるなら、下位モデルのClaude Sonnet 4.6でも十分に頭ひとつ抜けています。弱点は価格と応答速度、そして画像生成や音声機能を持たないこと。機能を絞って精度を上げる設計思想のモデルです。

GPT系（OpenAI） — エコシステムと操作系の王者

GPT-5.5は2026年3月リリースの主力モデル。単体ベンチの首位は譲る場面が増えたものの、画像生成・音声対話・動画生成・Web検索まで1つのアプリで完結するのはChatGPTだけです。

2026年に際立ってきたのが「PCを操作する能力」。ターミナル操作を測るTerminal-Bench 2.0で82.7%、PC操作全般のOSWorld-Verifiedで78.7%と、エージェント系タスクでは独走状態です。ブラウザ操作やファイル管理まで自律でこなす自動化を組むなら、現状これが一番の近道。数学系ベンチAIME 2025でも94.0とトップで、数式処理や競技プログラミング系にも強い。

系列のGPT-5.3 Codexは補完特化の別枠です。最初の応答が返るまでの時間（TTFT）0.003秒という桁違いの速さで、エディタ内のコード補完では体感が別次元になります。

Gemini系（Google） — 長文とコスパの伏兵

Gemini 3.1 Proは2026年2月登場。最大の武器は前述の200万トークン級の文脈長で、書籍数冊やコードベース全体を丸ごと読ませる仕事では他に選択肢がありません。動画を直接読み込んで理解できるマルチモーダル性能も三強で随一です。

そして価格。入力$2.00／出力$12.00はClaude Opusの半分以下で、日本語推論のスコアは同率首位。GeminiはGoogle検索と連動した事実確認（グラウンディング）機能で回答の裏取りがしやすく、Google AI Studio経由なら無料で試せる敷居の低さも魅力です。GmailやスプレッドシートなどGoogle Workspaceとの統合は、Googleのサービスで仕事が回っている人には他にない利便性があります。

オープン系（DeepSeek・GLM・Llama） — 価格破壊の主役

DeepSeekはAPI最安クラスの汎用モデルとして定着し、コスパ重視の定番になりました。使い方の詳細はDeepSeekの使い方ガイドにまとめています。GLMやLlamaは自分のマシンで動かせるのが最大の強みで、後半のローカルLLMのセクションで詳しく扱います。

ここまでの整理: 品質と日本語ならClaude、機能の幅と自動化ならGPT、長文とコスパならGemini。ここから先は、その根拠になる数字の読み方と、財布との相談です。

ただ、この表の評価だけで決めるのは危険。数値の根拠になっている「ベンチマーク」の読み方を知らないと、宣伝文句に踊らされます。

マルチモーダルと速度 — 表に出にくい実力差

ベンチマークの総合点に出にくいけれど、日々の使い勝手を大きく左右するのが「扱えるメディアの幅」と「応答の速さ」です。

画像・動画・音声への対応

三強のマルチモーダル対応を並べると、性格の違いがはっきり出ます。

三強で唯一画像生成ができないのがClaude。「テキストと思考の質」に集中する設計思想の裏返しです。画像生成ならChatGPT、動画理解ならGemini、テキスト品質ならClaudeという棲み分けがここでも見えます。

レイテンシ — 待たせていい仕事か、ダメな仕事か

応答速度の指標はTTFT（最初の文字が返るまでの時間）。第三者集計のVellum LLM Leaderboardでは、GPT-5.3 Codexが0.003秒で圧倒的首位、出力速度ではLlama 3.3 70bの毎秒2500トークンなどオープン勢が上位を占めます。Gemini 3 FlashもTTFT0.34秒・毎秒2570トークンと、価格と速度の両立では突出しています。

一方でClaude Opusのような重量級は、深く考える代償として応答開始まで数秒待たされます。バッチ処理なら問題ありませんが、チャットボットや音声対話に据えるのは正直イマイチ。

要は「待たせていい仕事」と「待たせたら体験が死ぬ仕事」を分けて発注すること。この視点を持つだけで、モデル選定の失敗はかなり減ります。

ベンチマークはどう読めばいいのか？

LLMベンチマークとは、複数のモデルを共通の問題セットで採点する標準テストのことです。モデル選定の一次情報になりますが、2026年は読み方にコツが要ります。

実務で参照する価値があるのは、次の5つに絞れます。

このうち開発者が最重視するSWE-bench Verifiedの上位（2026年3月時点の集計）はこうなっています。

首位はClaude Opus 4.7。ただし上位は1%以内の団子状態で、ここから先は料金と速度で選ぶのが合理的です。中国勢のMiniMaxやGLMがオープンウェイトでこの水準に食い込んできたのは、2026年最大の地殻変動といえます。「上位なら実務で使える」ラインは既に全員クリアしている、と読むのが正しい。

日本語性能は英語ベンチと別物

日本のユーザーに一番効くのがここ。Artificial Analysisの2026年1月時点の日本語推論ランキングは、次の順位でした。

首位はGoogleとAnthropicの2社。英語ベンチで上位のモデルが日本語でも強いとは限らない、というのがこの表の教訓です。

もうひとつ、スコアの順位と「文章の自然さ」は別の話。ビジネスメールや社外文書のニュアンスではClaude系が頭ひとつ抜けている、という評価が定着しています。GPT-5.5の日本語は正確ですが、敬語や婉曲表現で翻訳調が残る場面がまだあります。読む・分析するならスコア通り、書かせるならClaude寄り。この読み替えを覚えておいてください。

数字に騙されないための3つの注意

ベンチマークには構造的な罠があります。押さえておくべきは3つ。

1. 汚染 — テスト問題が学習データに混入している疑いが常にある。古いMMLUやHumanEvalで異常に高いスコアは疑ってかかる
2. 飽和 — 上位モデルがみんな90%超になると、指標として機能しなくなる。MMLU-ProやSWE-bench Verifiedなど新しい指標を見る
3. 条件の不一致 — 公式発表のスコアは最適条件での値。実運用ではその7〜8割と見ておくのが安全

飽和の典型が旧MMLUです。かつて業界標準だったこのテストは、最先端モデルが軒並み90%を超えて差がつかなくなりました。それでも宣伝には使われ続けているので、「MMLU90%超え！」という見出しを見たら、選択肢を10択に増やして難化させたMMLU-Proの数字を探しにいくのが正しい動きです。

条件の不一致も地味に厄介で、SWE-benchは「Verified」と無印で別物、GPQAは「Diamond」が本物、という具合に同じ名前でも中身が違います。日本語タスクなら、英語ベンチの結果は当てにせず日本語専用の集計で確認する。これも鉄則です。

ベンチマークは地図ではなく方位磁石。候補を2〜3モデルに絞る初期フィルタと割り切って、最後は自分のタスク20件で試す。これ以上に確実な選定方法はありません。

ここまでで判断材料は揃いました。いよいよ「で、どれを選ぶの？」に答えます。

結局どのLLMを選べばいい？用途別の答え

先に結論の早見表から。迷ったらここから入って、前のセクションのスコアで裏を取ってください。

表の通り、8つの用途で第一候補が4社に割れました。つまり2026年に「1モデルで全部」は最適解になりません。

現実的な運用は2〜3モデルの併用です。定番の組み合わせはこう。

• 重い推論・複雑なコーディング: Claude Opus 4.7
• 軽いタスク（要約・分類・タグ付け）: Gemini FlashやDeepSeek
• 補完・リアルタイム応答: GPT-5.3 Codex

API経由なら切り替えは設定数行の話で、タスクの重さでモデルを振り分けるルーティング構成が標準になりつつあります。エディタ組み込みで使うならCursorのようにモデルを選んで差し込めるツールが便利です。

始め方は立場によって変えるのが賢い。個人なら、まず無料版を2〜3個並べて同じ質問を投げ、答えの質と好みで1つ課金する。それだけで日常用途の9割はカバーできます。

チームや会社で導入するなら順番が逆で、先に「どの業務に使うか」を決めてからモデルを選ぶこと。議事録要約なのか、コードレビューなのか、顧客対応なのかで第一候補が変わるのは、ここまで見てきた通りです。代表的なタスクを10件ほど用意して2モデルで比べれば、自社にとっての正解は数日で見えます。

なお、ブラウザ操作や業務の自律実行までさせたい場合は、モデル単体ではなくエージェントとしての設計が要になります。この領域はAIエージェントの基礎と作り方で深掘りしているので、自動化が目的の人はセットで読んでください。会話用途のサービス比較はAIチャットボットのカテゴリページにも一覧があります。

選ぶモデルが決まったら、次は「いくらかかるのか」。ここで失敗する人が一番多い。

API料金の考え方 — 月額いくらかかるのか

LLMのAPI料金は「入力トークン単価×読ませた量+出力トークン単価×書かせた量」で決まります。ポイントは、出力単価が入力の3〜5倍高いこと。長文を書かせる用途ほど高くつきます。

感覚をつかむために、月1,000万トークン入力／500万トークン出力という中規模利用で試算してみます。

最上位のOpusと下位帯で月100ドル以上の差。年間なら1,500ドル規模です。ただし単価の高いモデルは1回で正解にたどり着く確率も高く、やり直しの往復が減るぶん実質コストが縮むケースもあります。「単価×品質」の両にらみで決めるのが正解。

規模が大きくなるほどこの判断はシビアになります。月1億トークン級の本番運用では、モデルの選び方ひとつで請求額が数十倍変わる世界。だからこそ「重い処理は高性能モデル、軽い処理は格安モデル」に振り分けるルーティング設計が、2026年のコスト管理の定石になりました。

コストを下げる制度も覚えておいて損はありません。

• バッチ処理割引 — 急がない処理をまとめて投げると各社50%割引
• プロンプトキャッシュ — 同じ前提文を使い回すとClaudeは最大90%割引
• 無料枠 — GeminiはGoogle AI Studio経由で無料利用が可能

一方、個人利用ならAPIよりサブスクの方が手軽です。ChatGPT PlusもClaude Proも月20ドル、Gemini Advancedは月19.99ドル（いずれも2026年5月時点の公表値）。まず1つ課金して試し、物足りなくなったらAPIへ、という順番で十分です。

月に数回しか使わないなら無料版で十分。週3回以上使うなら20ドルの元は取れます。API契約を検討するのは「決まった処理を毎日回したくなってから」で遅くありません。

ここまでクラウドの話をしてきましたが、2026年にはもうひとつ大きな選択肢が育っています。

ローカルLLMという選択肢

ローカルLLMとは、クラウドに接続せず自分のPCやサーバーの中だけで動かすLLMのことです。データが外部に出ないため、機密情報を扱う業務では最初に検討すべき選択肢になりました。

2026年の目玉は、1月19日にリリースされた清華大学発のGLM-4.7-Flash。何が衝撃だったかというと、この条件が全部同時に成立している点です。

• SWE-benchで59.2%と、軽中量級のコーディングなら実用域
• 30Bパラメータ（稼働3B）の効率設計で、24GB VRAM級のRTX 4090やM3 Maxで動く
• MITライセンスの完全オープンソース
• API利用でも入力$0.07／出力$0.40と破格

商用クラスのコード性能が手元のマシンで動き、しかもライセンスの縛りが緩い。社外にコードを出せない開発現場では、これ一択という場面が増えています。

Metaが公開するLlama 4 Scoutも、1,000万トークンという規格外の文脈長と低単価でセルフホスト勢の定番です。日本語特化ならELYZA系のような国産調整モデルも実用レベルに達しました。

ローカルLLMを検討すべきかどうかは、次の3条件で判定できます。

• 扱うデータが社外に出せない（開発中のコード・顧客情報・医療データなど）
• 毎日回す定型処理があり、API課金が月数百ドルを超えそう
• 24GB VRAM級のGPU搭載マシン、またはM3 Max級のMacを用意できる

2つ以上当てはまるなら、試す価値は十分。1つも当てはまらないなら、クラウドの無料枠とサブスクで足ります。

もちろん弱点もあります。最先端の推論力では商用トップに10ポイント以上の差があり、マシンの初期投資と運用の手間もかかる。モデルの更新も自分で追いかける必要があります。だから「メインはクラウド、機密案件だけローカル」のハイブリッドが現実解です。

自分のPCで動かす手順は、導入ツールの定番Ollamaを使うのが最短ルート。セットアップからモデル選びまでローカルLLMをOllamaで動かす入門ガイドで手順を追えるようにしてあります。

AI PICKS編集部の判定

主要ベンチマークと公開情報を突き合わせた、編集部の2026年7月時点の率直な評価です。

• Claude Opus 4.7: コーディングと日本語品質は文句なしの一強。ただし単価は全モデル最高クラスで、全タスクをこれで回す運用は正直おすすめしません
• GPT-5.5: 単体性能では首位を譲る場面が増えたものの、音声・画像・エージェントまで揃う総合力は依然一強。迷ったらまずこれ、が今も通用します
• Gemini 3.1 Pro: 200万トークンの長文処理と価格のバランスは破格。日本語推論も同率首位で、コスパで選ぶならこれ一択です
• オープン系（GLM・Llama・DeepSeek）: 価格は圧倒的、性能は「用途を選べば十分」。機密データ要件があるなら第一候補に格上げしていい水準まで来ました

総評として、「最強のLLMはどれか」という問いはもう成立しません。用途で2〜3モデルを使い分ける前提で、まず無料枠かサブスク20ドルで自分のタスクを試す。それが2026年の最短ルートです。

よくある質問（FAQ）

Q. 無料でLLMを試すなら何から始めるべきですか？

Google AI StudioのGemini無料枠が最も敷居が低いです。ChatGPTとClaudeにも無料版があるので、同じ質問を3つに投げて答え方を見比べるのが一番早い比較方法。自分の仕事に近いタスクで試すのがコツです。

Q. 月額課金するなら1つだけ。どれを選ぶべきですか？

コーディング中心ならClaude Pro（月20ドル）、画像生成や音声も使いたいならChatGPT Plus（月20ドル）、Googleサービス中心の人はGemini Advanced（月19.99ドル）。迷ったら機能の幅が広いChatGPT Plusが無難です。

Q. LLMのベンチマークスコアはどこまで信用できますか？

候補絞りの初期フィルタとしては有用ですが、鵜呑みは危険です。テスト問題の学習データへの混入疑惑や、公式発表値が最適条件の数値である問題が残っています。第三者集計と突き合わせ、最後は自分のタスクで実測してください。

Q. 日本語に一番強いLLMはどれですか？

推論精度のランキングではGemini 3 Pro系とClaude Opus系が同率1位です。文章の自然さ、特に敬語やビジネス文書のニュアンスではClaude系が高評価。用途が「読む・分析する」ならGemini、「書く」ならClaudeという選び分けが実用的です。

Q. オープンソースのLLMは商用モデルの代わりになりますか？

定型のコーディングやバッチ処理なら代替可能な水準です。GLM-4.7-FlashはSWE-benchで59.2%を出しており、軽中量級なら実用域。ただし最先端の推論力では商用トップに10ポイント以上の差があるため、重要タスクは商用、量産タスクはオープン系の併用が現実解です。

Q. モデル選定はどのくらいの頻度で見直すべきですか？

最低でも3か月に1回。2026年はリーダーの入れ替わりが3か月単位で起きており、半年前のベンチマーク結果は参考程度にしかなりません。年単位で固定契約する前に、直近の第三者集計を必ず確認してください。

Q. 機密情報を扱う業務でクラウドのLLMを使っても大丈夫ですか？

各社とも法人プランでは入力データを学習に使わない設定が用意されていますが、規程上クラウド送信自体が不可の現場も多いはず。その場合はローカルLLM一択です。24GB VRAM級のマシンで動くモデルが増えたので、ハードルは年々下がっています。

ここまで読んで「三強のどれにするか」まで絞れた人に、あわせて読みたい1本はGemini・ChatGPT・Claudeの三大AI比較。今日決めきれなかった最後の一択を、料金プランと機能の実利面から詰められます。

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• ChatGPT — 公式サイト（AI PICKSの詳細）
• Claude — 公式サイト（AI PICKSの詳細）
• Gemini — 公式サイト（AI PICKSの詳細）
• DeepSeek — 公式サイト（AI PICKSの詳細）