参考記事（Qiita / Zenn）
Qiita・Zennで公開されているモデル性能比較の記事のうち、この連載を書くうえで実際に参考にしたものをまとめました。最新の実測記事から、公開から時間が経っても参照され続けている定番まで、どのLevelで読むと効くのかを添えています。
- 掲載記事
- 17
- カテゴリ
- 6
- 定番記事
- 4
- 最新
- 2026-08-23
掲載の基準
- ・実際に読み、この連載のどのLevelに効くかを書けること
- ・比較の条件（ハード構成・モデル・測定方法）が記事内に書かれていること
- ・一次情報か、一次情報への導線があること
並び順はカテゴリごとの公開日の新しい順です。モデルと推論エンジンは更新が速く、半年前の比較記事はすでに前提が変わっています。必ず公開日とセットで読んでください。
ベンチマークの読み方
個別のモデル比較を読む前に、スコアが何を測っているのかを知るための記事。「ベンチマークが高い＝自社で使える」ではない、という前提を作る。
関連：Level 0 / Level 2
- Zenn2026-04-26 更新 2026-05-24
LLMベンチマーク21選を完全解説：AIの「成績表」を正しく読む方法（外部サイト）
lumichy
業界で使われている21のベンチマークを整理し、うち7つを「まず見るべきコア指標」として絞り込んでいる。スコアが高いことと実務で使えることは別だ、という立場が一貫している。
読むタイミング：Level 0で評価指標を決めるとき。どの指標を要件に書くかの候補表として使える。
- Qiita2026-02-23LGTM 38
【AI性能比較】LLM 評価指標をざっくり解説｜Artificial Analysis の歩き方（外部サイト）
@Ryo-Nakano
モデルの性能・速度・価格を横断比較できるArtificial Analysisの読み方を、10の評価指標を4カテゴリに分けて解説している。スコアだけでなくスループットと価格帯を同じ画面で見る癖がつく。
読むタイミング：Level 2でモデル候補を絞るとき。個別記事を読む前に、まずここで全体の位置関係を掴む。
- Zenn2023-12-10 更新 2025-12-09定番
LLMのベンチマーク・評価に関する情報（外部サイト）
からあげ
リーダーボード・評価フレームワーク・ベンチマークソフト・論文への導線をまとめたリンク集。2023年公開だが更新が続いており、日本語圏で評価の起点として参照され続けている。
読むタイミング：評価の一次情報を探すとき。このページの上位互換として、まずここを見ると早い。
モデル同士の性能比較
商用モデル・OSSモデルを横断して比べた記事。モデルの世代交代が速いため、公開日とセットで読む。
関連：Level 1 / Level 2
- Qiita2026-03-24LGTM 6
GPT-5.4 vs Claude Opus 4.6 vs Gemini 3.1 Pro ── 2026年2-3月の3大モデルを徹底比較（外部サイト）
@nogataka
商用フラッグシップ3モデルをベンチマーク・価格・用途で比較している。性能差が縮まった結果、選定基準がモデル単体の能力からエコシステム統合へ移った、という結論。
読むタイミング：Level 1で外部API方式を検討するとき。自前運用と比べる相手側の性能水準として。
- Qiita2026-02-02LGTM 4
2026年2月 LLMは用途で選ぶ時代だった——26モデル比較が体感と完全一致した（外部サイト）
@tikaranimaru
26モデルをコンテキスト長・処理能力・コスト効率で並べ、一次情報に基づくスペック表にまとめている。「どれが最強か」ではなく「何に使うか」で選ぶ、という整理。
読むタイミング：Level 2で候補を3案に絞るとき。用途別に軸を分ける発想がそのまま使える。
ローカルLLMの実測比較
手元のGPUで実際に測った記事。ハード構成が明記されているものを選んだ。Level 2のメモリ計算・Level 4のPoCと突き合わせて読む。
関連：Level 2 / Level 4
- Qiita2026-08-23LGTM 44
【ローカルLLM】国産LLM「LLM-jp-4-33B」と「Qwen3.8-27B」の推論性能比較（RTX 5070 Ti + RTX 3070 Ti）（外部サイト）
@h-nabata
国産のLLM-jp-4-33BとQwen3.8-27Bを、推論・数学・コーディング・専門知識の208問で比較している。基礎タスクはLLM-jp、応用課題はQwenが優位という結果で、トークン効率の差にも触れている。
読むタイミング：Level 2でモデルを選ぶとき。GPU構成が明記されているので、自分の見積もりと突き合わせやすい。
- Qiita2026-06-23 更新 2026-08-05LGTM 60
🚀ローカル LLM 選び、もう「VRAM に入る一番デカいやつ」で決めるの卒業しよ？ - whichllm を RTX 4060 Ti 16GB で測ってみた（外部サイト）
@aktsmm
VRAMに載る最大サイズではなく、ベンチマークスコア・推定トークン速度・量子化形式からモデルをランキングするCLIツールの実測レポート。70Bを全GPU実行するには48GB以上が要る、といった具体値が出てくる。
読むタイミング：Level 2の「載る」と「実用的に速い」の差を体感するとき。メモリ計算機の結果と並べて読む。
- Zenn2026-02-09
LLM性能比較テスト(OSS編) - ローカルモデルを試していたら魔法少女が爆誕した話（外部サイト）
yui
M4 Mac Mini上で6つのOSSモデルを、創作・説明・文章変換の3タスクで速度と品質の両面から比較している。小さいモデルは速いが文脈理解で破綻する、という失敗例が具体的に載っているのが良い。
読むタイミング：Level 2でパラメータ数を落とす判断をするとき。落としたときに何が壊れるかの実例として。
- Qiita2025-12-09 更新 2026-01-16LGTM 12
GPU メモリから逆算するローカル LLM モデル選定ガイド（外部サイト）
@vfuji
GPUメモリの制約からモデルサイズを逆算する手順を、量子化済みモデルの実例で示している。速度重視ならRTX系、精度重視ならUnified Memory機という整理は、このJourneyのLevel 2と同じ構造の判断。
読むタイミング：Level 2のメモリサイジング計算機と並べて。同じ逆算を別の切り口でやっている。
- Qiita2025-06-22LGTM 4
【ローカルLLMコーディング性能比較】テトリスを生成できるか試してみた（外部サイト）
@devgamesan
同一プロンプトでテトリスを書かせ、動くかどうかで複数モデルを比較している。14B以下は全く動かず、24Bを超えると遊べるものが出てくる、という閾値が見える。
読むタイミング：Level 2で「小さいモデルで足りるのでは」と考えたとき。タスク難易度とパラメータ数の関係の実例。
推論エンジンの比較
同じモデル・同じGPUでも、動かすソフトウェアでスループットが変わる。Level 3の判断に直接効く。
関連：Level 3
- Qiita2026-08-17LGTM 0
2026年版 LLM推論エンジン比較 — vLLM・Ollama・llama.cpp・TGIを徹底解説（外部サイト）
@agdexai
主要な推論エンジン4種を、同じハードでもエンジン次第でスループットが3倍変わるという観点から比較している。vLLMは本番、Ollamaは開発、llama.cppはエッジ、TGIはHF統合という住み分け。
読むタイミング：Level 3の選択肢一覧を広げるとき。TGIまで含めた俯瞰図として。
- Qiita2026-06-14LGTM 2
Ollamaが遅い？ 1人なら最速、詰まるのは複数人・RAGから ― vLLM / SGLangを見る判断基準（外部サイト）
@Marron-chan
RTX 4070とQwen3.5-4Bで、単独利用・並列・RAGの3場面を実測している。単独ならOllamaが最速でも、並列になると直列化がボトルネックになるという、Level 3の主題そのものを実機で確かめた記事。
読むタイミング：Level 3を読んだ直後に。本文の計算が実測でどう出るかの答え合わせになる。
- Qiita2026-04-01LGTM 2
vLLM vs Ollama：本番導入で見えた性能・運用・コストの決定的な違い（外部サイト）
@gogoduck
PagedAttentionによる2〜4倍のスループット差を軸に、性能だけでなく運用とコストの違いまで踏み込んでいる。小さく始めてvLLMへ移行する段階的な道筋を示しているのが実務的。
読むタイミング：Level 3の採用判断のあと。Ollamaを残しつつ移行する構成の参考として。
量子化と精度のトレードオフ
精度を落とせばメモリは減る。問題は「どれだけ落ちるか」で、それを実測した記事。
関連：Level 2
- Zenn2025-04-15
うさぎでもわかるLLM量子化手法完全ガイド: q4_K_Mの謎を解く（外部サイト）
taku_sid
q4_K_Mのような表記が何を意味するのかを分解し、GGUF・GPTQ・AWQを比較している。GGUFはファイル形式であって量子化手法ではない、という混同しやすい点を最初に整理している。
読むタイミング：Level 2で量子化形式を選ぶとき。表記の読み方が分かると、モデル配布ページが読めるようになる。
- Qiita2024-04-10LGTM 126定番
日本語LLM 9種を量子化して回答内容を比較調査してみた（外部サイト）
@wayama_ryousuke
日本語モデル9種について、量子化前後でスコアと回答内容がどう変わるかを実測している。影響はモデルによって大きく違い、元の回答が短いモデルほど出力長が変わりやすい、という観察が得られる。
読むタイミング：Level 2で精度を落とす判断をするとき。「どれだけ落ちるか」をモデル依存として扱う根拠になる。
日本語LLMの評価（定番）
日本語での評価をどう設計するか。公開から時間が経っても、評価設計の考え方として参照され続けている記事。
関連：Level 0 / Level 8
- Zenn2024-09-25定番
大規模言語モデルの性能の自動評価に関する問題点のメモ書き：Tanuki-8x8Bの事例から（外部サイト）
Kan Hatakeyama / 東大松尾・岩澤研究室
対話が得意なモデルがリーダーボードで低評価になった原因を追った記事。自由記述なら89%正答できる問題が、選択式の出力形式に縛られると66%まで落ちるという23ポイントの差を示している。
読むタイミング：ベンチマーク値を要件に使う前に。スコアが測っているのは能力とは限らない、という実例。
- Zenn2023-09-26定番
ELYZAが公開した日本語LLM「ELYZA-japanese-Llama-2-7b」についての解説 : (2) 評価編（外部サイト）
tyoyo / 株式会社ELYZA
複雑な日本語指示100問について、14モデルを3人体制の人手評価で採点した記録。GPT-4による自動評価が人手と0.818の相関を持つことや、タスク別のルーブリックが評価者間のばらつきを減らすことを検証している。
読むタイミング：Level 0で「想定質問100件」の評価セットを設計するとき。設計手順として今も通用する。
公開日・LGTM数は2026-08-25時点で各記事ページを確認した値です。リアクション数は変動するため、順位づけには使っていません。