ELYZA-Thinking-1.0とは？LLM-jp-4ベースの国産推論モデル・33B/32B-A3Bの性能・使い方・LLM-jp-4.1比較【2026年10月】

ELYZA-Thinking-1.0（llm-jp-4版）は、KDDIグループのELYZAが2026年10月2日に公開した日本語特化の推論モデルです。国立情報学研究所（NII）が国内でゼロから事前学習した国産オープンLLM「LLM-jp-4」をベースにしており、33B（Dense）と32B-A3B（MoE）の2モデルがApache 2.0で無料公開されています。

ELYZAの公表値では、同サイズのLLM-jp-4.1を総合平均で上回りました。特に日本語の知識QAと細かい指示への追従で高いスコアを出しています。ただし33Bは数学とツール呼び出しで4.1に負けており、Qwen3.5やGemma 4といった海外の最新オープンモデルには総合平均で約6〜10ポイント届きません。得意・不得意がはっきりしたモデルです。

この記事でわかること

• ELYZA-Thinking-1.0（llm-jp-4版）の基本スペックと、2025年版（Qwenベース）との違い
• 「完全国産基盤」という表現が指している範囲
• 33Bと32B-A3Bの違いと選び方
• LLM-jp-4.1・Qwen3.5・Gemma 4との項目別の性能比較
• vLLM／Transformersでの使い方、必要なGPUの目安
• 導入前に押さえておきたい制約とセキュリティ上の注意

こんな方に向けた記事です

• 国産基盤のLLMを社内やオンプレミスで動かしたいエンジニア・情報システム担当者
• LLM-jp-4.1とELYZA版のどちらを使うか迷っている開発者・研究者
• 国産LLMの最新動向を追っているAI導入担当者

ELYZA-Thinking-1.0（llm-jp-4版）とは

出典：ELYZA公式サイト

ELYZA-Thinking-1.0（llm-jp-4版）は、「答える前に考える」タイプの推論モデルです。開発はELYZAですが、土台の事前学習はNIIのLLM-jpプロジェクトが行っています。ELYZAはそのベースモデルに、中間学習・教師ありファインチューニング（SFT）・強化学習を加えて、日本語の推論と指示追従を強化しました。

ベースになっているLLM-jp-4そのものについては、LLM-jp-4とは？国立情報学研究所・約12兆トークン学習の国産LLMを徹底解説で詳しくまとめています。

基本スペック

出典: Hugging Face 公式モデルカード（33B）、同（32B-A3B）

現時点では、ELYZAによる公式API・公式チャット画面の提供は確認できません。ChatGPTのようにブラウザで試すことはできず、自分でGPU環境を用意して動かすモデルです。

2025年版「ELYZA-Thinking-1.0-Qwen-32B」とは別物

「ELYZA-Thinking-1.0」で検索すると、2025年5月に公開された同名のモデルの情報が多く表示されます。名前はほぼ同じですが、中身はまったく違います。

2025年版の「o1-mini並み」といった評価は、2026年版には当てはまりません。記事やSNSで性能の話を見かけたら、どちらのモデルの話かを確認してください。

「完全国産基盤」はどこまでが国産なのか

国産と言えるのは、土台（ベースモデル）の事前学習です。モデルカードの原文は "Fully domestic foundation" で、「LLM-jp-4は日本国内でゼロから事前学習され、その後の学習はすべてELYZAが実施した」と説明されています。

一方で、次の点は「国産」の範囲外、または公表されていません。

構造がLlama系・Qwen3 MoE系というのは、設計図の形式を借りているという意味です。MetaやAlibabaの学習済みの重みを使っているわけではありません。海外モデルの重みをベースにした2025年版や、DeepSeek V3ベースで議論になった楽天のRakuten AI 3.0とは、ここが根本的に違います。

なお、ITmedia AI+は公開当日に「『完全国産』AI」という見出しで報じましたが、ELYZAから「『完全国産』という日本語訳のニュアンスが想定と異なった」との説明があり、見出しと本文が修正されています。正確に言うと「国内でゼロから事前学習された国産基盤LLM-jp-4をベースにした推論モデル」です。

出典: ITmedia AI+

ほかの国産LLMの「国産」の度合いと比べたい方は、国産LLM 7選 徹底比較が参考になります。

33B（Dense）と32B-A3B（MoE）の違い・選び方

出典：Hugging Face（elyza/ELYZA-Thinking-1.0-llm-jp-4-32b-a3b）

迷ったら、精度を優先するなら33B、応答速度と処理コストを優先するなら32B-A3Bを選んでください。必要なGPUメモリはどちらもほぼ同じです。

※必要GPUメモリはパラメータ数×2バイトからの推定値です。ELYZAは公式な必要スペックを公表していません。

MoEは「メモリは全パラメータ分必要、計算は一部だけ」という仕組みです。32B-A3Bを選んでもGPUメモリは減りませんが、1トークンあたりの計算量が小さくなるため、生成が速く、同じGPUでさばけるリクエスト数が増えます。

現実的には、BF16のまま動かすならH100やA100の80GBクラスが1枚以上必要です。LLM-jp-4 33Bの公式GGUF（Q4_K_M）は約20GBなので、ELYZA版も4bit量子化すれば24GB級のGPUに収まる可能性があります。ただし、ELYZA公式の量子化版は現時点で出ていません。

性能比較：LLM-jp-4.1とどちらが上か

出典：LLM-jp公式サイト（国立情報学研究所）

33Bは「総合でわずかに上、ただし数学とツール呼び出しはLLM-jp-4.1が上」、32B-A3Bは「ほぼ全面的にELYZA版が上」です。数値はすべてELYZAが自社で評価したもので、第三者による再現は現時点で確認できていません。

総合平均の比較

出典: ELYZA公式モデルカード（20ベンチマークを7つの能力グループで平均したうえで、グループ間を平均した値）

元のLLM-jp-4に比べると、33Bで約10ポイント、32B-A3Bで約12ポイントの改善です。LLM-jp-4.1との差は、33Bが約1ポイント、32B-A3Bが約4.6ポイントでした。

33Bの項目別比較（vs LLM-jp-4.1）

33Bは得意分野がきれいに分かれています。日本の知識を問う質問、「ふりがなを付ける」「漢数字で書く」といった細かい日本語の指示、コード生成はELYZA版が強く、難しい数学や科学知識、ツール呼び出しはLLM-jp-4.1が強い結果です。

32B-A3Bの項目別比較（vs LLM-jp-4.1）

MoE版では、LLM-jp-4.1が上回ったのはJMMLUとMMLU-Proの2項目だけでした。32B-A3Bクラスで国産基盤のモデルを選ぶなら、現時点ではELYZA版が有力です。

開発アプローチと使い勝手の違い

性能はELYZA版が上回る項目が多い一方、手軽さはLLM-jp-4.1が上です。8Bモデルがあり、公式GGUFでローカルPCでも動かしやすく、mdx-MaaSでGPUなしに試せる見込みもあります。LLM-jp-4 33B系のGGUFや必要VRAMはLLM-jp-4 33Bとは？で詳しく解説しています。

Qwen3.5・Gemma 4など海外モデルとの比較

総合力では、海外の最新オープンモデルに及びません。ELYZA自身の公表値でも、同クラスのQwen3.5やGemma 4に総合平均で約6〜10ポイントの差をつけられています。

出典: ELYZA公式モデルカード

それでも、JEMHopQA（日本語の複数段階の知識QA）とJFBench（日本語の複雑な指示追従）では、比較対象のどのモデルよりも高いスコアです。数学（AIME）、コーディング（LiveCodeBench）、ツール呼び出し（BFCL）では海外モデルとの差が大きく、AIMEではGemma 4 31Bの88.75に対してELYZA 33Bは68.85でした。

「総合力が欲しい」ならGemma 4やQwen系、「国産基盤であること」と「日本語の知識・指示追従」を重視するならELYZA-Thinking、という選び方になります。海外モデルの詳細はGemma 4使い方・性能比較・モデルサイズ完全解説やQwen3.8-27Bとは？を参照してください。

学習方法と「AIによるAI開発」（ELYZA RSI Research）

ELYZA-Thinking-1.0の特徴は、性能だけでなく作り方にもあります。ELYZAによると、中間学習から事後学習・評価までの一連の工程を、AIエージェント中心で回しました。人間が手を動かした作業は1〜2人日程度だったと説明しています。

3段階の学習

日本語の知識は、最新の日本語WikipediaとWikidataから合成したデータで学習しています。JamC-QAやJEMHopQAのスコアが高いのは、この工程の効果と考えられます。

ELYZA RSI Researchとの関係

モデル公開と同じ10月2日、ELYZAは「再帰的自己改善（RSI）」を研究する組織「ELYZA RSI Research」を立ち上げました。RSIは、AIが自分自身の開発・改善を担っていく考え方です。ELYZA-Thinking-1.0は、この研究の成果の1つとして公開されました。

同時に、カスタマーセンター業務のエージェントを評価するベンチマーク「ELYZA Agent Tasks: Customer Service」や、自律改善エージェントの実験結果も発表されています。ビジネス+ITの報道では、未知のテストデータでのタスク完遂率が34.3%から52.9%に上がり、推論コストを67%削減したとされています。

ただし、ELYZA自身は「RSIが実現したわけではなく、RSIに向けた要素技術の研究」と位置付けています。「AIが自分でAIを作った」という段階ではない点は押さえておきましょう。ELYZAの最近の動きはELYZAのAIアプリ生成特許が炎上でも取り上げています。

出典: ELYZA 公式ニュースリリース、ビジネス+IT

料金・ライセンス

出典：Hugging Face（elyza/ELYZA-Thinking-1.0-llm-jp-4-33b）

モデル自体は無料です。Hugging Faceからダウンロードでき、ライセンス料も利用料もかかりません。実際にかかるのはGPUのコストです。

NOTICEファイルには、本モデルがllm-jp-4ベースモデルの派生物であることが記載されています。社内で改変したモデルを配布・提供する場合は、このNOTICEを残してください。

クラウドGPUを借りる場合はH100/A100 80GBクラスのインスタンスが選択肢になります。料金は事業者やリージョンで大きく変わるため、事前に見積もりを取りましょう。GPUを用意せずに日本語特化LLMを使いたい場合は、Sakana Namazuとは？のようなAPI提供型のサービスも比較対象になります。

使い方（vLLM／Transformers／ツール呼び出し）

出典：GitHub（vllm-project/vllm）

公式が推奨しているのはvLLMでの運用です。OpenAI互換のAPIサーバーとして立ち上げれば、既存のOpenAI SDKやアプリからそのまま呼び出せます。

vLLMで起動する（推奨）

公式モデルカードでは、vLLM 0.30.0で動作を検証しています。リポジトリに含まれる専用プラグイン（思考の分離とツール呼び出しの解析用）をダウンロードしてから起動します。

pip install vllm==0.30.0
pip install flashinfer-jit-cache==0.6.18.post1 --extra-index-url https://flashinfer.ai/whl/cu130

# 専用プラグインを取得
hf download elyza/ELYZA-Thinking-1.0-llm-jp-4-33b --include "vllm_plugins/*" --local-dir .

# サーバー起動
vllm serve elyza/ELYZA-Thinking-1.0-llm-jp-4-33b \
  --max-model-len 65536 --trust-remote-code \
  --reasoning-parser-plugin vllm_plugins/multi_parser_loader.py --reasoning-parser llmjp4 \
  --tool-parser-plugin vllm_plugins/llmjp_harmony_tool_parser.py --tool-call-parser llmjp_harmony \
  --enable-auto-tool-choice

32B-A3Bを使う場合は、モデル名を elyza/ELYZA-Thinking-1.0-llm-jp-4-32b-a3b に変え、--moe-backend triton を追加します。

起動後は http://localhost:8000/v1/chat/completions にOpenAI形式でリクエストを送ります。

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

res = client.chat.completions.create(
    model="elyza/ELYZA-Thinking-1.0-llm-jp-4-33b",
    messages=[{"role": "user", "content": "日本の三大祭りを、ふりがな付きで説明してください。"}],
    temperature=0.6,
    top_p=0.95,
)
print(res.choices[0].message.content)

回答本文は content に入り、思考過程は別のフィールドで返ります。アプリ側で思考過程を表示するかどうかを選べます。

ツール呼び出し

ツールはOpenAI標準の tools フィールドで定義します。vLLMのツールパーサーを有効にしておけば、追加の設定なしで tool_calls として結果が返ります。

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "指定した都市の天気を取得する",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
}]

res = client.chat.completions.create(
    model="elyza/ELYZA-Thinking-1.0-llm-jp-4-33b",
    messages=[{"role": "user", "content": "札幌の天気を教えて"}],
    tools=tools,
)
print(res.choices[0].message.tool_calls)

複数のツールを同時に呼ぶ「並列ツール呼び出し」には対応していません。複数ツールを使うエージェントでは、1回ずつ順番に呼び出す設計にしてください。

Transformersで動かす

検証用にPythonから直接動かすなら、Transformers（4.57.6／5.18.0で検証済み）も使えます。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "elyza/ELYZA-Thinking-1.0-llm-jp-4-33b"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto", trust_remote_code=True
)

messages = [{"role": "user", "content": "敬語の種類を3つ挙げて説明してください。"}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt"
).to(model.device)

outputs = model.generate(
    inputs, max_new_tokens=16384, do_sample=True, temperature=0.6, top_p=0.95
)
print(tokenizer.decode(outputs[0][inputs.shape[-1]:]))

出力はharmony形式で、思考と回答が混ざった状態で返ります。モデルカードでは、リポジトリ内の parse_harmony_message() で思考チャネルと回答を分ける方法が案内されています。

推奨設定のまとめ

Mac・Ollamaで動くか

Apple Silicon向けには、コミュニティ製の32B-A3B MLX 4bit量子化版（rariruluis/ELYZA-Thinking-1.0-llm-jp-4-32b-a3b-mlx-4bit）が公開されています。ELYZA公式ではないため、動作や品質は自分で確認してください。

OllamaやLM Studioでの公式サポートは、現時点で確認できていません。元のLLM-jp-4系は独自トークナイザの関係で、llama.cpp本家ではなくLLM-jp版のforkが必要とされており、ELYZA版でも同じ注意が必要になる可能性があります。Ollamaの基本はOllamaとは？使い方・対応モデル・必要スペックで解説しています。

出典: Hugging Face 公式モデルカード（33B）

できないこと・注意点（セキュリティ含む）

導入前に必ず確認しておきたいのは、「GPUなしでは試せない」「常に思考するのでコストがかさむ」「trust_remote_code が必須」の3点です。

機能面の制約

長文を扱いたい場合は、PLaMo 3.0 Primeとは？も比較してみてください。

セキュリティ面の注意

• trust_remote_code=True の扱い: リポジトリ内のPythonコード（独自トークナイザやharmonyパーサー）が手元で実行されます。企業で導入する場合は、コードをレビューしたうえで、revision= でコミットを固定して使うのが安全です
• 推論サーバーの公開設定: vLLMはそのままだと認証なしでAPIを受け付けます。ポートを外部に開けない、APIキーやリバースプロキシで保護するなどの対策が必要です
• 思考過程のログ: 思考過程にも入力した機密情報が含まれることがあります。ログ保存やユーザーへの表示をどうするか、事前に決めておきましょう
• ツール連携の権限: 社内システムとつなぐ場合、モデルに渡す権限は最小限にしてください
• 教師モデルの扱い: SFTに使われた教師モデルの名称は公開されていません。厳しいコンプライアンス要件がある場合は、この点も確認対象になります

一方で、重みを手元に置いて動かせるため、入力データを外部のAPIに送らずに済みます。機密情報や個人情報を扱う業務では、この点が大きなメリットです。

こんな人におすすめ／おすすめしない人

ELYZA-Thinking-1.0は、国産基盤のモデルを自社のGPU環境で動かしたい組織向けです。手軽に試したい個人や、総合性能を最優先したい人には向きません。

こんな人におすすめ

• 社内規定や取引先の要件で「国産基盤のLLM」を求められている企業
• 機密データ・個人情報をオンプレミスやプライベート環境だけで処理したい組織
• 日本の制度・地名・文化などの知識QAや、細かい日本語の書式指定が重要な業務を持つ人
• 80GB級のGPUを用意でき、vLLMの構築に慣れている開発者・研究者
• 国産LLMをベースに、自社データで追加学習したい研究チーム（Apache 2.0で改変可）

おすすめしない人

• GPUを持っておらず、まずブラウザで試したい人 → ChatGPTやClaudeなどのSaaS、またはLLM-jp-4.1のmdx-MaaS（試験提供予定）
• 総合性能・数学・コーディングを最優先したい人 → Gemma 4やQwen3.5系
• 画像入力や64Kを超える長文処理が必要な人 → マルチモーダル対応モデルやPLaMo 3.0 Prime
• ノートPCやゲーミングPCで手軽に動かしたい人 → LLM-jp-4.1-8bやGemma 4 12B
• プログラミングをせずに使いたい人

目的別の選び方

NTTの国産LLMも候補に入れたい方は、NTT tsuzumi 2とは？もあわせてご覧ください。

よくある質問

Q. ChatGPTのように会話画面で使えますか？

現時点ではELYZA公式のチャット画面はありません。vLLMでサーバーを立てたうえで、Open WebUIなどOpenAI互換APIに対応したチャットUIを接続すれば、社内向けにChatGPTに近い画面を作れます。

Q. 商用サービスに組み込む場合の条件は？

Apache 2.0なので、利用料なしで商用サービスに組み込めます。条件は、LICENSEの同梱、NOTICE（llm-jp-4ベースモデルの派生物である旨）の保持、改変した場合の明示です。出力した文章の権利や、出力内容に対する責任は利用者側で管理する必要があります。

Q. LLM-jp-4.1をファインチューニングしたモデルですか？

違います。ELYZA-Thinking-1.0は、LLM-jp-4のベースモデル（事前学習のみの状態）にELYZAが独自に追加学習したモデルです。LLM-jp-4.1はNIIが同じベースモデルから作った別系統の推論モデルで、両者は兄弟のような関係です。

Q. 英語でも使えますか？

対応言語は日本語と英語です。英語平均は33Bで59.72と、LLM-jp-4.1（59.11）とほぼ同じ水準です。英語中心の用途なら、Gemma 4やQwen3.5系のほうがスコアは高くなっています。

Q. 公開されたベンチマークの数値は信頼できますか？

数値はすべてELYZA自身による評価です。評価条件（temperatureやreasoning effortの設定、並列ツール呼び出しの除外など）はモデルカードに公開されていますが、第三者による再現は現時点で確認できていません。導入時は、自社の業務データで小規模に検証することをおすすめします。

Q. 今後、小型版やAPI提供は出ますか？

現時点でELYZAからの発表はありません。NII側は次期LLM-jp-4.2で強化学習による推論・エージェント能力の強化を予定しており、国産基盤モデルの選択肢は今後も増えていく見込みです。

まとめ

ELYZA-Thinking-1.0（llm-jp-4版）は、NIIが国内でゼロから事前学習したLLM-jp-4を土台に、ELYZAが強化学習まで行った日本語推論モデルです。

• 33B（Dense）と32B-A3B（MoE）の2モデル。Apache 2.0で無料、商用利用可
• ELYZA公表値ではLLM-jp-4.1を総合平均で上回った（33Bは+約1ポイント、32B-A3Bは+約4.6ポイント）
• 日本語の知識QAと指示追従が強み。33Bの数学とツール呼び出しはLLM-jp-4.1が上
• 総合平均は同クラスのQwen3.5・Gemma 4に約6〜10ポイント及ばない
• 公式API・公式量子化版はなく、80GB級GPUとvLLMの構築が前提
• 「完全国産」なのは土台の事前学習まで。構造はLlama系・Qwen3 MoE系で、SFTの教師モデルは非公開

国産基盤であることと日本語の精度を重視し、自社GPUで運用できる組織にとっては有力な選択肢です。手軽さを重視するならLLM-jp-4.1、総合性能を重視するなら海外オープンモデルと比べたうえで決めてください。国産LLM全体の位置づけは国産LLM 7選 徹底比較で確認できます。