Claudeの日本語精度を公式データとベンチマークで読む

Claudeの日本語精度を一言で表す数字はありません。Anthropicが自社ドキュメントで示すのは、英語を基準100%としたときの相対スコアで、Claude Sonnet 4.5の日本語は96.8%です。一方、日本語ネイティブの公開ベンチマーク「Nejumiリーダーボード」では、Claude Opus 4.8が2026年7月10日更新の総合ランキングで1位、史上初めて総合スコア0.85を超えました。この2つの数字は、測っている対象がそもそも違います。それぞれの中身と、実務でどう使い分けられるかを具体的に示します。

Claudeの日本語精度に「唯一の数字」がない理由

「日本語精度」という言葉には、実は2つの異なる問いが混ざっています。1つは「Claudeは英語と同じくらい日本語が得意か」、もう1つは「ClaudeはGPTやGeminiより日本語が得意か」です。この2つに答えるデータソースは別々です。

前者に答えるのは、Anthropicが多言語対応ドキュメントで公開している相対スコアです。モデル自身の英語力を基準にした内部比較で、他社モデルとは比較していません。後者に答えるのは、Weights & Biases Japanが運営する第三者ベンチマーク「Nejumiリーダーボード」の総合スコアです。GPTやGeminiなど他社モデルと横並びで、日本語タスクの絶対的な出来を比較します。

どちらか一方だけを見ると、実力を見誤ります。両方を並べて初めて、全体像が見えてきます。

相対スコアで見る日本語 — 英語比96.8%の中身

Anthropicの多言語対応ドキュメントには、言語ごとに英語とどれだけ遜色ない結果を出せるかを示す表があります。評価はMMLU(大規模マルチタスク言語理解)の英語版をプロの翻訳者が14言語に翻訳したセットを使い、ゼロショットのチェーンオブソート(段階的な思考過程を書かせる方式)で採点したものです。機械翻訳ではなく人手翻訳を使っています。

日本語を含む主要言語のスコアは次の通りです。

日本語は上位モデルで96%台後半、最も軽量なHaiku 4.5でも93.5%です。フランス語やドイツ語といった主要言語(上位モデルで97%台)とほぼ同じ水準にあり、低リソース言語とされるスワヒリ語やヨルバ語とは明確に差があります。ドキュメントの注記では、表にない言語についても幅広い能力を持つとしつつ、実際の用途に合わせて個別に試すことを勧めています。

つまり、日本語の相対スコアを自社で開示している唯一の上位モデルは、提供終了が決まっている世代ということになります。最新世代で同じ水準が保たれているかは、この表だけでは分かりません。

Nejumiでの絶対順位 — Opus 4.8が初の0.85超えで首位

Nejumi LLMリーダーボードは、Weights & Biases Japanが運営する日本語LLM評価プラットフォームです。2025年8月27日のプレスリリースでは「日本最大級のLLM日本語能力比較サイト」と位置付けられています。同時期に公開された第4版では、高難度の推論ベンチマークやアプリケーション開発能力評価、安全性評価が拡充されました。

総合スコアは2つの軸からなります。GLP(汎用的言語性能)が翻訳・要約・推論・コーディングの実力を、ALT(アラインメント)が有害性やバイアス、事実性といった安全側面を測ります。評価カテゴリは推論能力・専門知識・コーディング能力・関数呼び出し(Tool Use)・指示追従能力・幻覚抑制の6分野に及びます。

このうち翻訳タスクは、多くのモデルが高得点かつ差が付きにくく、事実上攻略済みの領域とされています。日本語への翻訳品質だけを見れば、上位モデル間の差はほとんど出ません。一方で数学的推論や抽象的推論、専門知識、コーディングはモデル間の差が大きく残る領域です。つまり総合順位の差を生んでいるのは「日本語らしさ」ではなく、日本語で出題された難問をどれだけ正しく解けるかという地力の部分です。

2026年7月10日更新の総合ランキング上位10モデルは次の通りです(かっこ内は推論をどれだけ働かせるかの設定です)。

この回のランキングには、公開当時すでに稼働していたFable 5やGPT-5.6は含まれていません。ベンチマーク反映には時間差があり、7月10日時点の最新・最上位モデルでも評価がもう少し先になるためです。

Opus 4.8はリーダーボード史上初めて総合スコア0.85を突破しました。内訳はGLPが0.8328、ALTが0.8933です。安全側の評価が特に高く出ています。2位のOpus 4.7も僅差で続き、上位2つをAnthropic勢が占めました。Fable 5とOpus 5の違いでは、この2モデルとFable 5・Sonnet 5の使い分けを詳しく比較しています。

この結果は一度きりのものではありません。過去のリーダーボード更新を遡ると、Claudeモデルのスコアがどう伸びてきたかが見えます。

9か月でスコアは0.7992から0.8523まで伸びました。ただし2025年12月更新分では、他社の新モデルに押されて4位まで下がった時期もあります。首位は固定ではありません。更新のたびに他社モデルとの位置関係が入れ替わります。

相対スコアと絶対順位はなぜ食い違って見えるか

「日本語は英語とほぼ変わらない」という評価と、「日本語はGPTやGeminiより得意」という評価は、別の主張です。前者はAnthropicが自社基準で出す内部比較、後者は第三者が固定タスクセットで出す相対評価です。スケールも母集団も違うため、96.8%と0.8523を直接比べることはできません。

Fable 5やOpus 5でも96%台後半の相対スコアが維持されているかどうかは、その数値が公開されていない以上、確認のしようがありません。一方でNejumiの総合順位では、Opus 4.7・4.8がGPTやGeminiの最新モデルを上回っています。異なる物差しが、異なる角度からClaudeの日本語対応を裏付けている状態です。

この違いは、日本企業の導入判断でも意味を持ちます。野村総合研究所は2026年2月24日、Anthropic Japanとのパートナーシップ拡大を発表しました。社内に「Claude for Enterprise」を導入すると同時に、日本市場向けの導入支援体制を整備すると説明しています。発表文には「日本市場特有の言語特性やセキュリティ要件、規制対応に適した導入支援の整備が求められている」とあります。日本語の精度は、抽象的な性能指標ではなく、こうした導入判断に直結する材料です。

実務でClaudeの日本語対応を確認する視点

ベンチマークの数値は出発点であって、そのまま業務判断に使える答えではありません。知りたいことによって、参照するデータは変わります。

導入を検討するときは、Claude(クロード)とはでモデル体系全体を押さえておくと判断しやすくなります。Claude ChatGPT比較2026で競合との違いも確認すると、日本語対応だけでなく料金や機能面も含めた比較ができます。

よくある質問

Claudeは日本語に対応していますか

対応しています。Anthropicの相対スコア表では、日本語は英語比96%台後半で、フランス語やドイツ語と同水準です。ドキュメントには、表に掲載された言語以外でも標準的なUnicode文字を使う言語なら入出力できるという記載もあります。

日本語精度が一番高いClaudeモデルはどれですか

相対スコア表で数値が最も高いのはOpus 4.1(96.9%)ですが、2026年8月5日に提供終了予定のモデルです。現行のFable 5・Opus 5・Sonnet 5の相対スコアは、まだ公開されていません。

NejumiリーダーボードでClaudeは何位ですか

2026年7月10日更新の総合ランキングでは、Opus 4.8が1位(0.8523)、Opus 4.7が2位(0.8509)です。両者の差は0.0014、2位と3位(Gemini 3.1 Pro Preview、0.8430)の差も0.0079しかなく、上位は僅差の争いになっています。順位は更新のたびに動くため、最新版の確認が必要です。

GPTやGeminiと比べて日本語はどちらが得意ですか

2026年7月10日更新のNejumiリーダーボードでは、Opus 4.8・4.7が1位・2位、Gemini 3.1 Pro Previewが3位、GPT-5.5が4位でした。この順位はバージョンと評価時期に依存し、固定の優劣ではありません。

敬語やビジネス文書の精度も測れていますか

測れていません。相対スコアもNejumiの総合スコアも、翻訳済みMMLUや推論・コーディングなど幅広いタスクの平均値です。敬語表現や業界特有の言い回しの精度は、これらの数値だけでは判断できません。

Nejumiリーダーボードの評価軸には何がありますか

推論能力・専門知識・コーディング能力・関数呼び出し(Tool Use)・指示追従能力・幻覚抑制の6分野です。翻訳タスクはどのモデルも高得点で差が付きにくく、数学的推論や抽象的推論、専門知識、コーディングがモデル間の差を生む領域とされています。

まとめ

Claudeの日本語精度は、単一の指標ではなく2種類の公開データで捉える対象です。Anthropicの相対スコアでは、日本語は英語比96%台を維持し、低リソース言語とは明確に異なる水準にあります。ただし対象は旧世代モデルまでで、現行のFable 5・Opus 5・Sonnet 5には反映されていません。Nejumiリーダーボードでは、2026年7月更新分でOpus 4.8とOpus 4.7がGPTやGeminiを抑えて1位・2位に並び、9か月でスコアを大きく伸ばしました。日本企業の導入が加速する中、この2種類のデータを組み合わせて読むことが、精度を見誤らないための出発点になります。