安倍元総理暗殺事件に関する
ローカルLLM回答の比較評価

評価日：2026年10月3日（日本時間）
評価対象：安倍晋三元首相銃撃・殺害事件に関する生成済み Markdown File 8件
評価資料の基準日：2026年10月3日。公表済み一次資料を優先し、報道による補足は明示した。
状態：全8モデルの事実確認・品質採点・総合採点を完了。

1. 評価結果

1.1 全8モデルの総合点

初回総合点S（100点満点）＝品質加点F（80点）＋初回速度点V（15点）＋容量点Z（5点） として順位を付ける。品質加点Fは、回答だけを評価した品質点Q（100点満点）を0.8倍した値である。表の「／」の右側は各点数の満点を表す。

初回合計時間＝モデル読込み時間（読込み確認への応答を含む）＋命題プロンプト処理時間。 「初回」は、モデルをまだ読み込んでいない状態から、1件目の命題の回答を得る場合を指す。命題は今回の「安倍元総理暗殺事件について教えてください」という課題であり、読込み確認用の入力とは区別する。

時間・容量の定義と計算式は第3.2節に記載する。ロード済み総合点は、既存の記録から読込み時間を除いて計算したもので、追加の測定結果ではない。

ロード済み条件でも順位は同じで、Muse Glimmer、Gemma4-26B-A4B、Minimax-M2.7、Nemotron3-Super、GPT-OSS-120B、GPT-OSS-20B、Qwen3.8-27B、Nemotron 3 Nano Omniの順となる。

1.2 全8回答の品質点

品質点Q（100点満点）＝事実適合・網羅C（70点）＋不確実性・情報の帰属U（10点）＋日本語J（10点）＋説明姿勢・構成R（10点）。表には、この4つの内訳と合計Q、総合評価用に0.8倍した品質加点F（80点満点）を示す。

Cは確認資料との一致・必要事項の網羅を10項目で評価した合計、Jは日本語の読みやすさを表す。Uの「不確実性」は確定できない範囲を示すこと、「情報の帰属」は誰の発表・供述・認定による情報なのかを示すことを指す。Rは命題への答え方と説明の構成を評価する。

品質点Qは必要事項の網羅や説明も含めた評価点であり、記述の正答率を表す百分率ではない。各内訳の採点基準は第3.1節に記載する。

品質順位は、Muse（79）、Gemma（65）、Minimax（63）、Super（61）、GPT-OSS-120B（52）、Qwen（45）、Nano（34）、GPT-OSS-20B（28）。

1.3 結果の読み方

今回の回答ではMuse Glimmerが品質・総合ともに首位だった。日時・場所・人物・動機の主要事項が比較的そろい、初回合計時間は3分14秒だった。ただし逮捕当初の容疑に誤りがあり、銃の形容と裁判経過にも修正・補足が必要である。

Gemmaは初回合計時間1分22秒・17.99GBで、総合2位となった。宗教と政治の関係や解散命令請求への波及を説明する一方、発生時刻と被疑者名の漢字を誤り、動機には裏付けのない補足がある。

Minimaxは主要な事件概要を押さえ、品質加点Fによって総合3位となった。海上保安庁と海上自衛隊の関係を混同し、中国語等の混入も目立つ。初回合計時間13分21秒・138.34GBと、待ち時間と容量の負担は大きい。

Nemotron3-Superは総合4位。主要な日時・人物・死亡経過に明確な重大誤認は確認しなかったが、場所の詳細、動機、警護、司法手続きの説明が不足している。Minimaxとの差は約0.88点で、採点の1段階差によって順位が変わり得る。

GPT-OSS-120Bは長く整った回答だが、時刻・年齢・銃器・国葬・司法経過に具体的な誤りが多い。説明量の多さが、そのまま情報の正確さにつながる結果ではなかった。

GPT-OSS-20Bは初回合計時間37秒・命題処理時間16秒・12.11GBと最速・最小だった。品質点は最下位でも、速度と容量の加点により総合6位となった。ただし安倍氏の生存・退院を繰り返し記述しており、事件の帰結に重大な誤りがある。

Qwenは初回合計時間19分07秒で最も長く、動機と死刑判決の説明を誤っている。Nemotron 3 Nano Omniも短時間で回答するが、被疑者、被害者の役職、現場を取り違えている。

8件とも修正・補足が必要だった。 説明の欠落と、事件の帰結を覆す誤りは区別して読む。これらは今回保存された回答の評価であり、別題材・別設定を含むモデル全般の能力や、容量と品質の因果関係を断定するものではない。

2. 実験PCと評価条件

2.1 実験PCのハードウェアリソース

以下は「実験方法等.txt」の記載値であり、評価者による再測定値ではない。

本書の「エージェント動作」は、LLMが指示に応じて次の処理を判断し、必要に応じてツール利用などを挟みながら回答を作る実行方式を指す。今回の各試行で実際に行われた処理、ツール使用の有無・回数、処理ごとの時間内訳は、生の実行ログがないため確認できない。エージェント動作という表記だけから、検索やファイル操作が実行されたとは判断しない。

2.2 評価の目的・対象範囲

学習済み知識だけで生成した回答について、情報の正確さ・必要事項の網羅・説明の読みやすさ・利用時の待ち時間・モデル容量を比較する。

モデル読込みの計測用プロンプト：

LLMモデル読込みを完了したらプロンプトを上げてください。

実験時の命題：

インターネットやPC内のファイル検索はせず、持っている知識の中から安倍元総理暗殺事件について教えてください。

評価者側ではインターネットで資料を照合した。生成済みの回答8件は全文を読んだが、ローカルLLMを再実行していない。生の実行ログがないため、各モデルが本当に外部参照しなかったか、内部の学習期限が何年かまでは確認できない。

2.3 総合配点

ここでは、時間・容量を含めた初回総合点Sの配点を示す。回答内容だけを評価する品質点Qの内訳（70点＋10点＋10点＋10点）は、第3節の冒頭に示す。Qを80点満点の品質加点Fへ換算し、次の3要素を合計する。

この配点、初回合計時間による主評価、ロード済み条件の参考併記はユーザー確認済み。速度点・容量点は、今回の8モデル中の最短時間・最小容量を満点の基準とする「相対点」であり、比較対象が変われば同じ実測値でも点数が変わり得る。

2.4 事実確認の基準

「公式に公開された資料」を、その内容すべてが正しいという意味では扱わない。捜査情報、警護検証、医療発表、第一審判決、制度資料や報道を照合し、公表時点と記録の性質を区別した。

判定は、回答全体ではなく、第6節の各行に記載した主張または主張のまとまりに対して行う。以下の語は、事実との整合、裏付けの範囲、情報の性質を区別するための表記であり、確率や点数を表す段階名ではない。

「裏付けあり」は支持資料の存在、「一部支持」は支持できる部分の範囲、「正・概ね正」は記述と資料の整合の程度に重点がある。これらを単純な強弱の序列として扱わない。

説明量については、次のように区別する。

省略・不足・欠落は、書かれた内容の真偽とは別に扱う。「正／省略」は、記載された主張は正しいが補足情報が省かれているという意味である。「帰属不足」は誰の発表・供述・認定・推計かが不明なこと、「対象不足」は対象となる時期・地域・集計指標などが不明なことを指す。

ファクトチェックの第6節では、次の補助表現も用いる。

• 内部不整合：同じ回答の中で、説明が互いに食い違っている。
• 応答回避：命題で求めた具体的な説明を控え、一般論や別の参照先の勧奨などにとどめている。
• 助言：資料を参照することなどを勧める記述であり、事件の事実を述べたものとは区別する。
• 評価範囲の注記：回答が対象とする時点など、どの範囲の説明かを示す補足。
• 部分的不整合：主張の骨格は保たれているが、一部の細部が資料または回答内の別の記述と食い違う。採点上の意味は第3.1.1節に示す。
• 日本語上の問題：外国語の混在や不自然な表現など、事実の真偽とは別にJで評価する問題。

「／」で結んだ語は、同じ記述について複数の観点を併記したもの。「一部」「前半」「後半」「時期は」などは、その判定が当てはまる部分を示す。判定語だけから点数へ自動換算せず、第3.1節の項目別基準に照らし、第5節に採点理由を示す。

動機は本人の供述や裁判所の認定として扱い、本人が考えた政治家と団体の関係を、そのまま客観的事実とはしない。第一審判決と確定判決、逮捕当初の容疑と事件の最終結果も区別する。

「11時30分頃」は公式資料の11時31分頃と整合する概数として扱う。「2発」は2回の発砲を意味し得るため、弾丸が合計2個だったとの断定にはしない。「容疑者」という過去の呼称だけでは減点せず、手続きの欠落や誤認を評価した。

3. 採点方法

採点は、①回答内容の品質点Qを100点満点で採点し、②その点数を総合評価用に80点満点へ換算して、速度点15点・容量点5点を加える、という2段階で行う。品質点Qは回答内容の評価、総合点は時間・容量も含めた利用上の評価である。

第1段階：品質点Q（100点満点）の内訳

第2段階：初回総合点S（100点満点）の内訳

参考として、モデルがロード済みの条件では、速度点だけを命題処理時間で計算した「ロード済み総合点W」を併記する（第3.2.5節）。

3.1 品質点Q：100点

冒頭の第1段階の内訳に従い、品質点Q＝事実適合・網羅C（70点）＋不確実性・情報の帰属U（10点）＋日本語J（10点）＋説明姿勢・構成R（10点） とする。以下では、この順に各内訳の採点基準を説明する。

品質点は「正しく必要な内容を説明できたか」を評価する点数であり、文単位の正答率ではない。情報量が少ない回答に、単に誤りが少ないという理由で満点を与えない。

3.1.1 C：事実適合・網羅（70点）

品質点Qのうち70点を占める内訳である。C1～C10をそれぞれ7点満点で採点し、C＝C1＋…＋C10（最大70点） とする。

共通の段階点は、7＝十分で概ね正確、4＝骨格は正しいが省略・限定不足・部分的不整合あり、2＝断片的な言及、0＝欠落または中心的な説明が誤り。複数の主張を含む項目は正しい部分も考慮する。詳細な誤りは第6節に残すため、同じ0点でも「欠落」と「誤り」を区別して読める。

この段階点で使う表現は、各項目の「7点の目安」を基準に、次の意味で用いる。

段階の境界は、正しい語句の数や誤りの件数だけで機械的に決めない。内容の重要性と正しい部分・不足する部分を合わせて判断するため、評価者の裁量は残る。その具体的な適用は第5節の採点理由と第6節の照合結果で確認できる。

3.1.2 U：不確実性・情報の帰属（10点）

品質点Qのうち、情報の主体・対象・限界や、情報の確かさをどのように説明しているかを評価する10点分。本事件では、動機の供述、捜査情報、裁判所の認定、未確認の説明を区別できているかを見る。次の4段階で採点する。

C7・C8は「必要な動機・司法手続きの説明」、Uは回答全体の「確度・出典帰属の扱い」であり、誤った判決の断定などは両面から評価する。出典URLがないこと自体は、外部参照禁止という実験条件を考慮し減点していない。

3.1.3 J：日本語（10点）

品質点Qのうち、日本語の自然さ・読みやすさを評価する10点分。次の4段階で採点する。

3.1.4 R：説明姿勢・構成（10点）

品質点Qのうち、命題へ直接答えているか、説明が分かりやすく構成されているかを評価する10点分。次の4段階で採点する。

回答の短さ自体には罰点を設けず、必要事項の欠落をCで評価する。重複や内部不整合で説明が弱くなる場合はRに反映する。重大な誤りへの追加罰点や総合点の上限は設けていない。

事件後の裁判・制度の説明不足は網羅性に反映し、架空の経過を断定する誤りとは区別した。評価基準日は2026年10月3日だが、全モデルの知識期限を揃えた試験ではない。

C・U・J・Rを合計して品質点Qを確定し、次節で総合評価に用いる品質加点Fへ換算する。

3.2 時間・容量・総合点の式

冒頭の第2段階の内訳に従い、品質加点F・初回速度点V・容量点Zを計算して初回総合点Sを求める。計算に使う時間・容量を先に定義し、その後に各内訳の式を示す。L・P・Tは時間、Bは容量、F・V・Z・S・Wは点数を表す。

3.2.1 F：品質加点（80点）

第3.1節で求めた品質点Q（100点満点）を、総合点における品質の配点80点へ換算する。

品質加点 F = 0.80 × Q

3.2.2 V：初回速度点（15点）

初回合計時間T＝読込み時間L＋命題処理時間Pを用い、今回の最短37秒を15点として計算する。

初回速度点 V = 15 × 37秒 / T

37秒は処理時間表8行の最短初回合計時間。時間が最短の2倍なら、速度点は7.5点となる。

3.2.3 Z：容量点（5点）

記載されたモデル容量Bを用い、今回の最小12.11GBを5点として計算する。

容量点 Z = 5 × 12.11GB / B

12.11GBは処理時間表8行の最小容量。容量が最小の2倍なら、容量点は2.5点となる。

3.2.4 S：初回総合点（100点）

品質加点F（80点満点）・初回速度点V（15点満点）・容量点Z（5点満点）を合計する。第1.1節の主順位はこの点数に基づく。

初回総合点 S = F + V + Z

3.2.5 W：ロード済み総合点（100点・参考）

内訳は、品質加点F（80点）＋ロード済み速度点（15点）＋容量点Z（5点）。品質加点Fと容量点Zは初回総合点と共通で、速度点だけを次の式に置き換える。読込み時間Lを加算せず、命題処理時間Pだけを用いる。

ロード済み速度点 = 15 × 16秒 / P
ロード済み総合点 W = F + 15 × 16秒 / P + Z

16秒は記載された最短命題処理時間。ロード済み総合点Wは新たな測定結果ではなく、同じ記録から読込み時間を除いた参考計算である。

繰り返し利用した場合の時間（参考）

モデルを1回だけ読み込み、命題をn回処理すると仮定した場合、nは命題の処理回数を表す。毎回の命題処理時間がPで一定なら、読込み時間を含む1問当たりの平均時間はP＋L/nとなる。キャッシュ等による実際の時間変化は測定していない。

本節の計算と表示に共通する規則

計算には丸め前の値を使い、表示だけ小数第2位に丸める。 表示した加点の和と表示総合点に0.01点程度の差が出る場合がある。対象モデルを増減すれば最短時間・最小容量と相対点は変わる。

4. 入力モデルと実測記録

時間・容量は「実験方法等.txt」から転記した。括弧内は秒。モデル名は、ユーザー確認済みの対応に基づきMuse GlimmerとNemotron 3 Nano Omniの表記を統一し、他の6件は実験ラベルを保持した。時間と容量の各記号は第3.2節の定義に対応する。

推論設定はQwen・Museが「非常に高い」、GPT-OSSの2件が「高」、Gemma・Nano・Superが「オン」と記録されている。Minimaxは設定記載がない。これらは実験ラベルであり、モデル間で同じ推論量や同等の設定を意味するものではない。

4.1 モデル名の確認とファイル名との対応

綴りが異なる次の2組は、2026年10月3日にユーザーから、それぞれ同一モデルとの確認を得た。これにより、全8回答を実験方法の時間・容量記録へ対応付けた。

他の6件は実験表とファイル名のモデル部分が一致する。原ファイルは変更せず、第9節にも実際のファイル名を保持した。名称の対応だけから、ローカル配布物の正確なチェックポイント（モデルの保存版）や量子化方式（モデルの重みを低い数値精度で表して容量を抑える方式）までは確定しない。

5. 品質採点の内訳

品質点Q（100点）は、C（70点）・U（10点）・J（10点）・R（10点）の合計である。点数表ではCをさらにC1～C10へ分解し、Cの小計、U・J・R、Qの合計を順に示す。その後に各モデルの採点理由を掲載する。

5.1 項目別点数と合計

列の略称：Qwen＝Qwen3.8-27B、Mini＝Minimax-M2.7、Gemma＝Gemma4-26B-A4B、20B／120B＝GPT-OSS、Muse＝Muse Glimmer、Nano＝Nemotron 3 Nano Omni、Super＝Nemotron3-Super。

5.2 主な採点理由

C8では、GPT-OSS-20Bの「逮捕」を断片的な言及として2点、Museの現場での確保とその後の殺人事件扱いを4点とした。QwenとGPT-OSS-120Bは司法経過の中心が誤りのため0点。人物の取り違えはC4でも評価し、具体的な誤りは第6節に示した。

6. 全ファイルのファクトチェック

8ファイルの検証可能な主張を確認し、重複する言い換えは同じ行にまとめた。下表の「元回答の記述」は照合用の短い抜粋または要旨。正しい箇所、誤り、裏付け不足、説明の欠落を区別し、一般的な感想や案内は事実採点の対象外とした。資料IDは第8節のリンクに対応する。判定語の定義と「／」による複合表記の読み方は、第2.4節に記載する。

6.1 Gemma4-26B-A4B

明確な誤り：発生時刻、被疑者名の漢字。 即死の主張とまでは解釈しない。

6.2 GPT-OSS-120B

明確な誤り：日時、路線・演説目的、年齢、国葬、首相就任、司法経過。 制度や補償の説明にも未確認の記述が多く、文章量をそのまま知識の正確さとは評価できない。

6.3 GPT-OSS-20B

明確な誤り：生存・退院、発生時刻、現場、被疑者の同定、被害者年齢、凶器。 特に生存・退院の説明は、事件の帰結そのものを取り違えている。

6.4 Minimax-M2.7

明確な誤り：海上保安庁を海上自衛隊の旧名称とする説明。 主要経過は比較的保たれるが、動機・裁判の情報が不足する。

6.5 Muse Glimmer

明確な誤り：逮捕当初の容疑。 総合首位でも誤りがない回答ではない。

6.6 Nemotron 3 Nano Omni

明確な誤り：事件時刻、現場、被害者の役職、被疑者の同定、凶器の準備過程、死亡までの時間。

6.7 Nemotron3-Super

主要な日時・人物・死亡経過は、今回の照合範囲では概ね正しい。 銃弾数・部位表現は限定が必要で、動機・司法・警護の網羅性不足が大きい。

6.8 Qwen3.8-27B

明確な誤り：場所、死亡時刻、被疑者年齢・退職時期、動機の団体と政治家の関係、死刑判決・求刑、国葬日。

7. 引用・出典情報の点検と実験の限界

7.1 全ファイルの引用点検

8件とも、記事名・日付・URLなどを伴う、特定可能な引用文献・URLは0件だった。「報道」「判決」「供述」「公的な事実」等の帰属表現はあるため、その内容を第6節で照合した。GPT-OSS-20Bには「日本経済新聞」という媒体名があるが、記事は特定できない。

架空の書名や偽URLは、そもそもその種の引用がないため検出されていない。出典がないこと、帰属を追跡できないこと、本文の事実が誤っていることは別である。GPT-OSS-20Bの回復やQwenの死刑判決は、公表された死亡・判決記録と矛盾するため誤りと判定した。

7.2 今回の結果から言える範囲

1. 各モデルについて1件ずつの保存回答と1組ずつの時間しかない。反復回数、分散、実験順序、温度、トークン上限、量子化の記録がなく、統計的な有意差は判定できない。
2. 読込み時間は、未ロード状態から確認プロンプトへの返答までという運用上の待ち時間を含む。純粋なモデルファイル読込み時間や初回トークン待ち時間（入力から最初の出力トークンが現れるまでの時間）と同一ではない。
3. 命題処理時間も推論・エージェント動作・生成等を含み得る。ログがないため内訳やtokens/s（1秒当たりの生成トークン数）は算出しない。トークンはモデルが文章を処理・生成するときの単位であり、文字数とは一致しない。回答の長さも異なり、生成エンジン単体の速度は比較していない。
4. モデル容量BのGB値は、パラメータ数、必要VRAM（GPUメモリ）、消費電力、ランニングコストの代用指標ではない。MoE（入力に応じて一部の専門ネットワークを使う構造）等による差も、本記録だけでは補正できない。
5. 学習期限は未確認で、最近の司法経過を知らずに省略したのか、知っていて省略したのかは区別できない。架空の司法経過を断定することは、単なる省略と分けて評価した。
6. 初回総合点Sは品質加点F（80点）・初回速度点V（15点）・容量点Z（5点）という配点に依存する。小数第2位は計算の確認用であり、その精度で能力差を測れたことを意味しない。品質点Qの2点差は初回総合点Sの1.6点に相当し、僅差の順位は採点の1段階差でも変わり得る。
7. 外国語の混入や事実誤認は今回の回答に観察できるが、その原因がモデル本体、量子化、推論設定、エージェント環境のどれかは特定できない。
8. 出力の成功と内容の正確さは異なる。GPT-OSS-20Bのように速度・容量で順位が上がる例もあるため、総合点だけで採用判断をしない。単一の題材・1回の回答や、別題材での順位からモデル全般の優劣を一般化しない。

7.3 未確定情報の扱い

資料側で裏付けが十分でない細部は、第6節に「未確認」または「要限定」として残した。補償、委員会、訓練指示等について、未公開記録やインターネット上の全記事の不存在を証明したものではない。未提供の生成設定や実行ログも推定しておらず、厳密な追試には追加記録が必要である。

8. 検証に用いた資料

資料の確認日：2026年10月3日（日本時間）。文書の作成・公表日とWebの取得日を区別した。一次資料を基礎とし、報道は補助資料として扱った。政党資料はその政党自身の対応を確認するために用い、他の疑惑がないことの根拠にはしていない。

S12・S16・S19等は、検索に提供された本文抜粋を含む確認であり、ページ全体を取得したものではない。S03は匿名化された第一審判決で、事件番号・日時・内容とS10等の顕名報道を照合した。医療発表、捜査情報、判決の記載の違いにも留意し、資料にない傷の経路、製法、動機、金銭の流れは推測していない。

9. 入力ファイルの識別情報

入力ディレクトリ：G:/LMStudioBionicWork/LearningStatusTest/安倍元総理暗殺事件の概要
出力ディレクトリ：G:/LMStudioBionicWork/LearningStatusTest/安倍元総理暗殺事件の概要/評価結果
出力ファイル名：安倍元総理暗殺事件情報比較GPT6-Astra.md

SHA-256は読取り時の内容の識別用であり、生成モデルの真正性を証明するものではない。依頼書・実験記録は補助入力として別記した。